1. 簡介
快速打造 MVP 固然很棒，但如果只是不斷輸入提示，專案就會出錯。您需要將結構和現實世界背景資訊帶入 AI 輔助開發。這時 Antigravity CLI 就能派上用場，這款 AI 程式碼編寫代理程式可在終端機中執行。這項工具本身就能解讀程式碼集、執行指令及編輯檔案。但只要搭配以下裝置，就能發揮強大功能：
- 技能可為代理提供方法和領域知識。方法技能會強制執行結構化開發工作流程，領域技能則會提供準確的 API 知識，避免代理產生幻覺。
- MCP 伺服器可讓代理即時連線至外部系統，檢查實際結構定義、執行查詢，並根據實際資料驗證工作，而非依賴過時的訓練知識。
技能會決定代理程式的思考方式，MCP 則會決定代理程式可查看及互動的內容。兩者搭配使用，可將一般用途的程式碼編寫代理程式，轉變為遵循以實際資料為依據的結構化工作流程。本程式碼研究室會逐步說明如何整合這些工具，從安裝外掛程式到發布功能。
建構項目
本程式碼實驗室中的模式 (安裝方法和領域知識的技能、連結 MCP 伺服器以存取即時資料，以及執行規格導向的開發週期) 適用於您使用 Antigravity CLI 建構的任何功能，無論語言、架構或 Google Cloud 產品為何。為具體呈現這些模式，您將逐步完成特定範例：在電子商務數據分析資訊主頁中加入 BigQuery 整合功能。
這個入門應用程式是 FastAPI 網頁應用程式，可讀取靜態 CSV 檔案中的銷售資料，並繪製圖表 (收益趨勢、熱銷產品、訂單狀態細目、類別成效)。完成後，應用程式會從 BigQuery 查詢即時資料。BigQuery 是 Google Cloud 的無伺服器資料倉儲，可讓您對大型資料集執行 SQL 查詢，而不必管理基礎架構。具體來說，您會連結至 thelook_ecommerce 資料集，解鎖完整的訂單、產品和顧客目錄，這是 500 列的 CSV 無法提供的。您完全透過 Antigravity CLI 建構這項功能，並由技能和 MCP 指導。
我們將搭配 Antigravity CLI 使用的代理程式設定如下所示
課程內容
- 如何在 Cloud Shell 中使用 Antigravity CLI：啟動、瀏覽 TUI 及執行斜線指令
- 瞭解代理程式技能，以及漸進式揭露模式 (中繼資料 → 指示 → 資源) 如何有效維持背景資訊
- 三類技能：方法 (超能力)、效率 (穴居人) 和領域知識 (google/skills)
- 瞭解 MCP，以及如何為 Antigravity CLI 設定遠端 MCP 伺服器 (BigQuery MCP)
- 如何執行規格導向的開發週期：指定 → 規劃 → 實作
- (選用) Antigravity CLI 中的子代理程式運作方式和管理方式
- 如何將
google-cloud-bigqueryPython 用戶端程式庫整合至 FastAPI 應用程式 - (選用) 如何使用 Antigravity CLI 和網域技能，將應用程式部署至 Cloud Run
必要條件
- Google Cloud 帳戶
- 對 Python、REST API 和終端機指令有基本的瞭解
2. 設定環境
這個步驟會複製入門存放區、設定 Google Cloud 專案，並啟用所需 API。
開啟 Cloud Shell
在瀏覽器中開啟 Cloud Shell。Cloud Shell 提供預先設定的環境，內含本程式碼研究室所需的所有工具。系統出現提示時，請點選「授權」。
然後依序點選「View」(檢視) ->「Terminal」(終端機)，開啟終端機。介面應與下圖類似：
這會是我們的主要介面，頂端是 IDE，底部是終端機
設定工作目錄
複製隨附存放區，內含本程式碼研究室的範例程式碼：
git clone https://github.com/alphinside/sdd-agy-bigquery-dashboard.git
cloudshell workspace sdd-agy-bigquery-dashboard && cd sdd-agy-bigquery-dashboard
這個存放區包含完整的電子商務資訊主頁應用程式，可讀取靜態 CSV 檔案。在本程式碼研究室中，您會使用 Antigravity CLI 將 BigQuery 整合功能新增為一項新功能。
重要檔案和目錄：
src/main.py- 具有 API 端點的 FastAPI 應用程式，可提供資訊主頁資料src/data_service.py- 使用 pandas 從 CSV 檔案讀取資料的資料層src/templates/dashboard.html- 含有 Chart.js 視覺化效果的 Jinja2 範本data/- 靜態 CSV 檔案 (orders.csv、products.csv、order_items.csv)，內含一小部分的電子商務資料
這個應用程式是簡單的唯讀資訊主頁：main.py 定義 API 端點、data_service.py 讀取 CSV 檔案並傳回結構化資料，以及 dashboard.html 將該資料算繪為圖表。您建構的 BigQuery 整合功能會將 data_service.py 替換為查詢即時資料的模組，而非讀取靜態檔案。
設定終端機
建立 Google Cloud 專案 ( 選用)
如要建立新專案，請前往 Cloud 控制台 UI，按一下左上方的專案選取器，然後點選 New Project。
或者，如要使用較快速的方法，請在終端機中執行下列指令：
PROJECT_ID="sdd-agy-cli-$(openssl rand -hex 5)"
gcloud projects create "$PROJECT_ID"
echo $PROJECT_ID
這會建立 Google Cloud 專案，並隨機產生專案 ID。指令會輸出產生的專案 ID，稍後在設定中請使用這個 ID 做為 YOUR_PROJECT_ID。
啟用終端機
現在，我們需要使用所選 Google Cloud 專案設定終端機。執行下列指令，列出可用專案並找出要選取的專案 ID
gcloud projects list
系統會顯示類似這樣的清單，請記住或複製您要使用的專案 ID
PROJECT_ID: alvin-exploratory-2 NAME: alvin-exploratory-2 PROJECT_NUMBER: 109790610330
現在執行下列指令，建立啟用終端機的指令碼 ( 或您也可以自行建立這個檔案)：
cloudshell edit configure_terminal.sh
然後將下列程式碼複製到指令碼
#!/bin/bash
gcloud config set project YOUR_PROJECT_ID
export GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project)
echo $GOOGLE_CLOUD_PROJECT
將 YOUR_PROJECT_ID 替換為專案 ID。先前的指令也會匯出專案 ID 做為環境變數，供整個程式碼研究室使用。接著儲存檔案並執行
bash configure_terminal.sh
在 Cloud Shell 終端機提示中，檢查工作目錄旁的黃色文字，確認專案設定正確。應該會顯示專案 ID。
啟用必要的 API
接下來，我們將與 BigQuery 互動，這與我們的用途情境相關。啟用本程式碼研究室所需的 Google Cloud API：
gcloud services enable bigquery.googleapis.com
這個 API 可讓我們存取 BigQuery。現在，我們來為本程式碼研究室情境準備初始資料集
3. 設定 BigQuery 資料集
情境：貴公司已將電子商務資料 (訂單、產品和訂單項目) 儲存在 BigQuery。您開發的應用程式會顯示訂單資料資訊主頁，但目前只會讀取這項資料的小型 CSV 擷取內容，方便您一開始專注於前端。現在您想升級，直接查詢 BigQuery 中的完整資料集。
為模擬這項作業，您會使用 TheLook E-commerce。這是 Google 維護的公開資料集，內含實際的合成電子商務資料 (超過 125,000 筆訂單、29,000 項產品)。將相關資料表複製到自家專案的 BigQuery 執行個體，做為「貴公司資料」。
在 Cloud Shell 中，我們已經有 bq CLI，可直接用來與 BigQuery 互動，因此可以直接準備資料。
在專案中建立資料集：
bq mk --dataset $GOOGLE_CLOUD_PROJECT:thelook_ecommerce
將公開資料集中的三個資料表複製到新資料集：
bq cp bigquery-public-data:thelook_ecommerce.orders $GOOGLE_CLOUD_PROJECT:thelook_ecommerce.orders
bq cp bigquery-public-data:thelook_ecommerce.order_items $GOOGLE_CLOUD_PROJECT:thelook_ecommerce.order_items
bq cp bigquery-public-data:thelook_ecommerce.products $GOOGLE_CLOUD_PROJECT:thelook_ecommerce.products
確認資料表位於資料集中：
bq ls $GOOGLE_CLOUD_PROJECT:thelook_ecommerce
您應該會看到三個表格：orders、order_items 和 products。
tableId Type Labels Time Partitioning Clustered Fields ------------- ------- -------- ------------------- ------------------ order_items TABLE orders TABLE products TABLE
執行快速測試查詢，確認資料可供存取：
bq query --nouse_legacy_sql \
"SELECT COUNT(*) as total_orders FROM \`$GOOGLE_CLOUD_PROJECT.thelook_ecommerce.orders\`"
+--------------+ | total_orders | +--------------+ | 125957 | +--------------+
你應該會看到超過 10 萬筆訂單。
4. 執行初始網頁應用程式
升級應用程式前，請先以目前狀態執行應用程式，看看 CSV 支援的資訊主頁會是什麼樣子。
uv 是以 Rust 編寫的快速 Python 套件和專案管理員 ( 文件)。本程式碼研究室會使用這個函式庫，以求快速簡便。如果您在本教學課程中使用 Cloud Shell，執行個體中已預先安裝這項工具。如要在本機安裝，請參閱這篇教學課程。
安裝專案依附元件，這也會為您準備虛擬環境：
uv sync
之後，如果您熟悉 Python，可以執行 uv 二進位檔，取代 python 指令。啟動 FastAPI 開發伺服器：
uv run uvicorn src.main:app --host 0.0.0.0 --port 8080
使用 Cloud Shell 的「網頁預覽」功能，在瀏覽器中開啟資訊主頁。按一下「Web Preview」(網頁預覽) 按鈕 (Cloud Shell 工具列中的眼睛圖示)，然後選取「Preview on port 8080」(透過以下通訊埠預覽：8080)。
資訊主頁會顯示四個圖表面板：
- 收益趨勢：折線圖，顯示 CSV 資料中指定日期範圍內的每日收益
- 收益最高的產品：以水平長條圖顯示產品總銷售額排名
- 訂單狀態細目：圓環圖，顯示「已完成」、「已出貨」、「處理中」、「已取消」和「已退回」訂單的分布情況
- 類別成效：顯示各產品類別收益的橫條圖
請注意標題中的「資料來源：CSV」徽章。摘要資訊卡會顯示從 500 筆訂單和約 750 個訂購商品計算出的總數，這是完整 TheLook 資料集的一小部分。日期範圍僅限 2023 年 10 月至 12 月。
這是我們的基準應用程式，現在我們將在 Antigravity CLI 的協助下，升級應用程式並與 BigQuery 整合。
5. 設定 Antigravity CLI
這個步驟會介紹 Antigravity CLI、逐步說明終端機使用者介面，並安裝三種外掛程式，以提升開發工作流程。過程中，您會瞭解代理技能和 MCP 的概念，以及這些功能如何擴充 AI 程式碼編寫代理的能力。
什麼是 Antigravity CLI？
Antigravity CLI 是 Google 的 AI 程式設計代理程式 Antigravity 的終端機版本。這是以 Go 語言建構的輕量型終端機使用者介面 (TUI)，可連線至為 Antigravity 2.0 電腦應用程式提供支援的相同代理程式架構。這項工具可讀取程式碼集、執行指令、編輯檔案，以及透過 MCP 連線至外部工具，所有操作都可在終端機完成。
如果您在本教學課程中使用 Cloud Shell，Antigravity CLI 已預先安裝在其中。您可以執行下列指令來檢查
agy --help
系統會顯示下列指令選項詳細資料
Usage of agy: --add-dir Add a directory to the workspace (repeatable) (default []) -c Short alias for --continue --continue Continue the most recent conversation --conversation Resume a previous conversation by ID --dangerously-skip-permissions Auto-approve all tool permission requests without prompting -i Short alias for --prompt-interactive --log-file Override CLI log file path --model Model for the current CLI session --new-project Create a new project for this session -p Short alias for --print --print Run a single prompt non-interactively and print the response --print-timeout Timeout for print mode wait (default 5m0s) --project Project ID for the current CLI session --prompt Alias for --print --prompt-interactive Run an initial prompt interactively and continue the session --sandbox Run in a sandbox with terminal restrictions enabled Available subcommands: changelog Show changelog and release notes help Show help for subcommands install Configure environment paths and shell settings models List available models plugin Manage plugins (install, uninstall, list, enable, disable) plugins Alias for plugin update Update CLI
啟動 Antigravity CLI
如果您是第一次使用 Antigravity CLI，現在需要進行設定。在新終端機分頁中啟動
agy
首次執行時，系統會要求您選取驗證方式
在本教學課程中，我們使用 Google OAuth，系統會要求您開啟網址，並提示您選取要用於登入的 Google 帳戶。
按一下「驗證」後，選取 Google 帳戶並點按 Sign In
系統會顯示要複製的字串，按一下 Copy to Clipboard 即可複製
然後將其貼到 Antigravity CLI 提示，如下所示
接著，系統會要求你選取色彩主題，並同意使用條款
系統也會要求您信任目前的工作區目錄，只要接受即可繼續。這將是我們在終端機中與 Antigravity CLI 互動的主要進入點
現在請先退出 Antigravity CLI，然後繼續前往下一節
6. 自訂 - 代理技能
Antigravity CLI 開箱即用，可讀取程式碼集、執行 Shell 指令及編輯檔案，但內建的規格導向開發工作流程有限，且對特定 API 的瞭解程度僅限於訓練資料。以將 BigQuery 整合至現有應用程式這項工作為例，會出現兩個缺口：
- 程序缺口：如果沒有結構，Antigravity CLI 可能會直接開始編寫程式碼。如果只是小幅修正，這沒問題。如果某項功能會影響多個檔案和端點，您最終會得到不一致的實作項目、缺少的極端情況，以及沒有記錄所做決定或原因的文件。
- 知識落差：模型訓練資料可能包含過時的 BigQuery 用戶端程式庫模式、已淘汰的 API 呼叫或不正確的資料表結構定義。無法檢查目前的實際資料集。
技能：縮小程序差距。開發方法技能 (例如 superpowers) 會強制執行「指定、規劃、實作」週期，也就是說，您必須先核准規格，代理程式才會編寫程式碼。網域技能 (例如 bigquery-basics) 提供 Google 維護的最新 API 說明文件，因此代理程式會使用正確的用戶端程式庫模式。
MCP 伺服器可在執行階段縮小知識差距。BigQuery MCP 可讓代理程式即時連線至實際資料集，列出資料表、檢查欄類型，以及執行範例查詢。代理程式會根據實際結構定義資料運作，而非猜測。
讓我們深入瞭解這兩項功能
代理技能
代理技能是輕量級的開放格式，可運用專業知識和工作流程擴充 AI 代理的功能。每個技能都是可攜式目錄，並有版本控制功能和 SKILL.md 檔案，這個檔案是機器可讀取的合約，定義代理程式處理特定工作的方式。
技能目錄如下所示：
skills/<skill-name>/ ├── SKILL.md # Required: YAML frontmatter + workflow instructions ├── scripts/ # Optional: helper scripts ├── references/ # Optional: reference implementations ├── assets/ # Optional: templates or assets └── ... # Any additional files or directories
技能的核心是包含 SKILL.md 檔案的資料夾。這個檔案包含中繼資料 (至少要有名稱和說明) 和指示，可告知服務專員如何執行特定工作。技能也可以組合指令碼、參考資料、範本和其他資源。
以下是本程式碼研究室稍後使用的 bigquery-basics 技能的 SKILL.md：
--- name: bigquery-basics metadata: category: BigDataAndAnalytics description: >- Manages datasets, tables, and jobs in BigQuery. Use when you need to interact with BigQuery, run SQL queries, manage BigQuery resources (datasets, tables, views), or perform basic data ingestion and analysis. --- # BigQuery Basics [Detailed instructions about BigQuery APIs, SQL patterns, client library usage, data ingestion patterns, etc.]
Antigravity CLI 會在啟動時載入 YAML 前置事項 (名稱 + 說明 + 中繼資料)，也就是輕量型中繼資料。--- 下方的 Markdown 主體是完整指令集，只有在 Antigravity 偵測到 BigQuery 相關工作時才會載入。
漸進式揭露
技能會使用三層漸進式揭露模式，避免內容視窗飽和：
- 第 1 層 (探索)：啟動時，Antigravity 只會讀取每個已安裝技能的 YAML 中繼資料。它只知道該技能存在，僅此而已。
- 第 2 層 (啟用)：當工作符合技能說明時，AGY 會將完整的
SKILL.md讀取到其有效脈絡中。現在可以執行操作。 - 第 3 層 (執行)：視需要，Antigravity 會存取技能的指令碼、範例或資源。現在，這項工具已知道如何完成這項工作。
系統只會在適當時間載入相關知識，舉例來說，當您處理 BigQuery 查詢時，Cloud Run 部署作業的技能不會耗用情境。
三種技能類別
客服人員技能的類型非常多元，在本程式碼研究室中，我們會使用三項技能，分別代表不同類別的技能：
類別 | 技能 | Purpose |
網域知識 | google/skills | 代理程式對特定技術的瞭解程度 |
方法 | obra/superpowers | 如何開發 - 強制執行規格導向開發、規劃、測試 |
效率優異 | JuliusBrussee/caveman | 如何有效率地使用權杖 |
google/skills 提供 Google 維護的第一方代理程式技能，適用於 Google 產品。例如，為代理程式提供有關 BigQuery API、Cloud Run 部署模式和其他服務的最新資訊。如果沒有網域技能，代理程式會依賴可能過時或不完整的訓練資料，而網域技能會以最新文件取代猜測。
obra/superpowers 是有主見的實作項目，可做為規格導向開發 (SDD) 工作流程。如果沒有 SDD 架構，當您描述某項功能時，專員會直接跳到程式碼，這適用於小型修正，但對於任何較大的項目，都會產生不一致且難以維護的結果。SDD 會強制執行結構化週期：釐清需求 → 撰寫規格 → 產生計畫 → 根據規格實作。每個階段都會產生可供審查的構件。您核准規格後，代理程式才會開始編寫程式碼。此外，還有其他 SDD 架構，例如 spec-kit、agent-skills 等，每個架構對指定、規劃及實作週期都有不同的看法。本程式碼研究室以超能力為具體範例，但無論您選擇哪個框架，基本原則 (先指定和規劃，再編寫程式碼) 都適用。
JuliusBrussee/caveman 可將代理程式輸出內容壓縮最多 75%。這項功能會移除贅字、客套話和冗長的說明，同時保留所有技術內容。每次回覆使用的權杖越少，代表每次對話的生產力越高，回覆速度也越快。使用 /caveman 啟動，或指示代理程式有效率地交談�。如果系統發出安全警告或偵測到不可逆的動作，就會自動停用這項功能。
安裝 Agent Skills
安裝官方 Google Skills
首先，請安裝我們將互動的必要 Google 技能。在本教學課程中，我們將主要介紹 BigQuery 和 Cloud Run 這兩項技術。因此，請安裝這些技能。我們會使用 npx skills 指令安裝這個套件
npx skills add google/skills
系統會開啟互動式終端機 UI，當中包含許多技能。使用方向鍵和空格鍵選取本程式碼研究室所需的技能
找到 bigquery-basics 和 cloud-run-basics，然後點選「空白鍵」選取。方塊應呈現深灰色，如下所示
然後在選取代理程式時，只要按一下「Enter」即可略過選取步驟，因為系統預設已包含 Antigravity CLI
然後選取「Project」安裝範圍，這會將技能安裝在工作目錄的 .agents 目錄下
最後按一下「Enter」，然後輸入「Yes」完成安裝。如果設定了許多技能，也可以選擇回答「Yes」來安裝 find-skills 技能
將第三方技能安裝為外掛程式
接著，我們會安裝 obra/superpowers 和 JuliusBrussee/caveman 技能。這些技能支援以 Antigravity CLI 外掛程式的形式安裝，因此我們可以使用下列指令安裝這些技能
agy plugin install https://github.com/obra/superpowers
agy plugin install https://github.com/JuliusBrussee/caveman
接著，我們可以使用下列指令驗證安裝作業
agy plugin list
系統會顯示下列輸出內容
{
"imports": [
{
"name": "superpowers",
"source": "gemini-cli",
"importedAt": "2026-07-06T01:50:36Z",
"components": [
"skills",
"hooks"
]
},
{
"name": "caveman",
"source": "gemini-cli",
"importedAt": "2026-07-06T01:50:37Z",
"components": [
"skills",
"agents",
"commands"
]
}
]
}
這樣就完成技能設定。接著來看看下一個
7. 自訂 - MCP 工具
MCP (Model Context Protocol) 是一項開放通訊協定，可將 AI 代理程式探索及與外部工具互動的方式標準化。定義用戶端/伺服器模型：代理會代管 MCP 用戶端，而工具則由 MCP 伺服器公開。任何與 MCP 相容的用戶端都能使用與 MCP 相容的伺服器，代理程式不必為每個工具編寫自訂整合代碼。
MCP 採用用戶端伺服器架構：
- 主機：AI 模型所在的應用程式 (本例為 Antigravity CLI)
- 用戶端：主機內的元件，用於處理 MCP 通訊 (內建於 Antigravity CLI)
- 伺服器：輕量型程式，可將功能公開給 AI 使用 ( 在本例中，我們將使用 Google Cloud Managed BigQuery MCP 伺服器)
稍後在本程式碼研究室中執行 SDD 工作流程時，Antigravity CLI 需要準確瞭解 BigQuery 資料集結構定義，包括資料表名稱、資料欄類型和關係。BigQuery MCP 可讓 Antigravity CLI 直接檢查即時結構定義。這樣一來，系統就會產生參照實際資料表和資料欄的規格和程式碼，而非虛構的規格和程式碼。
BigQuery Managed MCP Configuration
Google 會在 Google Cloud 雲端基礎架構上代管 BigQuery MCP 伺服器，因此不需要在本機設定 ( 如要查看其他支援的 Google Cloud 產品，請參閱這份說明文件)。在專案目錄中建立 MCP 設定檔，設定 Antigravity CLI 連線至該伺服器：
mkdir -p .agents
cat > .agents/mcp_config.json << EOF
{
"mcpServers": {
"bigquery": {
"serverUrl": "https://bigquery.googleapis.com/mcp",
"transport": "http",
"authProviderType": "google_credentials"
}
}
}
EOF
這項設定可以指示 AGY：
- BigQuery MCP 伺服器位置 (
serverUrl) - 使用 Google 憑證進行驗證 (
authProviderType)
設定位於工作區層級 (.agents/mcp_config.json)
我們可以從 Antigravity CLI 內部驗證設定，請先運作執行
agy
然後執行斜線指令 /mcp，驗證設定
/mcp
畫面會顯示類似以下內容：
然後按下 Esc 鍵，即可結束斜線指令互動
暫時退出 Antigravity CLI (按兩次 Ctrl+D)
8. 使用 Spec-Driven Development 開發功能
安裝技能/外掛程式並連結 BigQuery MCP 後，您現在可以使用規格導向的開發工作流程，正式指定 BigQuery 整合功能。這就是「先指定再編碼」的具體步驟。
請務必輸入 Antigravity CLI，並允許所有工具執行 (本示範會使用這個旗標)
agy --dangerously-skip-permissions
啟用原始人模式
開始 SDD 週期前，請啟用原始人模式，在整個多步驟工作流程中維持有效率的權杖用量：
/caveman:caveman
Antigravity CLI 的回覆會變得簡潔，刪除填充詞和客套話，但保留所有技術實質內容。每次交換的權杖越少，表示在相同配額內，對話的生產力越高。
開始 SDD 規格
使用功能要求提示 Antigravity CLI：
I want to add a BigQuery integration feature to this e-commerce dashboard app. Currently it reads
from CSV files in the data/ directory. I want to replace the CSV reads with live queries
against the thelook_ecommerce dataset in my BigQuery project using the
google-cloud-bigquery Python client library.
The dashboard should show the same panels (revenue trend, top products, order status,
category performance) but with the full dataset instead of the 500-row CSV subset.
Follow spec-driven-development for development workflow, ensure spec and plan docs created following the superpowers standard in current working directory; also use Bigquery MCP to figure out the data schema.
當超能力技能偵測到功能層級的要求時，就會自動啟動。AGY 會進入 SDD 週期，而不是直接跳到程式碼。
Antigravity CLI 會啟動程序，瞭解目前的專案並收集必要背景資訊。您會看到系統執行 ListDir 和 Read 等指令，如下所示
此外，系統也會使用先前設定的 BigQuery MCP 連線，尋找資料集的結構定義
這樣可確保 Antigravity CLI 在開始開發前擁有正確的環境
規定說明
Antigravity CLI 可能會詢問功能範圍的相關問題。常見問題包括：
- 專案 ID 應如何設定？
- 收益趨勢圖表應如何匯總及顯示？
- 整合時應採取哪些做法？直接 SQL 與本機 Pandas
您可以按照服務專員的建議回答這些問題
查看規格
釐清後，就會產生正式規格文件。如果正確按照指示操作，系統會遵循 obra/superpowers 技能慣例，在 docs/superpowers/specs 目錄下建立規格文件，如下所示：
規格文件大致如下
# BigQuery Integration Design Specification ## Overview This document specifies ... ## Architecture The application currently reads ... ## Data Schema & Sources All tables reside in the BigQuery ... ...
審查完畢後，我們需要確認規格，才能進入規劃階段
proceed with the specs
規劃階段和子代理程式執行
核准規格後，Antigravity CLI 會將規格分解為實作計畫，並寫入 docs/superpowers/plans 目錄。
計畫文件會列出多項內容，如下列範例所示：
- 要修改的檔案
- 要建立/更新的檔案
- 依附元件變更
- 工作細目
此外，系統也會建議使用 Antigravity CLI 支援的 subagent driven development，而非由單一代理程式依序執行所有作業，因為 Antiravity CLI 可以將工作委派給專門的子代理程式。導入期間，您可能會看到下列子代理程式：
- 工作實作者：根據計畫編寫特定工作所需的程式碼
- 工作審查員：根據規格審查實作的程式碼
- 最終程式碼審查員：在完成前，全面審查所有變更
如果系統顯示這類提示，請輸入以下內容
Use subagent driven development
稍後我們會看到，子代理程式會逐一委派工作
一段時間後，開發作業就會全部完成 ( 可能是在產生 Final Code Reviewer 代理程式後)。接下來，我們可以檢查結果
應用程式人工審查更新
所有工作完成後，我們就能檢查更新後的應用程式。按 Ctrl+D 兩次退出 Antigravity CLI，然後執行下列指令
bash configure_terminal.sh && uv run uvicorn src.main:app --host 0.0.0.0 --port 8080
如果開發成功，您現在應該會看到 Total Orders 顯示超過 12 萬筆訂單，並與 BigQuery 整合
恭喜！您現在已成功整合 BigQuery 與網頁應用程式，並充分運用 Antigravity CLI 的協助
9. (選用) 使用 Antigravity CLI 部署至 Cloud Run
您可以透過 Cloud Shell 網頁預覽功能，在本機使用資訊主頁。這個選用步驟會將應用程式部署至 Cloud Run，做為可公開存取的網路服務，展示 Antigravity CLI 的網域技能如何從開發延伸至營運。
cloud-run-basics 技能 (來自您先前安裝的 google/skills 外掛程式) 可讓 Antigravity CLI 瞭解 Cloud Run 部署模式、Dockerfile 需求、連接埠繫結和 gcloud run deploy 旗標。以來源為基礎的部署 (gcloud run deploy --source .) 會透過單一指令建構及部署，Cloud Build 會自動處理容器化作業。
啟用 Cloud Run API
啟用部署作業所需的 API：
gcloud services enable \
run.googleapis.com \
cloudbuild.googleapis.com \
cloudresourcemanager.googleapis.com
然後輸入 Antigravity CLI
agy --dangerously-skip-permissions
提示 Antigravity CLI 進行部署
請指示部署應用程式
Deploy this application to Cloud Run, name the service "bigquery-dashboard" and make it publicly accessible
這項技能會讀取 cloud-run-basics，瞭解部署目前專案網頁應用程式的需求
完成後，系統會驗證部署作業是否成功，並提供先前執行的部署程序摘要，如下例所示。您可以使用提供的網址存取應用程式
現在，您已透過 Antigravity CLI 完整部署並存取即時應用程式
10. 設定程序即將完成
您將電子商務資訊主頁從靜態 CSV 檔案升級為即時 BigQuery 資料，而且不必手動編寫應用程式程式碼。Antigravity CLI 透過嚴謹的規格導向開發工作流程處理實作作業，並透過可重複使用的技能和 MCP 的即時資料連線，引導開發作業。
您已經瞭解的內容
- 如何在 Cloud Shell 中使用 Antigravity CLI，透過 AI 輔助開發
- 瞭解代理程式技能，以及漸進式揭露如何維持脈絡窗口的效率
- 三類技能：方法 (超能力)、效率 (穴居人)、領域知識 (Google/技能)
- 什麼是 MCP，以及如何設定 BigQuery MCP 來存取即時資料
- 如何執行規格導向的開發週期 (指定 → 規劃 → 實作)，而非直覺式程式開發
- 瞭解 Antigravity CLI 如何產生子代理程式，讓開發作業更專注且有效率
清理
如要避免系統向您的 Google Cloud 帳戶收取本程式碼研究室所建立資源的費用，請刪除個別資源或整個專案。
方法 1：刪除專案 (建議)
最簡單的清理方式就是刪除專案。這會移除與專案相關聯的所有資源。
gcloud projects delete $GOOGLE_CLOUD_PROJECT
方法 2：刪除個別資源
如要保留專案，但只移除本程式碼研究室建立的資源，請按照下列步驟操作：
bq rm -r -f $GOOGLE_CLOUD_PROJECT:thelook_ecommerce
gcloud run services delete bigquery-dashboard --region us-central1 --quiet