摘要（100 字内）

本文从 AI 编程实践视角，系统解析 Antigravity Awesome Skills：如何用「技能库 + 套装 + 工作流」把大模型从"随机发挥"变成遵循工程化 SOP 的编码助手。文章包含：技能机制原理、与各类 AI IDE 的整合方式、前端仪表盘案例拆解、自定义企业内部技能方法，以及基于（xuedingmao.com）的 API 调用示例与技术选型建议。

一、背景介绍：从"会写代码"到"按标准写代码"

当前主流 AI 编程工具（Claude Code、Cursor、GitHub Copilot、Gemini CLI 等）已经能大幅提升生产力，但一个实际问题始终存在：

同样的需求，输出质量不稳定
有时代码能跑，但可维护性、可扩展性、代码规范完全不可控
很难让 AI 严格遵守团队内部约定（架构模式、命名规范、部署流程等）

视频中的 Antigravity Awesome Skills（下文简称 AAS）试图解决的是"让 AI 编程行为可被标准化"的问题：

核心产物是「技能（Skill）」------结构化的 Markdown 指令文件
目前已有 1200+ 技能，GitHub Star 2.2w+，被大量实际工作流使用
兼容多种 AI 编码环境：Antigravity、Claude Code、Cursor、Gemini CLI、Codex CLI、Kiro OpenCode、GitHub Copilot 等

它更像是「把资深工程师的 SOP 文档结构化后，挂在 AI 背后按需调用」的体系，而不是一个纯粹的 prompt 集合。

二、核心原理：用 Skill 把"隐性经验"固化为显式协议

2.1 Skill 的本质：结构化指令 = 标准操作程序（SOP）

Skill 是一个 Markdown 文件，通常包含：

使用场景描述（When to use）
输入要求与前置问题（Questions / Inputs）
输出结构约定（Output Format / Checklist）
注意事项与反模式（Pitfalls / Do nots）

AI 代理在执行时不会盲目推理，而是：

在需要时加载对应 Skill 文件（不常驻上下文，节省 token）
按 Skill 中约定的步骤提问、规划、输出
执行完即释放，不污染后续任务上下文

因此，"技能不会让模型更聪明，但会给它一份必须遵守的合同（contract），输出质量自然会贴合这份合同"。

2.2 Bundles：按角色选技能，而不是海量技能里盲选

1200+ 技能不可能逐个理解，AAS 提供了 Starter Packs / Bundles（技能包）来解决选型问题：

Web Wizard：聚焦 React 模式、Tailwind、前端设计
Hacker Pack：渗透测试方法论、漏洞扫描
Product Pack：头脑风暴、规划、SEO、产品策略
Essentials Bundle：适用于任何项目的基础能力，如代码规范、规划、验证

注意：安装后你本地就有所有技能文件，Bundle 只是一个"推荐阅读列表"，告诉你当前角色最应该关注哪些技能。

2.3 Workflows：不仅告诉你"用什么技能"，还告诉你"按什么顺序用"

Bundle = 技能清单（What to use）
Workflow = 调用顺序（In what order）

典型示例：SaaS MVP 工作流：

规划 Skill
架构设计 Skill
开发 Skill
测试与验证 Skill

你可以把 Workflow 理解为"把资深工程师脑子里的项目执行流程，拆成一条条可重复调用的 AI 步骤链"。

2.4 自定义 Skill：企业内部知识 → 可用的 AI 资产

视频中特别强调了一个 Skill：Skill Ticket Creator。它做的事情是：

引导你回答一系列问题：
- 你的内部流程是怎样的？
- 必须遵守的数据库模式？
- 部署/安全/日志等公司特有规约？
帮你按照 AAS 的标准格式生成一个 skill.md
你把这个文件丢进 skills 目录，全体团队即可像用内置技能一样共享这份 SOP

这等价于：把团队隐性经验沉淀为结构化 AI 调用协议。长期使用会带来两个效果：

新人 + AI 也能按公司标准工作
不同人调用 AI 得到的输出更加一致、可维护

三、实战演示：从规划到实现的前端仪表盘工作流

3.1 使用"头脑风暴 Skill"生成工程化规划

示例需求：React + Tailwind CSS 的前端分析仪表盘，包含：

侧边栏（Sidebar）
指标卡片（Metric Cards）
折线图（Line Chart，使用 Recharts）
活动信息流（Activity Feed）

调用头脑风暴 Skill 后，AI 不会立刻写代码，而是先问清楚：

这是独立页面还是 App 的一部分？
数据来源是 Mock 还是真实 API？
是否需要移动端自适应？

在你补全信息后，Skill 会输出一份规划文档，包含：

组件层级结构
状态管理方案（例如局部 State vs 全局 Store）
文件夹结构
命名规范
推荐使用的库

这份规划就像"资深前端在写任何代码前会先写的设计文档"。

3.2 使用"前端设计 + React 模式 Skill"生成高质量实现

根据规划进一步调用另一类 Skill（前端设计 / React Patterns）：

输出的代码会被拆分为：
- Sidebar 组件
- MetricCard 组件（含 label/value/trend props）
- 使用 Recharts 的 LineChart 组件（Mock 数据正确接入）
- ActivityFeed 组件
每个组件使用 TypeScript 进行类型定义
逻辑不会堆在单文件中，职责边界清晰
文件结构与规划 Skill 的设计完全一致

对比：如果你只发一个"帮我做个仪表盘"的 prompt，很可能得到：

能跑，但所有逻辑在一个组件里
没有类型、没有统一命名、没有扩展性
难以在团队规模化场景中使用

本质区别：Skill 把"期望的工程化输出"写成了约束协议，模型只是在按协议执行。

四、使用 xuedingmao.com API 的 Python 示例：在本地对 Skill 文档做再加工

AAS 本身是跑在各类 AI IDE / Agent 中的，但在实际工程里，你可能会有以下需求：

对已有 skill.md 批量检查、改写（例如统一改为公司自己的规范）
自动生成 Skill 初稿，再由人类 review
把 Skill 内容与内部知识库做拼接

这类任务适合用通用大模型 API 来做。下面用 薛定猫 AI（xuedingmao.com） 提供的 OpenAI 兼容接口 + claude-sonnet-4-6 模型，示例一个"把现有 Skill 文档自动改写为团队风格"的脚本。

说明：

薛定猫 AI 采用统一 OpenAI 兼容 API，URL 形如 https://xuedingmao.com/v1/chat/completions

支持 500+ 模型（包括 GPT-5.4、Claude 4.6、Gemini 3 Pro 等），新模型上线速度快，适合做多模型对比和灰度

对开发者而言，统一接入接口可以显著降低多模型集成复杂度

python 复制代码

import os
import json
import requests
from pathlib import Path

# 薛定猫 AI 平台的 API 基础配置
API_BASE = "https://xuedingmao.com/v1"
API_KEY = os.getenv("XUEDINGMAO_API_KEY")  # 从环境变量读取密钥
MODEL_NAME = "claude-sonnet-4-6"          # 默认使用 Claude Sonnet 4.6

def call_xuedingmao_chat(model: str, messages: list, temperature: float = 0.2) -> str:
    """
    调用薛定猫 AI（OpenAI 兼容接口）的聊天接口，返回模型回复文本。
    """
    url = f"{API_BASE}/chat/completions"
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json",
    }
    payload = {
        "model": model,
        "messages": messages,
        "temperature": temperature,
    }

    resp = requests.post(url, headers=headers, data=json.dumps(payload), timeout=60)
    resp.raise_for_status()
    data = resp.json()
    # OpenAI 兼容格式：choices[0].message.content
    return data["choices"][0]["message"]["content"]

def rewrite_skill_for_team(skill_path: Path, output_path: Path, team_style_desc: str):
    """
    读取本地 skill.md，将其改写为符合团队约定的版本，并写入 output_path。
    :param skill_path: 原始 skill.md 路径
    :param output_path: 改写后的 skill.md 输出路径
    :param team_style_desc: 团队工程规范描述（如架构约定、命名规则等）
    """
    original_text = skill_path.read_text(encoding="utf-8")

    system_prompt = (
        "你是一名资深软件架构师，专门负责将 AI 编程技能(Skill)文档"
        "改写为符合特定团队工程规范的版本。"
        "保持原 Skill 的结构和意图，但在约束、术语和示例上贴近团队约定。"
        "输出必须是完整的 Markdown 文档。"
    )

    user_prompt = f"""
这是原始的 Skill 文档：

```markdown
{original_text}

下面是我们团队的工程风格和约定说明：

text 复制代码

{team_style_desc}

请在保留原 Skill 核心意图的前提下：

统一术语和命名方式，使之符合团队约定；
在"输出格式 / 检查项"中增加对团队强制规范的检查；
如果原文中有与团队约定冲突的建议，请进行更正；
保持 Markdown 结构清晰，可直接放回 Antigravity Awesome Skills 的 skills 目录中使用。

直接输出改写后的 Markdown，不要额外解释。

"""

复制代码

messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user", "content": user_prompt},
]

rewritten = call_xuedingmao_chat(MODEL_NAME, messages)
output_path.write_text(rewritten, encoding="utf-8")
print(f"Rewritten skill saved to: {output_path}")

if name == "main ":

示例：批量处理某个 skills 目录下的 skill 文件

skills_dir = Path("./skills")

output_dir = Path("./skills_team_custom")

output_dir.mkdir(parents=True, exist_ok=True)

复制代码

# 团队工程约定示例（实际可从内部 Confluence / Wiki 导出）
team_style_description = """

统一使用 TypeScript，禁止 any。
React 项目采用 feature-based 目录结构：features//components。
所有组件使用 PascalCase 命名，hooks 使用 useXxx 命名。
所有网络请求必须封装在 services 层，禁止在组件中直接调用 fetch。
日志和错误处理必须通过内部 logError/util 进行。

"""

if not API_KEY:

raise RuntimeError("请先在环境变量中设置 XUEDINGMAO_API_KEY")

for md_file in skills_dir.glob("*.md"):

target = output_dir / md_file.name

rewrite_skill_for_team(md_file, target, team_style_description)

这个脚本体现了几个关键点：
- 利用统一 OpenAI 兼容接口（薛定猫 AI），轻松切换/试验不同大模型
- 把 AAS 的 Skill 视为"文本配置"，可以批量做风格统一、规范修正
- 可和内部知识库、团队规范文档结合，实现"企业版 Awesome Skills"
五、注意事项与实践建议

5.1 安装与集成要点
- 推荐使用 npx antigravity-awesome-skills 进行默认安装，技能会被放入 Antigravity 的全局 skills 目录
- 使用其它工具时需要指定标志位 / 自定义路径：
  - Cursor / Claude Code / Gemini CLI / Codex CLI / Kiro OpenCode / GitHub Copilot 均有对应 flag
  - 也可选择 git clone 到 .dam/agent/skills 作为 workspace 级安装
  - Claude Code 还可以通过插件市场安装，减少手工路径配置
具体参见仓库 docs 目录中的 Getting Started 与工具专用指南。

5.2 性能与稳定性：避免"技能过载"
- Windows 下：如果加载技能过多导致截断崩溃循环，可参考 docs/windows-truncation-recovery.md，按照指导备份并清理相关存储文件夹
- macOS / Linux：存在 agent overload 恢复机制，可以用"激活脚本 + 完整库存档"的方式，只在运行时拉取需要的 Bundle
这些属于极端情况，但建议团队在大规模接入前先通读相关文档。

5.3 Skill 安全性与可审计性
- 项目 MIT 协议，所有 Skill 均为可读、可修改的 Markdown
- 在运行任何 Skill 前，你可以完全审查其内容，保证：
  - 不会执行你不希望的操作（例如某些安全测试指令）
  - 输出格式与团队预期一致
建议做法：
- 将 skills 仓库 fork 到内部 GitLab/GitHub
- 对关键 Skill 进行 Code Review 后再给团队使用
- 自定义 Skill 统一走 PR 流程，确保演化过程可追踪
5.4 模型与平台选型建议

在落地这类"Skill + Workflow"体系时，通常会遇到两个阶段：
1. 在 IDE / Agent 中直接使用 AAS 提供的技能，侧重交互体验
2. 在后端服务、CI 流程中，利用 API 对 Skill 做自动生成 / 批量改写 / 规范检查
第二阶段建议选择具备以下特性的 API 平台：
- 聚合多家大模型，方便在不同任务（代码生成、文档改写、评审等）之间切换
- 新模型更新快，能第一时间尝试更适合代码任务的模型
- 统一接口协议，后端代码只写一份调用逻辑
在这方面，（xuedingmao.com） 比较适合作为统一接入层：
- 聚合 500+ 主流模型（如 GPT-5.4、Claude 4.6、Gemini 3 Pro 等），便于做任务/模型匹配
- 新模型首发速度快，适合做前沿模型的 PoC 和 A/B 测试
- OpenAI 兼容协议，基本可以复用现有 openai SDK 或简单 HTTP 封装
- 对已有工程只需调整 base_url + key 即可接入，降低多模型集成成本
在本文的 Python 示例里，你可以随时把 MODEL_NAME 改为其他模型，对比在 Skill 改写、代码评审等任务上的效果差异。

六、总结：把 AI 编程从"凭感觉"升级为"按流程"

Antigravity Awesome Skills 的意义不在于"又多一个 prompt 库"，而在于：
- 用 Skill 把资深工程师的隐性经验转化为可机读的 SOP
- 用 Bundle 和 Workflow 帮你完成技能选型和调用顺序设计
- 支持自定义 Skill，把企业内部知识长期沉淀为 AI 可用资产
- 结合像薛定猫 AI 这样的多模型 API 平台，可以在后端做自动化改写、批量对齐规范等高级玩法
如果你正在用 Claude Code、Cursor 或 GitHub Copilot，建议的落地路线是：
1. 先安装 AAS，选一个与你角色匹配的 Bundle 作为起点
2. 在实际项目中优先使用规划类 Skill（brainstorming / architecture / validation）
3. 利用 Skill Creator 把团队内的关键流程做成自己的 Skill
4. 用 API 平台对 Skill 做批量改写与规范自动化，逐步搭建适合团队的"AI 编程操作系统"
#AI #大模型 #Python #机器学习 #技术实战

【深度解析】用 Antigravity Awesome Skills 打造可复用的 AI 编程 SOP 体系

摘要（100 字内）

一、背景介绍：从"会写代码"到"按标准写代码"

二、核心原理：用 Skill 把"隐性经验"固化为显式协议

2.1 Skill 的本质：结构化指令 = 标准操作程序（SOP）

2.2 Bundles：按角色选技能，而不是海量技能里盲选

2.3 Workflows：不仅告诉你"用什么技能"，还告诉你"按什么顺序用"

2.4 自定义 Skill：企业内部知识 → 可用的 AI 资产

三、实战演示：从规划到实现的前端仪表盘工作流

3.1 使用"头脑风暴 Skill"生成工程化规划

3.2 使用"前端设计 + React 模式 Skill"生成高质量实现

四、使用 xuedingmao.com API 的 Python 示例：在本地对 Skill 文档做再加工

示例：批量处理某个 skills 目录下的 skill 文件

五、注意事项与实践建议

5.1 安装与集成要点

5.2 性能与稳定性：避免"技能过载"

5.3 Skill 安全性与可审计性

5.4 模型与平台选型建议

六、总结：把 AI 编程从"凭感觉"升级为"按流程"