当你让一个AI编码助手去给人类基因组非编码变异打分、把错义突变映射到AlphaFold的3D结构上、从ChEMBL筛选纳摩尔级小分子抑制剂，或者用DeepMind的Aeneas模型复原一块两千年前的罗马铭文时，会发生什么？如果试图把40个科学API、限流器、临床安全护栏和3D WebGL可视化器塞进一个巨型提示词，助手会因上下文膨胀和参数幻觉而崩溃。Google Antigravity的解法是在运行时层面拆分：渐进披露的技能、常驻规则、生命周期钩子、环境变量配置协议，以及模型上下文协议加后台边车。这些机制共同构成了插件的定制架构。
这个架构的关键在于区分常驻行为护栏和按需执行流程。常驻规则始终占用少量token，用来约束编码标准和架构边界；技能只在被调用时加载，用完即释放。每个规则文件有24KB上限，规则总量控制在2万token以内。这种预算意识让插件可以捆绑40个科学技能和一个9工具的3D WebGL MCP服务器，却不拖慢日常编码回合。
Google DeepMind开源的science-skills仓库采用Apache 2.0和CC-BY 4.0许可，40个技能按领域组织。浏览源码可以发现五种值得复用的工程模式。
第一种是常驻行为路由。在自定义插件中，一条紧凑规则让助手在运行下游结构搜索或无头PyMOL渲染之前，自动审计3D坐标文件，并对低置信度的无序区域发出警告。规则不执行计算，只设定检查点，把判断留给后续脚本。
第二种是零污染的Python微环境。科学技能不在用户仓库里运行全局pip，而是用uv配合PEP 723内联脚本元数据，把依赖、限流和数学启发式封装在确定性脚本中。例如某技能使用硬性速率限制，并在遇到超大蛋白时自动回退到最长异构体；另一个技能禁止模型猜测结构域边界，改用20残基滑动窗口的预测对齐误差聚类算法。
第三种是本地环境变量配置模式。基因组和文献API通常需要个人密钥。如果助手要求用户把密钥粘贴到聊天中，密钥就会留在对话记录和模型上下文里。技能采用静默配置检查：用静默命令检查变量是否存在，只读取退出码；若缺失，助手立即停止并输出一条本地终端命令，让用户在隐藏击键的情况下输入；辅助脚本再通过内部加载，密钥不会出现在命令行参数或标准输出中。
第四种是后台边车与自定义3D工具服务器。Antigravity允许插件把MCP工具服务器与受管后台边车进程配对。边车支持多种运行时和程序化交互。一个零依赖的Python Stdio MCP服务器可以配合浏览器端的3D分子可视化工作室，让用户点击残基球体触发实时工具调用，查看pLDDT和变异影响分数，或上传自己的结构文件。
第五种是领域专用护栏。临床遗传学技能明确禁止把高变异影响分数外推为临床诊断或患者预后，只允许输出分子机制层面的解释；它还警告每个变异会输出大量文本，要求直接重定向到文件，避免标准输出淹没上下文窗口。古籍铭文技能则用特殊间隙语法标记缺失字符，并执行自包含规则，禁止助手用网络搜索覆盖Aeneas或Ithaca返回的神经复原概率。
因为40个技能共享会话的产物目录，Antigravity可以在一次研究会话中串联多个领域脚本和边车。精准肿瘤学流程可以评估EGFR L858R驱动突变、检查基因功能约束、查看3D活性位点置信度、排序纳摩尔级激酶抑制剂，最后用无头PyMOL或交互式工作室高亮口袋。非编码GWAS增强子变异流程则把SORT1位点变异映射到调控机制，输出严格限定在分子层面。暗蛋白质组酶发现流程要求用户先提供结构文件，否则技能立即停止，并强制在九个受支持的Foldseek数据库内验证。临床试验情报流程会先投影和精简庞大的试验JSON，把载荷缩小后再分析，并在多查询工作流之前提醒openFDA的每日配额限制。系统生物学流程有一条"绝不假设人类"的规则：即使用户只给基因符号，也必须先询问NCBI分类ID，再映射通路。
配套的插件食谱仓库提供了一个可安装的自定义插件，包含常驻QC门、零依赖PEP 723结构审计器、可复现性生命周期钩子和一键脚手架验证器。生命周期钩子接收结构化JSON载荷，在记录命令前剥离敏感环境变量和认证头，记录脚本版本与Git状态，对输入输出文件计算SHA-256摘要，并以JSONL追加写入。这样一条日志不仅说明钩子何时触发，还能还原当时执行的脚本版本和坐标文件，让科学结果可追溯。
如果你要为自己的领域构建插件，建议从一条常驻规则开始，把安全检查点固定下来；然后把重计算和API调用封装成带内联元数据的独立脚本，用退出码而不是聊天文本来传递状态；密钥只通过本地隐藏输入注入；最后用生命周期钩子记录足够的上下文，让每次运行都能复现。插件不是把更多工具塞给模型，而是决定哪些信息在何时以何种代价进入上下文。
