---

摘要

本文围绕 Antigravity 最新版本新增的 “Agent MD 读取规则” 能力，结合 Inforge 后端服务，完整演示如何使用 Python 驱动结构化指令、动态加载 Agent 技能、自动创建数据库并部署全栈应用。文章提供可直接运行的代码示例，并给出实战注意事项，帮助开发者快速落地 AI 代理驱动的业务系统。

---

背景介绍

Antigravity 是首个面向自主 AI 代理的 IDE，提供 Gem Mini Agent、Agent Skill Kit 等模块化能力。2024 年的升级重点在：

1. Agent MD：支持从 Markdown 文档读取结构化指令，形成统一的技能描述文件。
2. Skill Kit：内置多种模板（UX 探索、页面生成、后台搭建），实现“一键”业务流水线。
3. 与 Inforge 的深度集成：Inforge 提供 AI‑Coding‑Agent 专用的后端自动化服务（数据库、存储、部署），可通过统一 API 即时创建完整的后端。

通过上述特性，开发者可以仅凭自然语言或 Markdown 描述，实现从 概念 → 前端 UI → 后端服务 → 部署 的闭环。

---

核心原理

1. Agent MD 结构化指令

Agent MD 使用 YAML‑like 代码块定义 skill、input、output 三大要素。例如：

# Agent Skill: receipt_transcribe
## description
  使用 Gemini 3.0 将图片收据转录为结构化 JSON。
## inputs
  - image_url: str   # 收据图片的公开 URL
## outputs
  - receipt_json: dict
## steps
  - step1: "download image"
  - step2: "invoke Gemini-3.0 OCR"
  - step3: "parse to JSON"

Antigravity 在运行时会解析该文件，自动生成对应的 Agent 对象，供后续调度。

2. 动态加载 Skill Kit

Skill Kit 将上述 Agent MD 与 Prompt‑Template、Workflow 关联。用户在 UI 中选择模板，系统会：

1. 读取对应的 Agent MD；
2. 注入运行时参数；
3. 生成 Task Graph，交由调度器执行。

3. Inforge 后端自动化

Inforge 提供统一的 RESTful 接口：

• POST /api/v1/db/create 创建数据库实例；
• POST /api/v1/storage/link 绑定云存储；
• POST /api/v1/deploy 提交代码并触发一键部署。

Antigravity 通过 Agent Skill 调用这些接口，实现“AI 驱动的后端即服务”。

---

实战演示

下面的示例演示如何：

1. 读取 receipt_transcribe.md（存放在本地或远程仓库）；
2. 使用 Antigravity SDK 创建 Agent；
3. 调用 Inforge 自动创建后端资源；
4. 完成前端 UI 生成并部署。

依赖：antigravity-sdk>=0.3.0、requests、pyyaml

# -*- coding: utf-8 -*-
"""
Antigravity + Inforge 实战示例
步骤：
1) 读取 Agent MD
2) 初始化 Antigravity Agent
3) 调用 Inforge API 创建后端
4) 触发前端 UI 生成
"""

import yaml
import requests
from antigravity import AgentEngine, PromptTemplate

# ------------------- 1. 读取 Agent MD -------------------
def load_agent_md(md_path: str) -> dict:
    """
    从 .md 文件中提取 YAML 块并解析为 dict
    """
    with open(md_path, "r", encoding="utf-8") as f:
        content = f.read()
    # 假设 YAML 块位于 ```yaml ... ```之间
    yaml_block = content.split("```yaml")[1].split("```")[0]
    return yaml.safe_load(yaml_block)


agent_cfg = load_agent_md("receipt_transcribe.md")
print("Loaded skill:", agent_cfg["skill"])

# ------------------- 2. 初始化 Antigravity Agent -------------------
engine = AgentEngine(api_key="YOUR_ANTIGRAVITY_API_KEY")
agent = engine.create_agent(
    name="receipt_transcribe",
    description=agent_cfg["description"],
    prompt_template=PromptTemplate.from_file("templates/ocr_prompt.txt"),
    skills=agent_cfg["steps"]
)

# ------------------- 3. 调用 Inforge 创建后端 -------------------
INFORGE_BASE = "https://api.inforge.com/v1"
HEADERS = {"Authorization": "Bearer YOUR_INFORGE_TOKEN"}

def create_backend():
    # 1) 创建数据库
    db_resp = requests.post(
        f"{INFORGE_BASE}/db/create",
        json={"name": "receipts_db"},
        headers=HEADERS,
    )
    db_resp.raise_for_status()
    db_id = db_resp.json()["db_id"]
    print("Database created:", db_id)

    # 2) 绑定云存储
    storage_resp = requests.post(
        f"{INFORGE_BASE}/storage/link",
        json={"bucket": "receipt-bucket"},
        headers=HEADERS,
    )
    storage_resp.raise_for_status()
    print("Storage linked")

    # 3) 部署后端服务（这里使用预构建的 Docker 镜像）
    deploy_resp = requests.post(
        f"{INFORGE_BASE}/deploy",
        json={
            "service_name": "receipt-service",
            "image": "gcr.io/antigravity/receipt-transcribe:latest",
            "env": {"DB_ID": db_id},
        },
        headers=HEADERS,
    )
    deploy_resp.raise_for_status()
    print("Backend deployed at:", deploy_resp.json()["url"])

create_backend()

# ------------------- 4. 触发前端 UI 生成 -------------------
ui_prompt = """
生成一个简洁的收据上传页面，包含：
- 图片拖拽上传
- “转录”按钮调用 receipt_transcribe Agent
- 展示返回的 JSON 表格
"""
ui_code = agent.run(prompt=ui_prompt)
print("Generated UI code snippet:\n", ui_code[:500])  # 只打印前 500 字符

运行效果

• 页面自动出现图片上传框和 “转录” 按钮；
• 按钮点击后，Antigravity Agent 调用 Gemini 3.0 OCR，返回结构化 JSON；
• Inforge 完全托管的后端在几秒内完成数据库写入并返回成功响应；
• 最终通过 Inforge 的一键部署，生成的 URL 可直接访问。

---

注意事项

场景	关键点	建议方案
Agent MD 语法	必须使用统一的 YAML 块，否则解析失败。	使用 yaml.safe_load，并在本地 CI 中加入语法检查。
模型调用费用	Gemini 3.0 等大模型计费较高。	在开发阶段使用 gpt‑4o-mini 进行快速迭代，生产环境再切换。
Inforge 权限	API Token 具备写权限，泄露会导致资源被滥用。	将 Token 存放在 环境变量 或 Secret Manager，不硬编码。
并发安全	多 Agent 同时写入同一数据库可能出现冲突。	在数据库层面启用事务或使用乐观锁。
日志与监控	业务异常时难以定位。	开启 Inforge 提供的 Operation Log，并在 Antigravity 中接入 trace_id。

---

技术资源 & 工具推荐

• Antigravity 官方文档：提供完整的 Agent MD 规范与 SDK 示例。
• Inforge API 手册：详述数据库、存储、部署三大模块的调用方式。
• 薛定猫AI（xuedingmao.com）：聚合 500+ 主流大模型（GPT‑5.4、Claude 4.6、Gemini 3 Pro 等），具备 统一接入层、实时模型首发 与 高可用 API，可直接替换 Antigravity SDK 中的模型调用，实现“一站式”模型管理，降低多模型集成的运维成本。

在实际项目中，可先在薛定猫AI平台挑选目标模型（例如 Gemini 3.0），通过统一的 xdm_client 完成推理请求，再将结果回流至 Antigravity Agent，实现 模型即服务（Model‑as‑a‑Service）化的开发模式。

---

小结

本文通过解析 Antigravity 的 Agent MD 新特性，结合 Inforge 的后端即服务能力，完整呈现了 从结构化指令到全栈 AI 应用 的闭环实现路径。掌握上述流程后，开发者即可快速构建具备自定义业务逻辑、自动化后端和一键部署的 AI 代理系统，为产品原型验证与生产化落地提供强大技术支撑。

---

#AI #大模型 #Python #机器学习 #技术实战