---
title: '10 Antigravity 实操与生成提案'
video_id: MxyRjL7NG18
part: 10
---

> 章节 10 / 37 · [[00-总览|课程总览]] · 起始 [1:27:45](https://youtu.be/MxyRjL7NG18?t=5265)


## 章节主旨

以 Antigravity 这个 IDE 为舞台,现场走一遍能动工作流的实操:界面三区(文件浏览器 / 编辑器 / agent 窗口)、用 markdown 存指令的 directive 结构、让 agent 反过来改进自己的 directive,最后跑通一个「生成客户提案」的工作流,喂入外部演示数据得到成品提案。

## 核心论点

1. **IDE 界面天然分三区**:左侧文件浏览器、中间编辑器、右侧 agent 对话窗,分别对应「有什么指令 / 看改什么 / 跟谁对话」。([[#1-antigravity-三区界面-12749|→ 详解1]])
2. **指令用 markdown 文件承载**,一个 directive 就是一份写满输入、工具、过滤条件的 `.md`,而这份指令本身也是 AI 按几条要点代写的。([[#2-用-markdown-承载指令的-directive-12817|→ 详解2]])
3. **directives 与 executions 分文件夹**:前者存可复用的工作流定义,后者存每次运行的产物。([[#3-directives-与-executions-两个文件夹-12925|→ 详解3]])
4. **让 agent 改进自己的 directive** 是一种自迭代循环——问它有何改法、挑一条采纳、由它落地为新步骤。([[#4-让-agent-改进自己的-directive-12943|→ 详解4]])
5. **成品提案靠编排多模型**:用外部(ChatGPT)造演示数据喂入工作流,人只在关键处给几分钟输入,其余是等模型跑。([[#5-编排多模型跑出成品提案-13123|→ 详解5]])

## 知识点详解

### 1. Antigravity 三区界面 [1:27:49](https://youtu.be/MxyRjL7NG18?t=5269)

Antigravity 作为运行能动工作流的 IDE,布局和常见编辑器一致:左侧是文件浏览器,中间是编辑器(打开具体文件、改内容),右侧是 agent 窗口(与 agent 对话)。

作者示范时先给 agent 发了句「Hey, what's up?」,agent 回应时已经带上下文——它知道近期在做 YouTube 字幕分析、Panda 文档提案、线索抓取等工作流,能主动问「今天想处理哪个」。这说明 agent 窗口不是空白聊天,而是挂着项目上下文的助手。

### 2. 用 markdown 承载指令的 directive [1:28:17](https://youtu.be/MxyRjL7NG18?t=5297)

中间编辑器打开的是 `markdown.md` 类文件,这是承载大量指令的格式:蓝色标头、橙色文本、其余白字,靠着色区分结构。

作者打开的 directive 叫 Upwork scrape apply system:抓取匹配 AI 自动化关键词的 UpWork 职位,生成个性化求职信与提案,输出到 Google Sheet 并附一键申请链接,把「申请自由职业岗位」这件事大部分自动化。

directive 里定义了 inputs、tools、filter 等字段。关键一点:这一整份指令不是作者手写的,而是他给几条 bullet points、让 AI 代写出来的。用 AI 写另一个 AI 的指令,人退到「出要点、当发动机」的位置。([1:29:04](https://youtu.be/MxyRjL7NG18?t=5344))

### 3. directives 与 executions 两个文件夹 [1:29:25](https://youtu.be/MxyRjL7NG18?t=5365)

左侧文件浏览器把工作流拆成两类目录:directives 存工作流定义,executions 存每次运行的产物。

作者展开 directives,里面已搭好十几个流:除 Upwork scrape apply 外,还有 create proposal、cross niche outliers、deep research pitch 等约十五个。这构成一个可复用的「工作流库」,想跑哪个流就打开对应 directive。

### 4. 让 agent 改进自己的 directive [1:29:43](https://youtu.be/MxyRjL7NG18?t=5383)

在搭建工作流的过程中,可以直接问 agent:「create proposal 这个 directive 有什么可改进的?给几个替代方案。」由于系统提示已注入到 `agents.md` / `claude.md` / `gemini.md` 等初始化文件,agent 带着完整上下文按 directive 结构给建议。

Gemini 的 UX 会展示推理循环、进度更新、大计划,还给出可解释的思路。它一次提了五条:加人在环审核步骤、加 web enrichment、处理可变 token 数、稳健 JSON 解析、动态跟进邮件。作者只挑第二条(web enrichment)采纳,让模型据此更新 directive。

Antigravity/Gemini 的一个好处是把改动以「tracked changes(修订追踪)」清楚呈现:新增了一个 research client 步骤——若能从邮箱域名推断出网址就抓取落地页、分析并输出品牌调性与现状摘要。看清楚再一键 accept。([1:30:50](https://youtu.be/MxyRjL7NG18?t=5450))

这是一种自迭代思路:工作流不必一次写死,可让 agent 持续给出增量改法,人做取舍。与后文的 自退火工作流 是同一脉络的手动版。

### 5. 编排多模型跑出成品提案 [1:31:23](https://youtu.be/MxyRjL7NG18?t=5483)

这个 create proposal 工作流会向作者追问一堆客户信息。为做演示,作者对某数据集截图、丢进 ChatGPT,让它造一批示例客户数据(生成了 10 条,取其一),再喂回工作流。

这里的要点是编排多个 AI 模型:ChatGPT 当「复制粘贴式」的外部数据源,数据在工作流之外供给,而非让 Gemini 在自己上下文里凭空编——用外部真实感数据喂入,demo 才站得住。

最终产出是给假想客户 bright path learning 的完整提案(AI 驱动的学生成功预测器):含问题陈述、解决方案、定价等,干净成型。作者强调实际只花约 30 秒真正操作(截图、挑数据、点采纳),其余全是等模型跑——几分钟的人力就能实质改动一个工作流并产出成品。([1:32:17](https://youtu.be/MxyRjL7NG18?t=5537))

## 术语

- Antigravity——本课演示用的 agentic IDE,三区布局(文件浏览器 / 编辑器 / agent 窗口)。
- directive——用 markdown 写的一份工作流定义,含 inputs / tools / filter 等字段,可复用。
- execution——directive 每次运行产出的实例,与 directives 分文件夹存放。
- web enrichment——在生成提案前先抓取客户网站/落地页补充上下文的步骤。
- tracked changes——修订追踪,把 agent 对 directive 的改动逐处高亮供人核对再采纳。

## 自检问题

1. Antigravity 界面三个区各负责什么?
   **答案**:左侧文件浏览器(看有哪些 directive/execution)、中间编辑器(打开并修改具体文件)、右侧 agent 窗口(带项目上下文与 agent 对话)。[1:27:49](https://youtu.be/MxyRjL7NG18?t=5269)
2. Upwork scrape apply 这个 directive 的指令文本是谁写的?说明了什么?
   **答案**:不是作者手写,而是他给几条要点、让 AI 代写的;体现「用 AI 写另一个 AI 的指令」,人退居出要点/当发动机的角色。[1:29:04](https://youtu.be/MxyRjL7NG18?t=5344)
3. 作者做演示时为什么要开 ChatGPT 截图造数据,而不让 Gemini 自己编?
   **答案**:为编排多模型、用工作流之外供给的「真实感」外部数据喂入,避免同一模型在自身上下文里凭空生成,demo 更站得住。[1:31:23](https://youtu.be/MxyRjL7NG18?t=5483)