Erstellen Sie bessere KI-Agenten mit Google Antigravity-Fähigkeiten und -Workflows

Bild vom Herausgeber

# Einführung

Wahrscheinlich haben Sie bereits das Gefühl, dass die neue Ära der agentenorientierten künstlichen Intelligenz angebrochen ist und Entwickler auf neue Instruments zurückgreifen, die Code nicht nur reaktiv generieren, sondern die einzigartigen Prozesse hinter der Codegenerierung wirklich verstehen.

Google Antigravity hat dazu viel zu sagen. Dieses Software ist der Schlüssel zum Aufbau hochgradig anpassbarer Agenten. Dieser Artikel enthüllt einen Teil seines Potenzials, indem er drei Grundkonzepte entmystifiziert: Regeln, Fähigkeiten und Arbeitsabläufe.

In diesem Artikel erfahren Sie, wie Sie diese Schlüsselkonzepte miteinander verknüpfen, um robustere Agenten und leistungsstarke automatisierte Pipelines zu erstellen. Konkret führen wir einen Schritt-für-Schritt-Prozess durch, um einen Arbeitsablauf für einen Code-Qualitätssicherungs-(QA)-Agenten einzurichten, der auf festgelegten Regeln und Fähigkeiten basiert. Los geht’s!

# Die drei Kernkonzepte verstehen

Bevor wir uns die Hände schmutzig machen, ist es sinnvoll, die folgenden drei Elemente aufzuschlüsseln, die zum Google Antigravity-Ökosystem gehören:

• Regel: Dies sind die grundlegenden Einschränkungen, die das Verhalten des Agenten sowie die Artwork und Weise bestimmen, wie wir es an unseren Stack und unseren Stil anpassen. Sie werden als Markdown-Dateien gespeichert.
• Fähigkeit: Betrachten Sie Fähigkeiten als ein wiederverwendbares Paket mit Wissen, das den Agenten anleitet, wie er eine konkrete Aufgabe angehen soll. Sie werden in einem speziellen Ordner abgelegt, der eine Datei mit dem Namen enthält SKILL.md.
• Arbeitsablauf: Das sind die Orchestratoren, die alles zusammenfügen. Workflows werden durch die Verwendung befehlsähnlicher Anweisungen aufgerufen, denen ein Schrägstrich vorangestellt ist, z. B /deploy. Vereinfacht gesagt führen Workflows den Agenten durch einen Aktionsplan oder Ablauf, der intestine strukturiert ist und aus mehreren Schritten besteht. Dies ist der Schlüssel zur Automatisierung sich wiederholender Aufgaben ohne Präzisionsverlust.

# Maßnahmen ergreifen

Kommen wir zu unserem Praxisbeispiel. Wir werden sehen, wie man Antigravity für die Überprüfung konfiguriert Python Erstellen Sie Code, wenden Sie die korrekte Formatierung an und generieren Sie Assessments – und das alles, ohne dass zusätzliche Instruments von Drittanbietern erforderlich sind.

Bevor Sie diese Schritte ausführen, stellen Sie sicher, dass Sie Google Antigravity heruntergeladen und auf Ihrem Pc installiert haben.

Öffnen Sie nach der Set up die Desktop-Anwendung und Ihren Python-Projektordner. Wenn Sie mit dem Software noch nicht vertraut sind, werden Sie aufgefordert, einen Ordner im Dateisystem Ihres Computer systems zu definieren, der als Projektordner fungiert. Unabhängig davon besteht die Möglichkeit, einen manuell erstellten Ordner zu Antigravity hinzuzufügen, über die Possibility „Datei >> Ordner zum Arbeitsbereich hinzufügen …“ in der oberen Menüsymbolleiste.

Angenommen, Sie haben einen neuen, leeren Arbeitsbereichsordner. Erstellen Sie im Stammverzeichnis des Projektverzeichnisses (linke Seite) einen neuen Ordner und geben Sie ihm den Namen .brokers. In diesem Ordner erstellen wir zwei Unterordner: einen mit dem Namen guidelines und einer mit Namen abilities. Sie vermuten vielleicht, dass wir hier die beiden Säulen für das Verhalten unseres Agenten definieren: Regeln und Fähigkeiten.

Die Projektordnerhierarchie | Bild vom Autor

Definieren wir zunächst eine Regel, die unsere grundlegenden Einschränkungen enthält, die sicherstellen, dass der Agent die Python-Formatierungsstandards einhält. Dazu benötigen wir keine ausführliche Syntax: In Antigravity definieren wir sie mithilfe klarer Anweisungen in natürlicher Sprache. Im Inneren guidelines Unterordner erstellen Sie eine Datei mit dem Namen python-style.md und fügen Sie den folgenden Inhalt ein:

# Python Fashion Rule
All the time use PEP 8 requirements. When offering or refactoring code, assume we're utilizing `black` for formatting. Maintain dependencies strictly to free, open-source libraries to make sure our undertaking stays free-friendly.

Wenn Sie es auf den Punkt bringen möchten, gehen Sie zum Agentenanpassungsfenster, das auf der rechten Seite des Editors aktiviert wird, öffnen Sie es und suchen Sie die gerade definierte Regel und wählen Sie sie aus:

Anpassen der Aktivierung von Agentenregeln | Bild vom Autor

Über der gerade bearbeiteten Datei werden Anpassungsoptionen angezeigt. Setzen Sie das Aktivierungsmodell auf „glob“ und geben Sie dieses Glob-Muster an: **/*.pywie unten gezeigt:

Festlegen des Glob-Aktivierungsmodus | Bild vom Autor

Damit haben Sie lediglich sichergestellt, dass der Agent, der später gestartet wird, immer die Regel anwendet, die definiert wurde, wenn wir speziell an Python-Skripten arbeiten.

Als nächstes ist es an der Zeit, dem Agenten einige Fähigkeiten zu definieren (oder „beizubringen“). Dabei handelt es sich um die Fähigkeit, robuste Assessments für Python-Code durchzuführen – etwas, das in der anspruchsvollen Softwareentwicklungslandschaft von heute äußerst nützlich ist. Im Inneren abilities Unterordner erstellen wir einen weiteren Ordner mit dem Namen pytest-generator. Erstellen Sie eine SKILL.md darin eine Datei mit folgendem Inhalt:

Agentenfähigkeiten im Arbeitsbereich definieren | Bild vom Autor

Jetzt ist es an der Zeit, alles zusammenzustellen und unseren Agenten zu starten, aber nicht ohne zunächst in unserem Projektarbeitsbereich eine Beispiel-Python-Datei mit Code „schlechter Qualität“ zu haben, um alles auszuprobieren. Wenn Sie noch keines haben, versuchen Sie, ein neues zu erstellen .py Datei und nenne sie so etwas wie flawed_division.py im Stammverzeichnis und fügen Sie diesen Code hinzu:

def divide_numbers( x,y ):
  return x/y

Möglicherweise ist Ihnen aufgefallen, dass dieser Python-Code absichtlich chaotisch und fehlerhaft ist. Mal sehen, was unser Agent dagegen tun kann. Gehen Sie zum Anpassungsbereich auf der rechten Seite und konzentrieren Sie sich dieses Mal auf den Navigationsbereich „Workflows“. Klicken Sie auf „+Workspace“, um einen neuen Workflow zu erstellen, den wir aufrufen werden qa-checkmit diesem Inhalt:

# Title: Python QA Verify
# Description: Automates code assessment and check era for Python recordsdata.

Step 1: Evaluate the at the moment open Python file for bugs and magnificence points, adhering to our Python Fashion Rule.
Step 2: Refactor any inefficient code.
Step 3: Name the `pytest-generator` ability to put in writing complete unit assessments for the refactored code.
Step 4: Output the ultimate check code and recommend working `pytest` within the terminal.

Alle diese Teile werden, wenn sie vom Agenten zusammengeklebt werden, die Entwicklungsschleife als Ganzes verändern. Während die unordentliche Python-Datei noch im Arbeitsbereich geöffnet ist, starten wir unseren Agenten, indem wir auf das Agentensymbol im rechten Seitenbereich klicken und Folgendes eingeben qa-check Befehl und drücken Sie die Eingabetaste, um den Agenten auszuführen:

Aufrufen des QA-Workflows über die Agentenkonsole | Bild vom Autor

Nach der Ausführung hat der Agent den Code überarbeitet und automatisch eine neue Model in der Python-Datei vorgeschlagen, wie unten gezeigt:

Der vom Agent vorgeschlagene überarbeitete Code | Bild vom Autor

Aber das ist noch nicht alles: Der Agent verfügt auch über die umfassende Qualitätsprüfung, die wir gesucht haben, indem er eine Reihe von Code-Auszügen generiert, mit denen Sie verschiedene Arten von Assessments ausführen können pytest. Zur Veranschaulichung könnten einige dieser Assessments so aussehen:

import pytest
from flawed_division import divide_numbers

def test_divide_numbers_normal():
    assert divide_numbers(10, 2) == 5.0
    assert divide_numbers(9, 3) == 3.0

def test_divide_numbers_negative():
    assert divide_numbers(-10, 2) == -5.0
    assert divide_numbers(10, -2) == -5.0
    assert divide_numbers(-10, -2) == 5.0

def test_divide_numbers_float():
    assert divide_numbers(5.0, 2.0) == 2.5

def test_divide_numbers_zero_numerator():
    assert divide_numbers(0, 5) == 0.0

def test_divide_numbers_zero_denominator():
    with pytest.raises(ValueError, match="Can't divide by zero"):
        divide_numbers(10, 0)

Der gesamte vom Agenten durchgeführte sequentielle Prozess bestand darin, zunächst den Code unter den von uns durch Regeln definierten Einschränkungen zu analysieren und dann autonom die neu definierte Fähigkeit aufzurufen, um eine umfassende Teststrategie zu erstellen, die auf unsere Codebasis zugeschnitten ist.

# Zusammenfassung

Rückblickend haben wir in diesem Artikel gezeigt, wie man drei Schlüsselelemente von Google Antigravity – Regeln, Fähigkeiten und Arbeitsabläufe – kombinieren kann, um generische Agenten in spezialisierte, robuste und effiziente Arbeitskollegen zu verwandeln. Wir haben gezeigt, wie man einen Agenten darauf spezialisiert, unübersichtlichen Code korrekt zu formatieren und QA-Assessments zu definieren.

Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.