AI 工作空间模板

面向任意代码库的多智能体知识引擎。

ag-refresh 构建知识库。ag-ask 回答问题。任何大模型，任何 IDE。

语言：英语 | 中文 | 西班牙语

为什么选择 Antigravity？

一个 AI 智能体的能力上限 = 它所能读取的上下文质量。

引擎是核心：ag-refresh 部署一个多智能体集群，自主读取你的代码——每个模块都有自己的智能体，生成一份知识文档。ag-ask 将问题路由到合适的智能体，基于真实的代码、文件路径和行号给出答案。

在 OpenClaw（1.2万文件，34.8万星）上使用 MiniMax2.7 测试——模块问答得分为 10/10，43 分钟内自学习了 111 个模块。 完整评估见下文。

传统方法：              Antigravity 方法：
  CLAUDE.md = 5000 行文档     Claude Code 调用 ask_project("auth 是如何工作的？")
  智能体读取所有内容，大多忘记   路由器 → 模块智能体读取实际源码，返回精确答案
  幻觉率居高不下      基于真实代码、文件路径和 Git 历史

架构是 文件 + 实时问答引擎，而非插件。可在任何 IDE、任何大模型之间移植，无厂商锁定。

快速开始

选项 A — 引擎：针对你的代码库的多智能体问答（推荐）

# 1. 安装引擎 + CLI
pip install "git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=cli"
pip install "git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=engine"

# 2. 使用任何兼容 OpenAI 的 API 密钥配置 .env
cd my-project
cat > .env <<EOF
OPENAI_BASE_URL=https://your-endpoint/v1
OPENAI_API_KEY=your-key
OPENAI_MODEL=your-model
AG_ASK_TIMEOUT_SECONDS=120
EOF

# 3. 构建知识库（模块智能体自学习每个模块）
ag-refresh --workspace .

# 4. 随便提问
ag-ask "这个项目中的 auth 是如何工作的？"

# 5. （可选）注册为 Claude Code 的 MCP 服务器
claude mcp add antigravity ag-mcp -- --workspace $(pwd)

选项 B — 仅上下文文件（任何 IDE，无需大模型）

pip install git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=cli
ag init my-project && cd my-project
# IDE 入口文件会引导生成 AGENTS.md；动态知识存储在 .antigravity/ 中

功能概览

  ag init             将上下文文件注入任何项目中（--force 可覆盖）
       │
       ▼
  .antigravity/       共享知识库 — 每个 IDE 都会从中读取
       │
       ├──► ag-refresh     动态多智能体自学习 → 模块知识文档 + 结构图
       ├──► ag-ask         路由器 → 模块智能体实时代码证据问答
       └──► ag-mcp         MCP 服务器 → Claude Code 直接调用

动态多智能体集群 — 在 ag-refresh 过程中，引擎采用 智能功能分组：根据知识图谱中的导入关系、目录位置以及文件名前缀对文件进行分组。源代码直接预加载到智能体上下文中（无需工具调用），构建产物则会被自动过滤掉。每个子智能体在一次大模型调用中分析约 3 万 token 的专注且功能相关的代码。随后，RegistryAgent 会将所有模块总结成一个语义注册表。在 ag-ask 过程中，Router 会读取该注册表，了解 每个模块负责的内容，并将问题路由到正确的模块智能体。由 OpenAI Agent SDK + LiteLLM 提供支持。

GitAgent — 专门用于分析 Git 历史的智能体 — 能够理解谁在何时更改了什么以及原因。

GitNexus 增强（可选） — 安装 GitNexus 可以自动解锁语义搜索、调用图和影响分析功能，供每个模块智能体使用。

CLI 命令

ag ask / ag refresh 在同时安装了 cli/ 和 engine/ 时可用。ag-ask / ag-refresh 是仅引擎的入口点。

两个包，一个工作流

antigravity-workspace-template/
├── cli/                     # ag CLI — 轻量级，可通过 pip 安装
│   └── templates/           # .cursorrules, CLAUDE.md, .antigravity/, ...
└── engine/                  # 多智能体引擎 + 知识库
    └── antigravity_engine/
        ├── _cli_entry.py    # ag-ask / ag-refresh / ag-mcp + python -m dispatch
        ├── config.py        # Pydantic 配置
        ├── hub/             # ★ 核心：多智能体集群
        │   ├── agents.py    #   路由器 + 模块代理 + Git 代理
        │   ├── ask_pipeline.py
        │   ├── refresh_pipeline.py
        │   ├── ask_tools.py
        │   ├── scanner.py
        │   ├── structure.py
        │   ├── knowledge_graph.py
        │   ├── retrieval_graph.py
        │   ├── pipeline.py  #   兼容性重导出适配层
        │   └── mcp_server.py
        ├── mcp_client.py    # MCP 消费者（连接外部工具）
        ├── memory.py        # 持久化交互记忆
        ├── tools/           # MCP 查询工具 + 扩展
        ├── skills/          # 技能加载器
        └── sandbox/         # 代码执行（本地 / 微沙盒）

CLI (pip install .../cli) — 无 LLM 依赖。注入模板，离线记录报告和决策。

引擎 (pip install .../engine) — 多智能体运行时。支持 ag-ask、ag-refresh、ag-mcp。兼容 Gemini、OpenAI、Ollama 或任何 OpenAI 兼容的 API。

新技能打包更新：

• engine/antigravity_engine/skills/graph-retrieval/ — 面向图结构的检索工具，用于结构和调用路径推理。
• engine/antigravity_engine/skills/knowledge-layer/ — 项目知识层工具，用于语义上下文整合。

# 安装两者以获得完整体验
pip install "git+https://...#subdirectory=cli"
pip install "git+https://...#subdirectory=engine"

对于在此仓库本身进行本地开发：

python3 -m venv venv
source venv/bin/activate
pip install -e ./cli -e './engine[dev]'
pytest engine/tests cli/tests

工作原理

1. ag init — 注入上下文文件

ag init my-project
# 已经初始化过？使用 --force 覆盖：
ag init my-project --force

创建 AGENTS.md（权威行为规则）、IDE 引导文件（.cursorrules、CLAUDE.md、.windsurfrules、.clinerules、.github/copilot-instructions.md）以及 .antigravity/ 动态上下文文件。

2. ag-refresh — 多智能体自学习

ag-refresh --workspace my-project

8 步流程：

1. 扫描代码库（语言、框架、结构）
2. 多智能体流水线生成 conventions.md
3. 生成 structure.md 结构地图
4. 构建知识图谱（knowledge_graph.json + mermaid）
5. 编写文档/数据/媒体索引
6. 智能功能分组 — 根据导入图、目录和前缀对文件进行分组，预加载到上下文中（每个子代理约 3 万 token），过滤掉构建产物（dist、bundles、vendor、编译文件）。每个子代理在一次 LLM 调用中完成深度分析。多组模块会由合并代理处理。
7. RefreshGitAgent 分析 git 历史，生成 _git_insights.md
8. RegistryAgent 读取所有知识产物 → 调用 LLM → 生成 module_registry.md（每个模块 2–3 句话的语义描述，供路由器进行智能路由）

3. ag-ask — 基于路由器的问答

ag-ask "这个项目中的认证是如何工作的？"

路由器读取 structure.md 地图，将问题路由到合适的 模块代理（已加载该模块的知识文档）或 Git 代理（理解 git 历史）。对于跨模块的问题，代理之间可以相互交接。

IDE 兼容性

架构被编码在 文件 中 — 任何读取项目文件的代理都会受益：

这些文件均由 ag init 生成：AGENTS.md 是单一的行为准则手册，IDE 特定文件是轻量级引导文件，而 .antigravity/ 则存储共享的动态项目上下文。

高级功能

# 安装引擎
pip install "git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=engine"

# 首先刷新知识库（模块代理会自我学习每个模块）
ag-refresh --workspace /path/to/project

# 在 Claude Code 中注册为 MCP 服务器
claude mcp add antigravity ag-mcp -- --workspace /path/to/project

 ag-refresh (v2 — 智能分组):         ag-ask:

 对于每个模块：                          路由器（读取 module_registry.md）
 ┌ 按导入图对文件分组               ├──→ Module_engine（预加载 engine.md）
 ├ 为每个子智能体预加载 ~30K 个 token   ├──→ Module_cli（预加载 cli.md）
 ├ 过滤掉构建产物                    ├──→ GitAgent（预加载 _git.md）
 ├ 子智能体在一次 LLM 调用中分别分析  └──→ 智能体之间可以相互交接任务
 ├ 合并智能体的输出
 └─ RegistryAgent ────→ registry.md

# ModuleAgents 自学您的代码库
ag-refresh

# 仅扫描自上次刷新以来更改的文件
ag-refresh --quick

# 路由器智能地将请求路由到正确的 ModuleAgent
ag-ask "这个项目使用了哪些测试模式？"

# 记录发现和决策（无需 LLM）
ag report "Auth 模块需要重构"
ag log-decision "使用 PostgreSQL" "团队有深厚的专业经验"

// mcp_servers.json
{
  "servers": [
    {
      "name": "github",
      "transport": "stdio",
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "enabled": true
    }
  ]
}

# 1. 安装 GitNexus（需要 Node.js）
npm install -g gitnexus

# 2. 索引您的项目（一次性操作，创建本地知识图谱）
cd my-project
gitnexus analyze .

# 3. 像往常一样使用 ag-ask——GitNexus 工具会自动被检测到
ag-ask "认证流程是如何工作的？"

实际评测：MiniMax2.7 在 OpenClaw 上的性能（12K 个文件，348K 颗星）

使用 MiniMax2.7 免费 API，针对 OpenClaw——最受欢迎的开源 AI 助手（TypeScript + Swift + Kotlin，12,133 个文件）——进行了测试。

刷新结果

$ ag-refresh --workspace /path/to/openclaw
[1/3] 扫描项目... 5000 个文件，0.14 秒
[7/8] ▶ 运行 154 个模块（并发度=8）...
      自动拆分：extensions/ → 50 多个子模块（slack、telegram、whatsapp 等）
      自动拆分：src/ → 40 多个子模块（agents、gateway、config 等）
[8/8] module_registry ✅ 164 行

总耗时：42 分 52 秒 | 111 份模块文档 | 1.5MB 知识库

询问评估矩阵（11 项测试）

关键发现：自动拆分释放模块级卓越能力

 ✅ 模块级问答（5/5）              ⚠️ 跨模块问题              ❌ 免费 API 限制
 ──────────────────────────             ────────────────────────              ─────────────────
 Telegram：架构图         Gateway：超时                      大上下文返回413错误
 Discord：音频管道 + 代码   测试：超时                        限流（429）
 WhatsApp：认证 + 插件系统 技术栈：超时
每个模块都有自己的知识文档 需要更快的模型或更高的超时设置

分数

性能对比

变化之处： 大型模块（如 extensions/ 包含 262 个组，src/ 包含 363 个组）现在会自动拆分为独立的子模块。所有模块并行运行（并发度为 8）。这使得 OpenClaw 的刷新时间从 5 小时以上（从未完成） 缩短到 43 分钟（已完成）。

快速配置以获得最佳效果

# .env — 评估后推荐设置
OPENAI_BASE_URL=https://your-openai-compatible-endpoint/v1
OPENAI_API_KEY=your-key
OPENAI_MODEL=your-model

# 最具影响力的调优：将提问超时从 45 秒提升至 120 秒
AG_ASK_TIMEOUT_SECONDS=120
AG_REFRESH_AGENT_TIMEOUT_SECONDS=180
AG_MODULE_AGENT_TIMEOUT_SECONDS=90

可与任何兼容 OpenAI 的提供商配合使用：NVIDIA、OpenAI、Ollama、vLLM、LM Studio、Groq、MiniMax 等。

文档

贡献

想法也是一种贡献！请提交 issue 来报告 bug、提出功能建议或探讨架构方案。

贡献者

⭐ Lling0000 主要贡献者 · 创意建议 · 项目管理员 · 项目构思与反馈	Alexander Daza 沙盒 MVP · OpenSpec 工作流 · 技术分析文档 · 哲学理念	Chen Yi 首个 CLI 原型 · 753 行代码重构 · DummyClient 提取 · 快速入门文档	Subham Sangwan 动态工具与上下文加载 (#4) · 多智能体 swarm 协议 (#3)	shuofengzhang 内存上下文窗口修复 · MCP 关机优雅处理 (#28)
goodmorning10 增强 ag ask 上下文加载 — 添加 CONTEXT.md、AGENTS.md 和 memory/*.md 作为上下文来源 (#29)	Abhigyan Patwari GitNexus — 代码知识图谱原生集成到 ag ask 中，用于符号搜索、调用图和影响分析	BBear0115 技能打包与知识图谱检索优化 · 多语言 README 同步 (#30)	SunkenCost ag clean 命令 · __main__ 入口保护 (#37)	Aravindh Balaji 围绕 AGENTS.md 统一指令界面 (#41)

星标历史

许可证

MIT 许可证。详情请参阅 LICENSE。

Antigravity Workspace Template 快速上手指南

Antigravity 是一个多智能体知识引擎，旨在为任何代码库构建动态知识库。它通过 ag-refresh 让多个智能体自主阅读并学习你的代码模块，生成知识文档；通过 ag-ask 将问题路由给对应的智能体，基于真实代码（包含文件路径和行号）提供精准回答。支持任意 LLM 和 IDE。

环境准备

• 操作系统：Linux, macOS, Windows
• Python 版本：3.10 或更高版本
• 依赖项：
  • pip (Python 包管理工具)
  • 一个兼容 OpenAI API 格式的 LLM 服务（如 OpenAI, DeepSeek, Moonshot, Ollama 等）及对应的 API Key。

安装步骤

推荐同时安装 CLI 工具（用于初始化项目结构）和 Engine 引擎（用于运行多智能体逻辑）。

# 1. 安装 CLI 工具
pip install "git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=cli"

# 2. 安装 Engine 引擎
pip install "git+https://github.com/study8677/antigravity-workspace-template.git#subdirectory=engine"

提示：如果下载速度较慢，可尝试配置国内 pip 镜像源（如清华源）： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple "git+..."

基本使用

1. 初始化项目

进入你的项目目录，注入上下文配置文件（包括 .antigravity/ 目录和各 IDE 的规则文件）。

cd my-project
ag init .

若需覆盖现有文件，可添加 --force 参数：ag init . --force

2. 配置 LLM

在项目根目录创建或编辑 .env 文件，填入你的 LLM 配置。支持任何 OpenAI 兼容接口。

cat > .env <<EOF
OPENAI_BASE_URL=https://your-endpoint/v1
OPENAI_API_KEY=your-key
OPENAI_MODEL=your-model
AG_ASK_TIMEOUT_SECONDS=120
EOF

注：国内用户可将 OPENAI_BASE_URL 替换为国内大模型服务商的地址（如 DeepSeek、Moonshot 等）。

3. 构建知识库

运行 ag-refresh，引擎将启动多智能体集群，自动扫描代码、分析模块依赖、读取 Git 历史，并生成模块知识文档和注册表。

ag-refresh --workspace .

4. 提问与交互

知识库构建完成后，即可使用 ag-ask 针对代码库进行提问。系统会自动路由问题到最相关的模块智能体。

ag-ask "这个项目中认证功能是如何实现的？"

5. (可选) 集成到 Claude Code

如果你使用 Claude Code，可以将 Antigravity 注册为 MCP 服务器，使其直接调用本地知识库。

claude mcp add antigravity ag-mcp -- --workspace $(pwd)