[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-study8677--antigravity-workspace-template":3,"tool-study8677--antigravity-workspace-template":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",148568,2,"2026-04-09T23:34:24",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":32,"env_os":101,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":110,"github_topics":111,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":153},6182,"study8677\u002Fantigravity-workspace-template","antigravity-workspace-template","🪐 The ultimate starter kit for AI IDEs, Claude code，codex, and other agentic coding environments.","antigravity-workspace-template 是一款专为 AI 编程环境设计的开源启动模板，旨在打造通用的多智能体知识库引擎。它通过 `ag-refresh` 命令自动部署一组智能体集群，深入阅读代码库中的每个模块并生成独立的知识文档；随后利用 `ag-ask` 功能，将用户的提问精准路由至对应的模块智能体，从而基于真实的源代码、文件路径及 Git 历史提供确切答案。\n\n该工具主要解决了大型项目中 AI 助手因上下文窗口限制而“遗忘”代码细节、产生幻觉或无法掌握项目特定编码风格的问题。传统方式依赖冗长的静态文档，往往效果不佳，而 antigravity-workspace-template 让 AI 能够像人类专家一样“自学”架构，显著提升了回答的准确性和对项目的理解深度。\n\n它非常适合需要管理复杂代码库的软件开发者、技术团队以及希望提升 AI 结对编程效率的研究人员。其独特亮点在于完全去插件化的架构设计，仅依靠标准的 `.antigravity\u002F` 文件夹即可工作，完美兼容 Cursor、Claude Code、Windsurf、VS Code 等多种主流 IDE 和","antigravity-workspace-template 是一款专为 AI 编程环境设计的开源启动模板，旨在打造通用的多智能体知识库引擎。它通过 `ag-refresh` 命令自动部署一组智能体集群，深入阅读代码库中的每个模块并生成独立的知识文档；随后利用 `ag-ask` 功能，将用户的提问精准路由至对应的模块智能体，从而基于真实的源代码、文件路径及 Git 历史提供确切答案。\n\n该工具主要解决了大型项目中 AI 助手因上下文窗口限制而“遗忘”代码细节、产生幻觉或无法掌握项目特定编码风格的问题。传统方式依赖冗长的静态文档，往往效果不佳，而 antigravity-workspace-template 让 AI 能够像人类专家一样“自学”架构，显著提升了回答的准确性和对项目的理解深度。\n\n它非常适合需要管理复杂代码库的软件开发者、技术团队以及希望提升 AI 结对编程效率的研究人员。其独特亮点在于完全去插件化的架构设计，仅依靠标准的 `.antigravity\u002F` 文件夹即可工作，完美兼容 Cursor、Claude Code、Windsurf、VS Code 等多种主流 IDE 和大模型，实现了真正的零厂商锁定与跨平台便携性，让任何代码库都能瞬间拥有专属的“多智能体知识大脑”。","\u003Cdiv align=\"center\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_9d6d20c06908.png\" alt=\"Antigravity Workspace\" width=\"200\"\u002F>\n\n# AI Workspace Template\n\n### Multi-agent knowledge engine for any codebase.\n\n`ag-refresh` builds a knowledge base. `ag-ask` answers questions. Any LLM, any IDE.\n\nLanguage: **English** | [中文](README_CN.md) | [Español](README_ES.md)\n\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-green?style=for-the-badge)](LICENSE)\n[![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.10+-3776AB?style=for-the-badge&logo=python&logoColor=white)](https:\u002F\u002Fpython.org\u002F)\n[![CI](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002Fstudy8677\u002Fantigravity-workspace-template\u002Ftest.yml?style=for-the-badge&label=CI)](https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template\u002Factions)\n[![DeepWiki](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDeepWiki-Docs-blue?style=for-the-badge&logo=gitbook&logoColor=white)](https:\u002F\u002Fdeepwiki.com\u002Fstudy8677\u002Fantigravity-workspace-template)\n\n\u003Cbr\u002F>\n\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCursor-✓-000000?style=flat-square\" alt=\"Cursor\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FClaude_Code-✓-D97757?style=flat-square\" alt=\"Claude Code\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWindsurf-✓-06B6D4?style=flat-square\" alt=\"Windsurf\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FGemini_CLI-✓-4285F4?style=flat-square\" alt=\"Gemini CLI\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FVS_Code_+_Copilot-✓-007ACC?style=flat-square\" alt=\"VS Code\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCodex-✓-412991?style=flat-square\" alt=\"Codex\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCline-✓-FF6B6B?style=flat-square\" alt=\"Cline\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAider-✓-8B5CF6?style=flat-square\" alt=\"Aider\"\u002F>\n\n\u003C\u002Fdiv>\n\n\u003Cbr\u002F>\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_2e3866988294.png\" alt=\"Before vs After Antigravity\" width=\"800\"\u002F>\n\u003C\u002Fdiv>\n\n\u003Cbr\u002F>\n\n## Why Antigravity?\n\n> An AI Agent's capability ceiling = **the quality of context it can read.**\n\nThe engine is the core: `ag-refresh` deploys a multi-agent cluster that autonomously reads your code — each module gets its own Agent that generates a knowledge doc. `ag-ask` routes questions to the right Agent, grounded in real code with file paths and line numbers.\n\n**Tested on [OpenClaw](https:\u002F\u002Fgithub.com\u002Fopenclaw\u002Fopenclaw) (12K files, 348K stars) with MiniMax2.7 — module Q&A scored 10\u002F10, 111 modules self-learned in 43 minutes.** [See full eval below.](#real-world-eval-minimax27-on-openclaw-12k-files-348k-stars)\n\n```\nTraditional approach:              Antigravity approach:\n  CLAUDE.md = 5000 lines of docs     Claude Code calls ask_project(\"how does auth work?\")\n  Agent reads it all, forgets most   Router → ModuleAgent reads actual source, returns exact answer\n  Hallucination rate stays high      Grounded in real code, file paths, and git history\n```\n\n| Problem | Without Antigravity | With Antigravity |\n|:--------|:-------------------|:-----------------|\n| Agent forgets coding style | Repeats the same corrections | Reads `.antigravity\u002Fconventions.md` — gets it right the first time |\n| Onboarding a new codebase | Agent guesses at architecture | `ag-refresh` → ModuleAgents self-learn each module |\n| Switching between IDEs | Different rules everywhere | One `.antigravity\u002F` folder — every IDE reads it |\n| Asking \"how does X work?\" | Agent reads random files | `ask_project` MCP → Router routes to the responsible ModuleAgent |\n\nArchitecture is **files + a live Q&A engine**, not plugins. Portable across any IDE, any LLM, zero vendor lock-in.\n\n---\n\n## Quick Start\n\n**Option A — Engine: multi-agent Q&A on your codebase (recommended)**\n```bash\n# 1. Install engine + CLI\npip install \"git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=cli\"\npip install \"git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=engine\"\n\n# 2. Configure .env with any OpenAI-compatible API key\ncd my-project\ncat > .env \u003C\u003CEOF\nOPENAI_BASE_URL=https:\u002F\u002Fyour-endpoint\u002Fv1\nOPENAI_API_KEY=your-key\nOPENAI_MODEL=your-model\nAG_ASK_TIMEOUT_SECONDS=120\nEOF\n\n# 3. Build knowledge base (ModuleAgents self-learn each module)\nag-refresh --workspace .\n\n# 4. Ask anything\nag-ask \"How does auth work in this project?\"\n\n# 5. (Optional) Register as MCP server for Claude Code\nclaude mcp add antigravity ag-mcp -- --workspace $(pwd)\n```\n\n**Option B — Context files only (any IDE, no LLM needed)**\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=cli\nag init my-project && cd my-project\n# IDE entry files bootstrap into AGENTS.md; dynamic knowledge is in .antigravity\u002F\n```\n\n---\n\n## Features at a Glance\n\n```\n  ag init             Inject context files into any project (--force to overwrite)\n       │\n       ▼\n  .antigravity\u002F       Shared knowledge base — every IDE reads from here\n       │\n       ├──► ag-refresh     Dynamic multi-agent self-learning → module knowledge docs + structure map\n       ├──► ag-ask         Router → ModuleAgent Q&A with live code evidence\n       └──► ag-mcp         MCP server → Claude Code calls directly\n```\n\n**Dynamic Multi-Agent Cluster** — During `ag-refresh`, the engine uses **smart functional grouping**: files are grouped by import relationships (from the knowledge graph), directory co-location, and filename prefixes. Source code is pre-loaded directly into agent context (no tool calls needed), and build artifacts are automatically filtered out. Each sub-agent analyzes ~30K tokens of focused, functionally related code in a single LLM call. A **RegistryAgent** then summarizes all modules into a semantic registry. During `ag-ask`, Router reads the registry to understand *what each module is responsible for* and routes questions to the right ModuleAgent. Powered by OpenAI Agent SDK + LiteLLM.\n\n**GitAgent** — A dedicated agent for analyzing git history — understands who changed what and why.\n\n**GitNexus Enhancement (optional)** — Install GitNexus to auto-unlock semantic search, call graphs, and impact analysis for every ModuleAgent.\n\n---\n\n## CLI Commands\n\n| Command | What it does | LLM needed? |\n|:--------|:-------------|:-----------:|\n| `ag init \u003Cdir>` | Inject cognitive architecture templates | No |\n| `ag init \u003Cdir> --force` | Re-inject, overwriting existing files | No |\n| `ag refresh --workspace \u003Cdir>` | CLI convenience wrapper around the knowledge-hub refresh pipeline | Yes |\n| `ag ask \"question\" --workspace \u003Cdir>` | CLI convenience wrapper around the routed project Q&A flow | Yes |\n| `ag-refresh` | Multi-agent self-learning of codebase, generates module knowledge docs + `conventions.md` + `structure.md` | Yes |\n| `ag-ask \"question\"` | Router → ModuleAgent\u002FGitAgent routed Q&A | Yes |\n| `ag-mcp --workspace \u003Cdir>` | **Start MCP server** — exposes `ask_project` + `refresh_project` to Claude Code | Yes |\n| `ag report \"message\"` | Log a finding to `.antigravity\u002Fmemory\u002F` | No |\n| `ag log-decision \"what\" \"why\"` | Log an architectural decision | No |\n\n`ag ask` \u002F `ag refresh` are available when both `cli\u002F` and `engine\u002F` are installed. `ag-ask` \u002F `ag-refresh` are the engine-only entrypoints.\n\n---\n\n## Two Packages, One Workflow\n\n```\nantigravity-workspace-template\u002F\n├── cli\u002F                     # ag CLI — lightweight, pip-installable\n│   └── templates\u002F           # .cursorrules, CLAUDE.md, .antigravity\u002F, ...\n└── engine\u002F                  # Multi-agent engine + Knowledge Hub\n    └── antigravity_engine\u002F\n        ├── _cli_entry.py    # ag-ask \u002F ag-refresh \u002F ag-mcp + python -m dispatch\n        ├── config.py        # Pydantic configuration\n        ├── hub\u002F             # ★ Core: multi-agent cluster\n        │   ├── agents.py    #   Router + ModuleAgent + GitAgent\n        │   ├── ask_pipeline.py\n        │   ├── refresh_pipeline.py\n        │   ├── ask_tools.py\n        │   ├── scanner.py\n        │   ├── structure.py\n        │   ├── knowledge_graph.py\n        │   ├── retrieval_graph.py\n        │   ├── pipeline.py  #   compatibility re-export shim\n        │   └── mcp_server.py\n        ├── mcp_client.py    # MCP consumer (connects external tools)\n        ├── memory.py        # Persistent interaction memory\n        ├── tools\u002F           # MCP query tools + extensions\n        ├── skills\u002F          # Skill loader\n        └── sandbox\u002F         # Code execution (local \u002F microsandbox)\n```\n\n**CLI** (`pip install ...\u002Fcli`) — Zero LLM deps. Injects templates, logs reports & decisions offline.\n\n**Engine** (`pip install ...\u002Fengine`) — Multi-agent runtime. Powers `ag-ask`, `ag-refresh`, `ag-mcp`. Supports Gemini, OpenAI, Ollama, or any OpenAI-compatible API.\n\n**New skill packaging updates:**\n- `engine\u002Fantigravity_engine\u002Fskills\u002Fgraph-retrieval\u002F` — graph-oriented retrieval tools for structure and call-path reasoning.\n- `engine\u002Fantigravity_engine\u002Fskills\u002Fknowledge-layer\u002F` — project knowledge-layer tools for semantic context consolidation.\n\n```bash\n# Install both for full experience\npip install \"git+https:\u002F\u002F...#subdirectory=cli\"\npip install \"git+https:\u002F\u002F...#subdirectory=engine\"\n```\n\nFor local work on this repository itself:\n\n```bash\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\npip install -e .\u002Fcli -e '.\u002Fengine[dev]'\npytest engine\u002Ftests cli\u002Ftests\n```\n\n---\n\n## How It Works\n\n### 1. `ag init` — Inject context files\n\n```bash\nag init my-project\n# Already initialized? Use --force to overwrite:\nag init my-project --force\n```\n\nCreates `AGENTS.md` (authoritative behavior rules), IDE bootstrap files (`.cursorrules`, `CLAUDE.md`, `.windsurfrules`, `.clinerules`, `.github\u002Fcopilot-instructions.md`), and `.antigravity\u002F` dynamic context files.\n\n### 2. `ag-refresh` — Multi-agent self-learning\n\n```bash\nag-refresh --workspace my-project\n```\n\n**8-step pipeline:**\n1. Scan codebase (languages, frameworks, structure)\n2. Multi-agent pipeline generates `conventions.md`\n3. Generate `structure.md` structure map\n4. Build knowledge graph (`knowledge_graph.json` + mermaid)\n5. Write document\u002Fdata\u002Fmedia indexes\n6. **Smart functional grouping** — group files by import graph + directory + prefix, pre-load into context (~30K tokens per sub-agent), filter out build artifacts (dist, bundles, vendor, compiled files). Each sub-agent produces deep analysis in 1 LLM call. Multi-group modules get a merge agent.\n7. **RefreshGitAgent** analyzes git history, generates `_git_insights.md`\n8. **RegistryAgent** reads all knowledge artifacts → calls LLM → generates `module_registry.md` (2-3 sentence semantic description per module, used by Router for intelligent routing)\n\n### 3. `ag-ask` — Router-based Q&A\n\n```bash\nag-ask \"How does auth work in this project?\"\n```\n\nRouter reads the `structure.md` map and routes questions to the right **ModuleAgent** (pre-loaded with that module's knowledge doc) or **GitAgent** (understands git history). For cross-module questions, agents can handoff to each other.\n\n---\n\n## IDE Compatibility\n\nArchitecture is encoded in **files** — any agent that reads project files benefits:\n\n| IDE | Config File |\n|:----|:------------|\n| Cursor | `.cursorrules` |\n| Claude Code | `CLAUDE.md` |\n| Windsurf | `.windsurfrules` |\n| VS Code + Copilot | `.github\u002Fcopilot-instructions.md` |\n| Gemini CLI \u002F Codex | `AGENTS.md` |\n| Cline | `.clinerules` |\n| Google Antigravity | `.antigravity\u002Frules.md` |\n\nAll are generated by `ag init`: `AGENTS.md` is the single behavioral rulebook, IDE-specific files are thin bootstraps, and `.antigravity\u002F` stores shared dynamic project context.\n\n---\n\n## Advanced Features\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>MCP Server — Give Claude Code a ChatGPT for your codebase\u003C\u002Fb>\u003C\u002Fsummary>\n\nInstead of reading hundreds of documentation files, Claude Code can call `ask_project` as a live tool — backed by a dynamic multi-agent cluster: Router routes questions to the right ModuleAgent, returning grounded answers with file paths and line numbers.\n\n**Setup:**\n\n```bash\n# Install engine\npip install \"git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=engine\"\n\n# Refresh knowledge base first (ModuleAgents self-learn each module)\nag-refresh --workspace \u002Fpath\u002Fto\u002Fproject\n\n# Register as MCP server in Claude Code\nclaude mcp add antigravity ag-mcp -- --workspace \u002Fpath\u002Fto\u002Fproject\n```\n\n**Tools exposed to Claude Code:**\n\n| Tool | What it does |\n|:-----|:-------------|\n| `ask_project(question)` | Router → ModuleAgent\u002FGitAgent answers codebase questions. Returns file paths + line numbers. |\n| `refresh_project(quick?)` | Rebuild knowledge base after significant changes. ModuleAgents re-learn the code. |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>Dynamic Multi-Agent Cluster\u003C\u002Fb> — Module-level self-learning + intelligent routing\u003C\u002Fsummary>\n\nThe engine's core is **a dynamically created Agent cluster per code module**:\n\n```\n ag-refresh (v2 — smart grouping):         ag-ask:\n\n For each module:                          Router (reads module_registry.md)\n ┌ Group files by import graph               ├──→ Module_engine (pre-loaded engine.md)\n ├ Pre-load ~30K tokens per sub-agent        ├──→ Module_cli (pre-loaded cli.md)\n ├ Filter out build artifacts                ├──→ GitAgent (pre-loaded _git.md)\n ├ Sub-agents analyze in 1 LLM call each     └──→ Agents can handoff to each other\n ├ Merge agent combines outputs\n └─ RegistryAgent ────→ registry.md\n```\n\n**Key innovations:**\n- **Smart grouping**: Files grouped by knowledge-graph import relationships, not arbitrary token splits. Build artifacts (dist\u002F, bundles, vendor, compiled) automatically filtered out.\n- **Pre-loaded context**: Source code injected directly into agent instructions — zero tool calls needed. A module that previously required 16 LLM turns now needs just 1.\n- **Module registry**: RegistryAgent summarizes each module's responsibilities. Router knows *what each module does*, enabling accurate routing (\"database schema\" → `src_storage`).\n\n```bash\n# ModuleAgents self-learn your codebase\nag-refresh\n\n# Only scan files changed since last refresh\nag-refresh --quick\n\n# Router intelligently routes to the right ModuleAgent\nag-ask \"What testing patterns does this project use?\"\n\n# Log findings and decisions (no LLM needed)\nag report \"Auth module needs refactoring\"\nag log-decision \"Use PostgreSQL\" \"Team has deep expertise\"\n```\n\nWorks with Gemini, OpenAI, Ollama, or any OpenAI-compatible endpoint. Powered by OpenAI Agent SDK + LiteLLM.\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>MCP Integration (Consumer)\u003C\u002Fb> — Let agents call external tools\u003C\u002Fsummary>\n\n`MCPClientManager` lets your agents connect to external MCP servers (GitHub, databases, etc.), auto-discovering and registering tools.\n\n```json\n\u002F\u002F mcp_servers.json\n{\n  \"servers\": [\n    {\n      \"name\": \"github\",\n      \"transport\": \"stdio\",\n      \"command\": \"npx\",\n      \"args\": [\"-y\", \"@modelcontextprotocol\u002Fserver-github\"],\n      \"enabled\": true\n    }\n  ]\n}\n```\n\nSet `MCP_ENABLED=true` in `.env`.\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>GitNexus Integration\u003C\u002Fb> — Optional deep code intelligence via knowledge graph\u003C\u002Fsummary>\n\n[GitNexus](https:\u002F\u002Fgithub.com\u002Fabhigyanpatwari\u002FGitNexus) is a **third-party tool** that builds a code knowledge graph using Tree-sitter AST parsing. Antigravity provides built-in integration hooks — when you install GitNexus separately, `ag-ask` automatically detects it and unlocks three additional tools:\n\n| Tool | What it does |\n|:-----|:-------------|\n| `gitnexus_query` | Hybrid search (BM25 + semantic) — better than grep for \"how does auth work?\" |\n| `gitnexus_context` | 360-degree symbol view: callers, callees, references, definition |\n| `gitnexus_impact` | Blast radius analysis — what breaks if you change a symbol? |\n\n> **Note:** GitNexus is NOT bundled with Antigravity. It is an independent project that requires separate installation via npm. Antigravity works fully without it — GitNexus is an optional enhancement for deeper code understanding.\n\n**How to enable (3 steps):**\n\n```bash\n# 1. Install GitNexus (requires Node.js)\nnpm install -g gitnexus\n\n# 2. Index your project (one-time, creates a local knowledge graph)\ncd my-project\ngitnexus analyze .\n\n# 3. Use ag-ask as usual — GitNexus tools are auto-detected\nag-ask \"How does the authentication flow work?\"\n```\n\n**How the integration works:** `ask_tools.py` checks if the `gitnexus` CLI is available on your system. If found, it registers `gitnexus_query`, `gitnexus_context`, and `gitnexus_impact` as additional tools for every ModuleAgent. If not found, these tools are simply absent — zero overhead, no errors.\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>Sandbox\u003C\u002Fb> — Configurable code execution environment\u003C\u002Fsummary>\n\n| Variable | Default | Options |\n|:---------|:--------|:--------|\n| `SANDBOX_TYPE` | `local` | `local` · `microsandbox` |\n| `SANDBOX_TIMEOUT_SEC` | `30` | seconds |\n\nSee [Sandbox docs](docs\u002Fen\u002FSANDBOX.md).\n\u003C\u002Fdetails>\n\n---\n\n## Real-World Eval: MiniMax2.7 on OpenClaw (12K files, 348K stars)\n\nTested against [OpenClaw](https:\u002F\u002Fgithub.com\u002Fopenclaw\u002Fopenclaw) — the most popular open-source AI assistant (TypeScript + Swift + Kotlin, 12,133 files) — using **MiniMax2.7** free API.\n\n### Refresh results\n\n```\n$ ag-refresh --workspace \u002Fpath\u002Fto\u002Fopenclaw\n[1\u002F3] Scanning project... 5000 files, 0.14s\n[7\u002F8] ▶ Running 154 modules (concurrency=8)...\n      Auto-split: extensions\u002F → 50+ sub-modules (slack, telegram, whatsapp, ...)\n      Auto-split: src\u002F → 40+ sub-modules (agents, gateway, config, ...)\n[8\u002F8] module_registry ✅ 164 lines\n\nTotal time: 42m52s | 111 module docs | 1.5MB knowledge base\n```\n\n### Ask evaluation matrix (11 tests)\n\n| Category | Question | Result | Quality |\n|:---------|:---------|:------:|:-------:|\n| Basic understanding | \"What is this project?\" | **Pass** | 5\u002F5 — sponsors, platforms, features, structure |\n| Tech stack | \"Tech stack and frameworks?\" | Timeout | 3\u002F5 — fallback gave language\u002Fframework data |\n| Module deep-dive | \"How does Telegram integration work?\" | **Pass** | **5\u002F5** — file table + architecture diagram + types + constants |\n| Module deep-dive | \"Discord voice channels?\" | **Pass** | **5\u002F5** — audio pipeline + code samples + design patterns |\n| Module deep-dive | \"WhatsApp integration?\" | **Pass** | **5\u002F5** — auth flow + plugin architecture + dependencies |\n| Hallucination test | \"Does this support GraphQL?\" | 413 | 0\u002F5 — request too large for free API |\n| Architecture | \"How does Gateway work?\" | Timeout | 2\u002F5 — file list but no analysis |\n| Chinese query | \"支持哪些AI模型？\" | Timeout | 1\u002F5 — cross-module, needs faster model |\n| Skills system | \"What is the skill system?\" | Timeout | 2\u002F5 — listed skill files |\n| Testing patterns | \"Testing frameworks?\" | Timeout | 2\u002F5 — listed vitest configs |\n| Platform listing | \"What messaging platforms?\" | Crash | 0\u002F5 — 413 error |\n\n### Key finding: auto-split unlocks module-level excellence\n\n```\n ✅ Module-level Q&A (5\u002F5)              ⚠️ Cross-module questions              ❌ Free API limits\n ──────────────────────────             ────────────────────────              ─────────────────\n Telegram: architecture diagram         Gateway: timeout                      413 on large context\n Discord: audio pipeline + code         Testing: timeout                      Rate limiting (429)\n WhatsApp: auth + plugin system         Tech stack: timeout\n Each module has its own knowledge doc  Needs faster model or higher timeout\n```\n\n### Scores\n\n| Dimension | Score | Notes |\n|:----------|:-----:|:------|\n| Basic Q&A | **9\u002F10** | Project overview excellent |\n| Module deep-dive | **10\u002F10** | Telegram\u002FDiscord\u002FWhatsApp — architecture diagrams, types, design patterns |\n| Cross-module | **3\u002F10** | Gateway, Testing, Skills — timeout with free API |\n| **Overall** | **6.5\u002F10** | **Module Q&A: production-ready even on 12K-file projects. Cross-module: needs faster model.** |\n\n### Performance comparison\n\n| Metric | OpenCMO (374 files) | OpenClaw (12K files) | Improvement |\n|:-------|:-------------------:|:--------------------:|:-----------:|\n| Refresh time | ~10 min | **43 min** | Parallel + auto-split |\n| Module docs | 9 | **111** | 12x |\n| Knowledge base | 540KB | **1.5MB** | 2.8x |\n| Module Q&A quality | 7\u002F10 | **10\u002F10** | Auto-split = focused knowledge |\n\n> **What changed:** Large modules (extensions\u002F with 262 groups, src\u002F with 363 groups) are now auto-split into independent sub-modules. All modules run in parallel (8 concurrency). This reduced OpenClaw refresh from **5+ hours (never finished)** to **43 minutes (completed)**.\n\n### Quick config for best results\n\n```bash\n# .env — recommended settings after eval\nOPENAI_BASE_URL=https:\u002F\u002Fyour-openai-compatible-endpoint\u002Fv1\nOPENAI_API_KEY=your-key\nOPENAI_MODEL=your-model\n\n# The single most impactful tuning: raise ask timeout from 45s to 120s\nAG_ASK_TIMEOUT_SECONDS=120\nAG_REFRESH_AGENT_TIMEOUT_SECONDS=180\nAG_MODULE_AGENT_TIMEOUT_SECONDS=90\n```\n\n> Works with any OpenAI-compatible provider: **NVIDIA**, **OpenAI**, **Ollama**, **vLLM**, **LM Studio**, **Groq**, **MiniMax**, etc.\n\n---\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>Earlier Eval: MiniMax2.7 on OpenCMO (374 files, 29K lines)\u003C\u002Fb>\u003C\u002Fsummary>\n\nTested end-to-end against the [OpenCMO](https:\u002F\u002Fgithub.com\u002Fstudy8677\u002FOpenCMO) codebase (Python + React\u002FTS, 374 files) using **MiniMax2.7** via an OpenAI-compatible router.\n\n### Ask evaluation matrix (18 tests)\n\n| Category | Question | Result | Quality |\n|:---------|:---------|:------:|:-------:|\n| Basic understanding | \"What is this project?\" | **Pass** | 5\u002F5 — accurate summary with tech details |\n| Tech stack | \"What tech stack and frameworks?\" | **Pass** | 5\u002F5 — frontend + backend + libs listed |\n| Module listing | \"List all main modules\" | **Pass** | 5\u002F5 — table format, accurate |\n| API routing | \"How does API routing work?\" | **Pass** | 5\u002F5 — routes + endpoints + client code |\n| Precise function | \"get_model() in llm.py signature\" | **Pass** | 5\u002F5 — **100% accurate** file, line, logic |\n| Hallucination test | \"Does this support GraphQL?\" | **Pass** | 5\u002F5 — correctly said **No** with 4-point evidence |\n| Chinese query | \"社区监控支持哪些平台?\" | **Pass** | 5\u002F5 — Chinese answer, platform style table |\n| Database schema | \"List all database tables\" | **Pass** | 5\u002F5 — 34 tables listed with source file |\n| Approval workflow | \"How does approval work?\" | **Pass** | 5\u002F5 — full state machine with line numbers |\n| Complex architecture | \"How does multi-agent work?\" (120s) | **Pass** | 5\u002F5 — 20 agents listed, comm patterns |\n\n### Scores\n\n| Dimension | Score | Notes |\n|:----------|:-----:|:------|\n| Basic Q&A | **9\u002F10** | Project, tech stack, modules — excellent |\n| Code location | **7\u002F10** | Precise queries great; same-name files can confuse |\n| Hallucination control | **9\u002F10** | Won't fabricate; gives negative evidence |\n| Multi-language | **9\u002F10** | Chinese Q&A excellent |\n| **Overall** | **7\u002F10** | **Daily code Q&A: production-ready. Complex analysis: tune timeout.** |\n\n> Full evaluation report: [`artifacts\u002Fplan_20260404_opencmo_ask_boundary_eval.md`](artifacts\u002Fplan_20260404_opencmo_ask_boundary_eval.md)\n\n\u003C\u002Fdetails>\n\n---\n\n## Documentation\n\n| | |\n|:--|:--|\n| 🇬🇧 English | **[`docs\u002Fen\u002F`](docs\u002Fen\u002F)** |\n| 🇨🇳 中文 | **[`docs\u002Fzh\u002F`](docs\u002Fzh\u002F)** |\n| 🇪🇸 Español | **[`docs\u002Fes\u002F`](docs\u002Fes\u002F)** |\n\n---\n\n## Contributing\n\nIdeas are contributions too! Open an [issue](https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template\u002Fissues) to report bugs, suggest features, or propose architecture.\n\n## Contributors\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FLling0000\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_8fe802ad6201.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>⭐ Lling0000\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>\u003Cb>Major Contributor\u003C\u002Fb> · Creative suggestions · Project administrator · Project ideation & feedback\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdevalexanderdaza\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_5e9075b80ff7.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Alexander Daza\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>Sandbox MVP · OpenSpec workflows · Technical analysis docs · PHILOSOPHY\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchenyi\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_610d4a2be57d.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Chen Yi\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>First CLI prototype · 753-line refactor · DummyClient extraction · Quick-start docs\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSubham-KRLX\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_78f1b5e2c2e7.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Subham Sangwan\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>Dynamic tool & context loading (#4) · Multi-agent swarm protocol (#3)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fshuofengzhang\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_3f87df4cc30d.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>shuofengzhang\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>Memory context window fix · MCP shutdown graceful handling (#28)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoodmorning10\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_58f0bbced58b.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>goodmorning10\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>Enhanced \u003Ccode>ag ask\u003C\u002Fcode> context loading — added CONTEXT.md, AGENTS.md, and memory\u002F*.md as context sources (#29)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhigyanpatwari\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_777eeed5eca7.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Abhigyan Patwari\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhigyanpatwari\u002FGitNexus\">GitNexus\u003C\u002Fa> — code knowledge graph natively integrated into \u003Ccode>ag ask\u003C\u002Fcode> for symbol search, call graphs, and impact analysis\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBBear0115\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_318648ebd492.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>BBear0115\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>Skill packaging & KG retrieval enhancements · Multi-language README sync (#30)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSunkenCost\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_6b9bbcb2c728.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>SunkenCost\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>\u003Ccode>ag clean\u003C\u002Fcode> command · \u003Ccode>__main__\u003C\u002Fcode> entry-point guard (#37)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faravindhbalaji04\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_982d92b1c0c8.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Aravindh Balaji\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>Unified instruction surface around \u003Ccode>AGENTS.md\u003C\u002Fcode> (#41)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n## Star History\n\n[![Star History Chart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_05539b842226.png)](https:\u002F\u002Fstar-history.com\u002F#study8677\u002Fantigravity-workspace-template&Date)\n\n## License\n\nMIT License. See [LICENSE](LICENSE) for details.\n\n---\n\n\u003Cdiv align=\"center\">\n\n**[📚 Full Documentation →](docs\u002Fen\u002F)**\n\n*Built for the AI-native development era*\n\n\u003C\u002Fdiv>\n","\u003Cdiv align=\"center\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_9d6d20c06908.png\" alt=\"Antigravity Workspace\" width=\"200\"\u002F>\n\n# AI 工作空间模板\n\n### 面向任意代码库的多智能体知识引擎。\n\n`ag-refresh` 构建知识库。`ag-ask` 回答问题。任何大模型，任何 IDE。\n\n语言：**英语** | [中文](README_CN.md) | [西班牙语](README_ES.md)\n\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-green?style=for-the-badge)](LICENSE)\n[![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.10+-3776AB?style=for-the-badge&logo=python&logoColor=white)](https:\u002F\u002Fpython.org\u002F)\n[![CI](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002Fstudy8677\u002Fantigravity-workspace-template\u002Ftest.yml?style=for-the-badge&label=CI)](https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template\u002Factions)\n[![DeepWiki](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDeepWiki-Docs-blue?style=for-the-badge&logo=gitbook&logoColor=white)](https:\u002F\u002Fdeepwiki.com\u002Fstudy8677\u002Fantigravity-workspace-template)\n\n\u003Cbr\u002F>\n\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCursor-✓-000000?style=flat-square\" alt=\"Cursor\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FClaude_Code-✓-D97757?style=flat-square\" alt=\"Claude Code\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWindsurf-✓-06B6D4?style=flat-square\" alt=\"Windsurf\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FGemini_CLI-✓-4285F4?style=flat-square\" alt=\"Gemini CLI\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FVS_Code_+_Copilot-✓-007ACC?style=flat-square\" alt=\"VS Code\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCodex-✓-412991?style=flat-square\" alt=\"Codex\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCline-✓-FF6B6B?style=flat-square\" alt=\"Cline\"\u002F>\n\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAider-✓-8B5CF6?style=flat-square\" alt=\"Aider\"\u002F>\n\n\u003C\u002Fdiv>\n\n\u003Cbr\u002F>\n\n\u003Cdiv align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_2e3866988294.png\" alt=\"Before vs After Antigravity\" width=\"800\"\u002F>\n\u003C\u002Fdiv>\n\n\u003Cbr\u002F>\n\n## 为什么选择 Antigravity？\n\n> 一个 AI 智能体的能力上限 = **它所能读取的上下文质量。**\n\n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。\n\n**在 [OpenClaw](https:\u002F\u002Fgithub.com\u002Fopenclaw\u002Fopenclaw)（1.2万文件，34.8万星）上使用 MiniMax2.7 测试——模块问答得分为 10\u002F10，43 分钟内自学习了 111 个模块。** [完整评估见下文。](#real-world-eval-minimax27-on-openclaw-12k-files-348k-stars)\n\n```\n传统方法：              Antigravity 方法：\n  CLAUDE.md = 5000 行文档     Claude Code 调用 ask_project(\"auth 是如何工作的？\")\n  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\n  幻觉率居高不下      基于真实代码、文件路径和 Git 历史\n```\n\n| 问题 | 不使用 Antigravity | 使用 Antigravity |\n|:--------|:-------------------|:-----------------|\n| 智能体忘记编码风格 | 反复进行相同的修正 | 读取 `.antigravity\u002Fconventions.md` — 第一次就做对 |\n| 新代码库入职 | 智能体猜测架构 | `ag-refresh` → 模块智能体自学习每个模块 |\n| 切换 IDE | 各处规则不同 | 一个 `.antigravity\u002F` 文件夹 — 每个 IDE 都会读取 |\n| 提问“X 是如何工作的？” | 智能体随机读取文件 | `ask_project` MCP → 路由器将请求路由到负责的模块智能体 |\n\n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。\n\n---\n\n## 快速开始\n\n**选项 A — 引擎：针对你的代码库的多智能体问答（推荐）**\n```bash\n# 1. 安装引擎 + CLI\npip install \"git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=cli\"\npip install \"git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=engine\"\n\n# 2. 使用任何兼容 OpenAI 的 API 密钥配置 .env\ncd my-project\ncat > .env \u003C\u003CEOF\nOPENAI_BASE_URL=https:\u002F\u002Fyour-endpoint\u002Fv1\nOPENAI_API_KEY=your-key\nOPENAI_MODEL=your-model\nAG_ASK_TIMEOUT_SECONDS=120\nEOF\n\n# 3. 构建知识库（模块智能体自学习每个模块）\nag-refresh --workspace .\n\n# 4. 随便提问\nag-ask \"这个项目中的 auth 是如何工作的？\"\n\n# 5. （可选）注册为 Claude Code 的 MCP 服务器\nclaude mcp add antigravity ag-mcp -- --workspace $(pwd)\n```\n\n**选项 B — 仅上下文文件（任何 IDE，无需大模型）**\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=cli\nag init my-project && cd my-project\n# IDE 入口文件会引导生成 AGENTS.md；动态知识存储在 .antigravity\u002F 中\n```\n\n---\n\n## 功能概览\n\n```\n  ag init             将上下文文件注入任何项目中（--force 可覆盖）\n       │\n       ▼\n  .antigravity\u002F       共享知识库 — 每个 IDE 都会从中读取\n       │\n       ├──► ag-refresh     动态多智能体自学习 → 模块知识文档 + 结构图\n       ├──► ag-ask         路由器 → 模块智能体实时代码证据问答\n       └──► ag-mcp         MCP 服务器 → Claude Code 直接调用\n```\n\n**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。\n\n**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。\n\n**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。\n\n---\n\n## CLI 命令\n\n| 命令 | 功能 | 是否需要 LLM？ |\n|:--------|:-------------|:-----------:|\n| `ag init \u003Cdir>` | 注入认知架构模板 | 否 |\n| `ag init \u003Cdir> --force` | 重新注入，覆盖现有文件 | 否 |\n| `ag refresh --workspace \u003Cdir>` | 知识库刷新流水线的 CLI 方便封装 | 是 |\n| `ag ask \"question\" --workspace \u003Cdir>` | 路由项目问答流程的 CLI 方便封装 | 是 |\n| `ag-refresh` | 多智能体对代码库的自学习，生成模块知识文档 + `conventions.md` + `structure.md` | 是 |\n| `ag-ask \"question\"` | 路由器 → 模块代理\u002FGit 代理路由的问答 | 是 |\n| `ag-mcp --workspace \u003Cdir>` | **启动 MCP 服务器** — 向 Claude Code 暴露 `ask_project` + `refresh_project` | 是 |\n| `ag report \"message\"` | 将发现记录到 `.antigravity\u002Fmemory\u002F` | 否 |\n| `ag log-decision \"what\" \"why\"` | 记录一项架构决策 | 否 |\n\n`ag ask` \u002F `ag refresh` 在同时安装了 `cli\u002F` 和 `engine\u002F` 时可用。`ag-ask` \u002F `ag-refresh` 是仅引擎的入口点。\n\n---\n\n## 两个包，一个工作流\n\n```\nantigravity-workspace-template\u002F\n├── cli\u002F                     # ag CLI — 轻量级，可通过 pip 安装\n│   └── templates\u002F           # .cursorrules, CLAUDE.md, .antigravity\u002F, ...\n└── engine\u002F                  # 多智能体引擎 + 知识库\n    └── antigravity_engine\u002F\n        ├── _cli_entry.py    # ag-ask \u002F ag-refresh \u002F ag-mcp + python -m dispatch\n        ├── config.py        # Pydantic 配置\n        ├── hub\u002F             # ★ 核心：多智能体集群\n        │   ├── agents.py    #   路由器 + 模块代理 + Git 代理\n        │   ├── ask_pipeline.py\n        │   ├── refresh_pipeline.py\n        │   ├── ask_tools.py\n        │   ├── scanner.py\n        │   ├── structure.py\n        │   ├── knowledge_graph.py\n        │   ├── retrieval_graph.py\n        │   ├── pipeline.py  #   兼容性重导出适配层\n        │   └── mcp_server.py\n        ├── mcp_client.py    # MCP 消费者（连接外部工具）\n        ├── memory.py        # 持久化交互记忆\n        ├── tools\u002F           # MCP 查询工具 + 扩展\n        ├── skills\u002F          # 技能加载器\n        └── sandbox\u002F         # 代码执行（本地 \u002F 微沙盒）\n```\n\n**CLI** (`pip install ...\u002Fcli`) — 无 LLM 依赖。注入模板，离线记录报告和决策。\n\n**引擎** (`pip install ...\u002Fengine`) — 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。\n\n**新技能打包更新：**\n- `engine\u002Fantigravity_engine\u002Fskills\u002Fgraph-retrieval\u002F` — 面向图结构的检索工具，用于结构和调用路径推理。\n- `engine\u002Fantigravity_engine\u002Fskills\u002Fknowledge-layer\u002F` — 项目知识层工具，用于语义上下文整合。\n\n```bash\n# 安装两者以获得完整体验\npip install \"git+https:\u002F\u002F...#subdirectory=cli\"\npip install \"git+https:\u002F\u002F...#subdirectory=engine\"\n```\n\n对于在此仓库本身进行本地开发：\n\n```bash\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\npip install -e .\u002Fcli -e '.\u002Fengine[dev]'\npytest engine\u002Ftests cli\u002Ftests\n```\n\n---\n\n## 工作原理\n\n### 1. `ag init` — 注入上下文文件\n\n```bash\nag init my-project\n# 已经初始化过？使用 --force 覆盖：\nag init my-project --force\n```\n\n创建 `AGENTS.md`（权威行为规则）、IDE 引导文件（`.cursorrules`、`CLAUDE.md`、`.windsurfrules`、`.clinerules`、`.github\u002Fcopilot-instructions.md`）以及 `.antigravity\u002F` 动态上下文文件。\n\n### 2. `ag-refresh` — 多智能体自学习\n\n```bash\nag-refresh --workspace my-project\n```\n\n**8 步流程：**\n1. 扫描代码库（语言、框架、结构）\n2. 多智能体流水线生成 `conventions.md`\n3. 生成 `structure.md` 结构地图\n4. 构建知识图谱（`knowledge_graph.json` + mermaid）\n5. 编写文档\u002F数据\u002F媒体索引\n6. **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。\n7. **RefreshGitAgent** 分析 git 历史，生成 `_git_insights.md`\n8. **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）\n\n### 3. `ag-ask` — 基于路由器的问答\n\n```bash\nag-ask \"这个项目中的认证是如何工作的？\"\n```\n\n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。\n\n---\n\n## IDE 兼容性\n\n架构被编码在 **文件** 中 — 任何读取项目文件的代理都会受益：\n\n| IDE | 配置文件 |\n|:----|:------------|\n| Cursor | `.cursorrules` |\n| Claude Code | `CLAUDE.md` |\n| Windsurf | `.windsurfrules` |\n| VS Code + Copilot | `.github\u002Fcopilot-instructions.md` |\n| Gemini CLI \u002F Codex | `AGENTS.md` |\n| Cline | `.clinerules` |\n| Google Antigravity | `.antigravity\u002Frules.md` |\n\n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\u002F` 则存储共享的动态项目上下文。\n\n---\n\n## 高级功能\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>MCP 服务器 — 让 Claude Code 拥有一个针对你代码库的 ChatGPT\u003C\u002Fb>\u003C\u002Fsummary>\n\n与其阅读数百份文档，Claude Code 可以直接调用 `ask_project` 作为实时工具 — 由动态多智能体集群提供支持：路由器会将问题路由到合适的模块代理，返回带有文件路径和行号的可靠答案。\n\n**设置：**\n\n```bash\n# 安装引擎\npip install \"git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=engine\"\n\n# 首先刷新知识库（模块代理会自我学习每个模块）\nag-refresh --workspace \u002Fpath\u002Fto\u002Fproject\n\n# 在 Claude Code 中注册为 MCP 服务器\nclaude mcp add antigravity ag-mcp -- --workspace \u002Fpath\u002Fto\u002Fproject\n```\n\n**向 Claude Code 暴露的工具：**\n\n| 工具 | 功能 |\n|:-----|:-------------|\n| `ask_project(question)` | 路由器 → ModuleAgent\u002FGitAgent 回答代码库相关问题。返回文件路径和行号。 |\n| `refresh_project(quick?)` | 在发生重大变更后重建知识库。ModuleAgents 会重新学习代码。 |\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>动态多智能体集群\u003C\u002Fb> — 模块级自学习 + 智能路由\u003C\u002Fsummary>\n\n引擎的核心是 **为每个代码模块动态创建的智能体集群**：\n\n```\n ag-refresh (v2 — 智能分组):         ag-ask:\n\n 对于每个模块：                          路由器（读取 module_registry.md）\n ┌ 按导入图对文件分组               ├──→ Module_engine（预加载 engine.md）\n ├ 为每个子智能体预加载 ~30K 个 token   ├──→ Module_cli（预加载 cli.md）\n ├ 过滤掉构建产物                    ├──→ GitAgent（预加载 _git.md）\n ├ 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\n ├ 合并智能体的输出\n └─ RegistryAgent ────→ registry.md\n```\n\n**关键创新：**\n- **智能分组**：文件按知识图谱中的导入关系分组，而非随意按 token 切分。构建产物（dist\u002F、bundles、vendor、编译后的文件）会被自动过滤掉。\n- **预加载上下文**：源代码直接注入到智能体的指令中——无需任何工具调用。一个以前需要 16 次 LLM 调用的模块，现在只需 1 次。\n- **模块注册表**：RegistryAgent 总结每个模块的职责。路由器知道 *每个模块的作用*，从而实现精准路由（“数据库模式”→ `src_storage`）。\n\n```bash\n# ModuleAgents 自学您的代码库\nag-refresh\n\n# 仅扫描自上次刷新以来更改的文件\nag-refresh --quick\n\n# 路由器智能地将请求路由到正确的 ModuleAgent\nag-ask \"这个项目使用了哪些测试模式？\"\n\n# 记录发现和决策（无需 LLM）\nag report \"Auth 模块需要重构\"\nag log-decision \"使用 PostgreSQL\" \"团队有深厚的专业经验\"\n```\n\n支持 Gemini、OpenAI、Ollama 或任何兼容 OpenAI 的 API 端点。由 OpenAI Agent SDK 和 LiteLLM 提供支持。\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>MCP 集成（消费者端）\u003C\u002Fb> — 允许智能体调用外部工具\u003C\u002Fsummary>\n\n`MCPClientManager` 使您的智能体能够连接到外部 MCP 服务器（GitHub、数据库等），并自动发现和注册工具。\n\n```json\n\u002F\u002F mcp_servers.json\n{\n  \"servers\": [\n    {\n      \"name\": \"github\",\n      \"transport\": \"stdio\",\n      \"command\": \"npx\",\n      \"args\": [\"-y\", \"@modelcontextprotocol\u002Fserver-github\"],\n      \"enabled\": true\n    }\n  ]\n}\n```\n\n在 `.env` 文件中设置 `MCP_ENABLED=true`。\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>GitNexus 集成\u003C\u002Fb> — 可选的深度代码智能，通过知识图谱实现\u003C\u002Fsummary>\n\n[GitNexus](https:\u002F\u002Fgithub.com\u002Fabhigyanpatwari\u002FGitNexus) 是一款 **第三方工具**，它使用 Tree-sitter AST 解析来构建代码知识图谱。Antigravity 提供了内置的集成钩子——当您单独安装 GitNexus 时，`ag-ask` 会自动检测到它，并解锁三个额外的工具：\n\n| 工具 | 功能 |\n|:-----|:-------------|\n| `gitnexus_query` | 混合搜索（BM25 + 语义）——比 grep 更适合回答“认证是如何工作的？”这样的问题 |\n| `gitnexus_context` | 360 度符号视图：调用者、被调用者、引用和定义 |\n| `gitnexus_impact` | 影响范围分析——如果更改某个符号，会破坏什么？ |\n\n> **注意：** GitNexus 并未与 Antigravity 捆绑在一起。它是一个独立的项目，需要通过 npm 单独安装。Antigravity 在没有它的情况下也能完全正常工作——GitNexus 是用于更深入了解代码的可选增强功能。\n\n**启用方法（3 步）：**\n\n```bash\n# 1. 安装 GitNexus（需要 Node.js）\nnpm install -g gitnexus\n\n# 2. 索引您的项目（一次性操作，创建本地知识图谱）\ncd my-project\ngitnexus analyze .\n\n# 3. 像往常一样使用 ag-ask——GitNexus 工具会自动被检测到\nag-ask \"认证流程是如何工作的？\"\n```\n\n**集成的工作原理：** `ask_tools.py` 会检查系统上是否已安装 `gitnexus` CLI。如果找到，它会将 `gitnexus_query`、`gitnexus_context` 和 `gitnexus_impact` 注册为每个 ModuleAgent 的附加工具。如果未找到，则这些工具将简单地不存在——零开销，不会产生错误。\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>沙盒\u003C\u002Fb> — 可配置的代码执行环境\u003C\u002Fsummary>\n\n| 变量 | 默认值 | 选项 |\n|:---------|:--------|:--------|\n| `SANDBOX_TYPE` | `local` | `local` · `microsandbox` |\n| `SANDBOX_TIMEOUT_SEC` | `30` | 秒 |\n\n详情请参阅 [沙盒文档](docs\u002Fen\u002FSANDBOX.md)。\n\u003C\u002Fdetails>\n\n---\n\n## 实际评测：MiniMax2.7 在 OpenClaw 上的性能（12K 个文件，348K 颗星）\n\n使用 **MiniMax2.7** 免费 API，针对 [OpenClaw](https:\u002F\u002Fgithub.com\u002Fopenclaw\u002Fopenclaw)——最受欢迎的开源 AI 助手（TypeScript + Swift + Kotlin，12,133 个文件）——进行了测试。\n\n### 刷新结果\n\n```\n$ ag-refresh --workspace \u002Fpath\u002Fto\u002Fopenclaw\n[1\u002F3] 扫描项目... 5000 个文件，0.14 秒\n[7\u002F8] ▶ 运行 154 个模块（并发度=8）...\n      自动拆分：extensions\u002F → 50 多个子模块（slack、telegram、whatsapp 等）\n      自动拆分：src\u002F → 40 多个子模块（agents、gateway、config 等）\n[8\u002F8] module_registry ✅ 164 行\n\n总耗时：42 分 52 秒 | 111 份模块文档 | 1.5MB 知识库\n```\n\n### 询问评估矩阵（11 项测试）\n\n| 类别 | 问题 | 结果 | 质量 |\n|:---------|:---------|:------:|:-------:|\n| 基本理解 | “这个项目是什么？” | **通过** | 5\u002F5 — 包括赞助商、平台、功能和结构 |\n| 技术栈 | “技术栈和框架是什么？” | 超时 | 3\u002F5 — 备用方案提供了语言和框架信息 |\n| 模块深入 | “Telegram 集成是如何工作的？” | **通过** | **5\u002F5** — 包括文件列表、架构图、类型和常量 |\n| 模块深入 | “Discord 的语音频道呢？” | **通过** | **5\u002F5** — 包括音频管道、代码示例和设计模式 |\n| 模块深入 | “WhatsApp 集成呢？” | **通过** | **5\u002F5** — 包括认证流程、插件架构和依赖关系 |\n| 幻觉测试 | “这个项目支持 GraphQL 吗？” | 413 | 0\u002F5 — 请求过大，免费 API 无法处理 |\n| 架构 | “Gateway 是如何工作的？” | 超时 | 2\u002F5 — 只列出了文件清单，但没有进行分析 |\n| 中文查询 | “支持哪些AI模型？” | 超时 | 1\u002F5 — 跨模块查询，需要更快的模型 |\n| 技能系统 | “技能系统是什么？” | 超时 | 2\u002F5 — 只列出了技能相关的文件 |\n| 测试模式 | “有哪些测试框架？” | 超时 | 2\u002F5 — 仅仅列出了 vitest 的配置文件 |\n| 平台列表 | “有哪些消息平台？” | 崩溃 | 0\u002F5 — 出现 413 错误 |\n\n### 关键发现：自动拆分释放模块级卓越能力\n\n```\n ✅ 模块级问答（5\u002F5）              ⚠️ 跨模块问题              ❌ 免费 API 限制\n ──────────────────────────             ────────────────────────              ─────────────────\n Telegram：架构图         Gateway：超时                      大上下文返回413错误\n Discord：音频管道 + 代码   测试：超时                        限流（429）\n WhatsApp：认证 + 插件系统 技术栈：超时\n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\n```\n\n### 分数\n\n| 维度           | 分数 | 备注                     |\n|:---------------|:----:|:-------------------------|\n| 基础问答       | **9\u002F10** | 项目概述非常出色        |\n| 模块深度解析   | **10\u002F10** | Telegram\u002FDiscord\u002FWhatsApp — 架构图、类型、设计模式 |\n| 跨模块         | **3\u002F10** | Gateway、Testing、Skills — 使用免费 API 时出现超时 |\n| **总体**       | **6.5\u002F10** | **模块问答：即使在 12K 文件的项目中也已具备生产就绪水平。跨模块：需要更快的模型。** |\n\n### 性能对比\n\n| 指标           | OpenCMO（374 个文件） | OpenClaw（12K 个文件） | 改进幅度 |\n|:---------------|:-------------------:|:--------------------:|:-----------:|\n| 刷新时间       | ~10 分钟            | **43 分钟**          | 并行 + 自动拆分 |\n| 模块文档       | 9                 | **111**              | 12 倍     |\n| 知识库大小     | 540KB             | **1.5MB**            | 2.8 倍    |\n| 模块问答质量   | 7\u002F10              | **10\u002F10**            | 自动拆分 = 更专注的知识 |\n\n> **变化之处：** 大型模块（如 extensions\u002F 包含 262 个组，src\u002F 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）**。\n\n### 快速配置以获得最佳效果\n\n```bash\n# .env — 评估后推荐设置\nOPENAI_BASE_URL=https:\u002F\u002Fyour-openai-compatible-endpoint\u002Fv1\nOPENAI_API_KEY=your-key\nOPENAI_MODEL=your-model\n\n# 最具影响力的调优：将提问超时从 45 秒提升至 120 秒\nAG_ASK_TIMEOUT_SECONDS=120\nAG_REFRESH_AGENT_TIMEOUT_SECONDS=180\nAG_MODULE_AGENT_TIMEOUT_SECONDS=90\n```\n\n> 可与任何兼容 OpenAI 的提供商配合使用：**NVIDIA**、**OpenAI**、**Ollama**、**vLLM**、**LM Studio**、**Groq**、**MiniMax** 等。\n\n---\n\n\u003Cdetails>\n\u003Csummary>\u003Cb>早期评估：MiniMax2.7 在 OpenCMO 上（374 个文件，29K 行）\u003C\u002Fb>\u003C\u002Fsummary>\n\n使用兼容 OpenAI 的路由器，针对 [OpenCMO](https:\u002F\u002Fgithub.com\u002Fstudy8677\u002FOpenCMO) 代码库（Python + React\u002FTS，374 个文件），端到端测试了 **MiniMax2.7**。\n\n### 提问评估矩阵（18 项测试）\n\n| 类别           | 问题                           | 结果   | 质量 |\n|:---------------|:-------------------------------|:------:|:-------:|\n| 基本理解       | “这个项目是什么？”             | **通过** | 5\u002F5 — 准确总结并包含技术细节 |\n| 技术栈         | “使用了哪些技术栈和框架？”     | **通过** | 5\u002F5 — 列出了前端、后端及第三方库 |\n| 模块列表       | “列出所有主要模块”             | **通过** | 5\u002F5 — 表格形式，准确无误 |\n| API 路由       | “API 路由是如何工作的？”       | **通过** | 5\u002F5 — 路由、端点及客户端代码均正确 |\n| 精确定位函数   | “llm.py 中 get_model() 的签名”  | **通过** | 5\u002F5 — 文件、行号、逻辑完全准确 |\n| 幻觉测试       | “该项目是否支持 GraphQL？”     | **通过** | 5\u002F5 — 正确回答“否”，并提供了 4 点证据 |\n| 中文提问       | “社区监控支持哪些平台？”       | **通过** | 5\u002F5 — 中文回答，表格形式清晰 |\n| 数据库表结构   | “列出所有数据库表”             | **通过** | 5\u002F5 — 列出了 34 张表，并标明来源文件 |\n| 审批流程       | “审批流程是如何运作的？”       | **通过** | 5\u002F5 — 完整的状态机流程，附带行号 |\n| 复杂架构       | “多智能体是如何工作的？”（120 秒） | **通过** | 5\u002F5 — 列出了 20 个智能体及其通信模式 |\n\n### 分数\n\n| 维度           | 分数 | 备注                     |\n|:---------------|:----:|:-------------------------|\n| 基础问答       | **9\u002F10** | 项目、技术栈、模块 — 非常出色 |\n| 代码定位       | **7\u002F10** | 精确定位查询表现优秀；但同名文件可能造成混淆 |\n| 幻觉控制       | **9\u002F10** | 不会捏造信息，会给出否定证据 |\n| 多语言支持     | **9\u002F10** | 中文问答表现优异 |\n| **总体**       | **7\u002F10** | **日常代码问答：已具备生产就绪水平。复杂分析：需调整超时时间。** |\n\n> 完整评估报告：[`artifacts\u002Fplan_20260404_opencmo_ask_boundary_eval.md`](artifacts\u002Fplan_20260404_opencmo_ask_boundary_eval.md)\n\n\u003C\u002Fdetails>\n\n---\n\n## 文档\n\n| | |\n|:--|:--|\n| 🇬🇧 英语 | **[`docs\u002Fen\u002F`](docs\u002Fen\u002F)** |\n| 🇨🇳 中文 | **[`docs\u002Fzh\u002F`](docs\u002Fzh\u002F)** |\n| 🇪🇸 西班牙语 | **[`docs\u002Fes\u002F`](docs\u002Fes\u002F)** |\n\n---\n\n## 贡献\n\n想法也是一种贡献！请提交 [issue](https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template\u002Fissues) 来报告 bug、提出功能建议或探讨架构方案。\n\n## 贡献者\n\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FLling0000\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_8fe802ad6201.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>⭐ Lling0000\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>\u003Cb>主要贡献者\u003C\u002Fb> · 创意建议 · 项目管理员 · 项目构思与反馈\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdevalexanderdaza\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_5e9075b80ff7.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Alexander Daza\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>沙盒 MVP · OpenSpec 工作流 · 技术分析文档 · 哲学理念\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchenyi\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_610d4a2be57d.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Chen Yi\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>首个 CLI 原型 · 753 行代码重构 · DummyClient 提取 · 快速入门文档\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSubham-KRLX\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_78f1b5e2c2e7.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Subham Sangwan\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>动态工具与上下文加载 (#4) · 多智能体 swarm 协议 (#3)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fshuofengzhang\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_3f87df4cc30d.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>shuofengzhang\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>内存上下文窗口修复 · MCP 关机优雅处理 (#28)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoodmorning10\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_58f0bbced58b.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>goodmorning10\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>增强 \u003Ccode>ag ask\u003C\u002Fcode> 上下文加载 — 添加 CONTEXT.md、AGENTS.md 和 memory\u002F*.md 作为上下文来源 (#29)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhigyanpatwari\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_777eeed5eca7.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Abhigyan Patwari\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhigyanpatwari\u002FGitNexus\">GitNexus\u003C\u002Fa> — 代码知识图谱原生集成到 \u003Ccode>ag ask\u003C\u002Fcode> 中，用于符号搜索、调用图和影响分析\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBBear0115\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_318648ebd492.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>BBear0115\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>技能打包与知识图谱检索优化 · 多语言 README 同步 (#30)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSunkenCost\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_6b9bbcb2c728.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>SunkenCost\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>\u003Ccode>ag clean\u003C\u002Fcode> 命令 · \u003Ccode>__main__\u003C\u002Fcode> 入口保护 (#37)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n    \u003Ctd align=\"center\" width=\"20%\">\n      \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faravindhbalaji04\">\n        \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_982d92b1c0c8.png\" width=\"80\" \u002F>\u003Cbr\u002F>\n        \u003Cb>Aravindh Balaji\u003C\u002Fb>\n      \u003C\u002Fa>\u003Cbr\u002F>\n      \u003Csub>围绕 \u003Ccode>AGENTS.md\u003C\u002Fcode> 统一指令界面 (#41)\u003C\u002Fsub>\n    \u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n## 星标历史\n\n[![星标历史图表](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_readme_05539b842226.png)](https:\u002F\u002Fstar-history.com\u002F#study8677\u002Fantigravity-workspace-template&Date)\n\n## 许可证\n\nMIT 许可证。详情请参阅 [LICENSE](LICENSE)。\n\n---\n\n\u003Cdiv align=\"center\">\n\n**[📚 完整文档 →](docs\u002Fen\u002F)**\n\n*为 AI 原生开发时代而构建*\n\n\u003C\u002Fdiv>","# Antigravity Workspace Template 快速上手指南\n\nAntigravity 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。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **Python 版本**：3.10 或更高版本\n*   **依赖项**：\n    *   `pip` (Python 包管理工具)\n    *   一个兼容 OpenAI API 格式的 LLM 服务（如 OpenAI, DeepSeek, Moonshot, Ollama 等）及对应的 API Key。\n\n## 安装步骤\n\n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）。\n\n```bash\n# 1. 安装 CLI 工具\npip install \"git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=cli\"\n\n# 2. 安装 Engine 引擎\npip install \"git+https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template.git#subdirectory=engine\"\n```\n\n> **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）：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \"git+...\"`\n\n## 基本使用\n\n### 1. 初始化项目\n进入你的项目目录，注入上下文配置文件（包括 `.antigravity\u002F` 目录和各 IDE 的规则文件）。\n\n```bash\ncd my-project\nag init .\n```\n*若需覆盖现有文件，可添加 `--force` 参数：`ag init . --force`*\n\n### 2. 配置 LLM\n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。\n\n```bash\ncat > .env \u003C\u003CEOF\nOPENAI_BASE_URL=https:\u002F\u002Fyour-endpoint\u002Fv1\nOPENAI_API_KEY=your-key\nOPENAI_MODEL=your-model\nAG_ASK_TIMEOUT_SECONDS=120\nEOF\n```\n*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）。*\n\n### 3. 构建知识库\n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。\n\n```bash\nag-refresh --workspace .\n```\n\n### 4. 提问与交互\n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。\n\n```bash\nag-ask \"这个项目中认证功能是如何实现的？\"\n```\n\n### 5. (可选) 集成到 Claude Code\n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。\n\n```bash\nclaude mcp add antigravity ag-mcp -- --workspace $(pwd)\n```","某后端团队正紧急接手一个拥有数万行代码的遗留微服务项目，需要在两天内修复一个复杂的认证模块漏洞并适配新的 IDE 环境。\n\n### 没有 antigravity-workspace-template 时\n- **上下文迷失**：AI 助手面对海量文件只能随机读取片段，频繁产生“幻觉”，给出的代码修改建议往往基于错误的架构理解。\n- **风格不一致**：每次生成的代码都违背团队原有的命名规范和异常处理习惯，开发者不得不反复手动纠正相同的格式错误。\n- **跨工具割裂**：在 Cursor、VS Code 和命令行之间切换时，需要为每个工具单独配置规则文档，维护成本极高且容易遗漏。\n- **上手门槛高**：新成员或 AI 代理无法快速理清模块依赖关系，询问“认证流程如何工作”时，只能得到泛泛而谈的理论解释，缺乏具体文件路径和行号支撑。\n\n### 使用 antigravity-workspace-template 后\n- **精准知识路由**：运行 `ag-refresh` 后，多智能体集群自动学习每个模块并生成知识库；询问认证问题时，路由器直接调用对应模块智能体，返回带确切文件路径和行号的源码级答案。\n- **规范一次生效**：团队只需在 `.antigravity\u002Fconventions.md` 中定义一次编码规范，所有 AI 代理即可首次输出符合团队风格的代码，无需重复纠错。\n- **全域环境统一**：仅凭一个 `.antigravity\u002F` 文件夹，即可让 Claude Code、Windsurf、VS Code 等不同 IDE 共享同一套上下文规则，彻底消除工具间的行为差异。\n- **极速架构洞察**：AI 能在 43 分钟内自主完成上百个模块的“自学习”，将原本数天的架构梳理时间压缩至分钟级，让开发者立即聚焦核心业务逻辑。\n\nantigravity-workspace-template 通过将静态代码库转化为动态的多智能体知识引擎，从根本上突破了 AI 编程助手的上下文理解天花板。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstudy8677_antigravity-workspace-template_2e386698.png","study8677","JingWen Fan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fstudy8677_0559efad.jpg","把复杂问题拆到不可再拆的基本事实或约束，只从这些“不可否认的底层事实”出发进行推理，而不依赖经验、类比或既有结论。","齐鲁工业大学","山东济南",null,"https:\u002F\u002Fgithub.com\u002Fstudy8677",[82,86,90,93],{"name":83,"color":84,"percentage":85},"Python","#3572A5",98.3,{"name":87,"color":88,"percentage":89},"Batchfile","#C1F12E",0.8,{"name":91,"color":92,"percentage":89},"Shell","#89e051",{"name":94,"color":95,"percentage":96},"Dockerfile","#384d54",0.1,1111,230,"2026-04-10T03:33:51","MIT","Linux, macOS, Windows","未说明",{"notes":104,"python":105,"dependencies":106},"该工具主要依赖外部 LLM API（如 OpenAI、Gemini、Ollama 等兼容接口），无需本地部署大模型或专用 GPU。需配置 .env 文件提供 API Key 和端点。支持作为 MCP 服务器与 Claude Code 等 IDE 集成。","3.10+",[107,108,109],"OpenAI Agent SDK","LiteLLM","Pydantic",[13],[112,113,114,115,116],"agentic-ai","google-antigravity","ai-coding","claude-code","codex","2026-03-27T02:49:30.150509","2026-04-10T19:13:16.503914",[120,125,130,135,139,144,149],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},28008,"如何在 Windows 上解决 'ModuleNotFoundError: No module named google' 错误？","该错误通常是因为混淆了已弃用的 'google-generativeai' 包和新的 'google-genai' 包。项目配置使用的是新的 SDK (google-genai)，其导入方式为 'from google import genai'。请确保在虚拟环境中正确安装了 'google-genai' 包，而不是旧的 'google-generativeai'。检查 requirements.txt 确认依赖项为 'google-genai'，并重新运行安装命令。注意：Windows 用户激活虚拟环境时应使用 'venv\\Scripts\\activate' 而不是 Linux\u002FMac 的 'source' 命令。","https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template\u002Fissues\u002F19",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},28009,"项目支持哪些 AI IDE 和模型？","该项目旨在实现企业级架构，支持多种 AI 集成 IDE。目前已明确支持 Google Antigravity、Cursor 以及 Claude Code。通过嵌入上下文感知文件（如 .cursorrules 和 .antigravity\u002Frules.md），IDE 可以在打开项目时立即理解上下文。维护者已确认更新仓库以更好地支持 Claude Code，用户只需克隆项目即可体验。","https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template\u002Fissues\u002F7",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},28010,"如何统一多个 AI IDE 的配置文件（如 .cursorrules, CLAUDE.md 等）以避免冗余？","目前的最佳实践是将 'AGENTS.md' 作为统一的行为规则主文件（Emerging Standard），因为 OpenAI、Google Gemini CLI 和 Claude Code 都逐渐支持读取它。其他特定于 IDE 的文件（如 .cursorrules, .clinerules）应保留但仅作为指向 'AGENTS.md' 的薄引导文件。动态生成的上下文（如约定、结构图）应保留在 '.antigravity\u002F' 目录中，以实现静态规则与动态知识的分离。","https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template\u002Fissues\u002F38",{"id":136,"question_zh":137,"answer_zh":138,"source_url":129},28011,"项目的核心设计理念和工作流程是什么？","核心理念是解决“空项目”弱点，将工作流程简化为三步：Clone (克隆) -> Rename (重命名) -> Prompt (提示)。通过将整个认知架构直接嵌入项目文件（利用 .cursorrules 或 .antigravity\u002Frules.md），IDE 转变为“知识渊博的架构师”。目标是让开发者无需在每次新项目时重复配置文件夹结构或教导 AI 工具定义，实现 Git Clone 后 IDE 即刻知晓如何工作。",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},28012,"如何为项目添加新的示例工具（Tools）？","若要扩展通用工具调度器（Universal Tool Dispatcher），需在 'src\u002Ftools\u002Fexample_tool.py' 中定义新函数（例如数学计算、天气查询或邮件发送模拟），并遵循 Google 风格编写文档字符串。定义完成后，必须在 'src\u002Fagent.py' 的 'available_tools' 字典中注册该工具，使其对 AI 代理可用。","https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template\u002Fissues\u002F1",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},28013,"未来的多智能体（Multi-Agent）协作架构是如何规划的？","项目路线图包含第 6 阶段：多智能体编排（Swarm）。计划实施一种轻量级、“零依赖”的协议，采用“路由器 - 工作者”（Router-Worker）模式。该架构允许多个代理在没有复杂配置的情况下协作处理复杂任务，建立在已有的无限记忆（Infinite Memory）和通用工具调度基础之上。","https:\u002F\u002Fgithub.com\u002Fstudy8677\u002Fantigravity-workspace-template\u002Fissues\u002F3",{"id":150,"question_zh":151,"answer_zh":152,"source_url":124},28014,"在 Windows 系统中如何正确激活虚拟环境？","在 Windows 的命令提示符或 PowerShell 中，不能使用 Linux\u002FMac 的 'source venv\u002Fbin\u002Factivate' 命令，这会报错 'CommandNotFoundException'。正确的做法是直接运行 'venv\\Scripts\\activate'（如果在项目根目录下且虚拟环境文件夹名为 venv）。安装脚本 install.bat 成功运行后，虚拟环境通常会自动激活。",[]]