In der heutigen Zeit ist es wahrscheinlich, dass Sie bereits das Gefühl haben, dass die Ära der agentenbasierten künstlichen Intelligenz begonnen hat. Entwickler greifen zunehmend auf neue Werkzeuge zurück, die nicht nur reaktiv Code generieren, sondern auch die einzigartigen Prozesse hinter der Codegenerierung verstehen.
Google Antigravity spielt in diesem Kontext eine entscheidende Rolle. Dieses Tool bietet die Möglichkeit, hochgradig anpassbare Agenten zu erstellen. In diesem Artikel werden wir einige seiner Potenziale aufdecken, indem wir drei grundlegende Konzepte näher beleuchten: Regeln, Fähigkeiten und Workflows.
Sie werden lernen, wie Sie diese Schlüsselkonzepte miteinander verknüpfen, um robustere Agenten und leistungsstarke automatisierte Pipelines zu erstellen. Lassen Sie uns beginnen!
Die drei Kernkonzepte verstehen
Bevor wir in die praktische Anwendung eintauchen, ist es sinnvoll, die folgenden drei Elemente des Google Antigravity-Ökosystems zu erläutern:
- Regel: Dies sind die grundlegenden Einschränkungen, die das Verhalten des Agenten bestimmen und wie er an unseren Stack angepasst werden kann. Sie werden als Markdown-Dateien gespeichert.
- Fähigkeit: Fähigkeiten sind wiederverwendbare Pakete, die Wissen enthalten, das den Agenten anweist, wie er eine bestimmte Aufgabe angehen soll. Diese werden in einem speziellen Ordner gespeichert, der eine Datei namens SKILL.md enthält.
- Workflow: Workflows sind die Orchestratoren, die alles zusammenfügen. Sie werden durch befehlsgleiche Anweisungen aufgerufen, die mit einem Schrägstrich beginnen, z. B. /deploy. Einfach gesagt, Workflows führen den Agenten durch einen gut strukturierten Aktionsplan, der aus mehreren Schritten besteht. Dies ist der Schlüssel zur Automatisierung wiederkehrender Aufgaben ohne Verlust an Präzision.
Praktische Umsetzung
Nun kommen wir zu unserem praktischen Beispiel. Wir werden sehen, wie man Antigravity konfiguriert, um Python-Code zu überprüfen, das richtige Format anzuwenden und Tests zu generieren – und das alles ohne zusätzliche Drittanbieter-Tools.
Stellen Sie sicher, dass Sie Google Antigravity auf Ihrem Computer heruntergeladen und installiert haben, bevor Sie mit diesen Schritten fortfahren.
Nach der Installation öffnen Sie die Desktop-Anwendung und wählen Ihren Python-Projektordner aus. Falls Sie neu bei diesem Tool sind, werden Sie aufgefordert, einen Ordner in Ihrem Dateisystem zu definieren, der als Projektordner fungiert. Um einen manuell erstellten Ordner in Antigravity hinzuzufügen, nutzen Sie die Option „Datei >> Ordner zum Arbeitsbereich hinzufügen…“ im oberen Menü.
Angenommen, Sie haben einen neuen, leeren Arbeitsbereichsordner. Im Stammverzeichnis des Projektverzeichnisses (linke Seite) erstellen Sie einen neuen Ordner mit dem Namen .agents. In diesem Ordner werden wir zwei Unterordner erstellen: einen namens rules und einen namens skills. Diese beiden Ordner sind die Grundlagen für das Verhalten unseres Agenten: Regeln und Fähigkeiten.
Regel definieren
Beginnen wir mit der Definition einer Regel, die unsere grundlegenden Einschränkungen enthält und sicherstellt, dass der Agent die Python-Formatierungsstandards einhält. In Antigravity definieren wir dies mit klaren Anweisungen in natürlicher Sprache. Im Unterordner rules erstellen Sie eine Datei namens python-style.md und fügen den folgenden Inhalt ein:
# Python Style Regel
Immer die PEP 8-Standards verwenden. Bei der Bereitstellung oder Refaktorisierung von Code gehen wir davon aus, dass wir `black` für die Formatierung verwenden. Halten Sie Abhängigkeiten strikt auf kostenlose, Open-Source-Bibliotheken beschränkt, um sicherzustellen, dass unser Projekt kostenlos bleibt.
Um die Regel zu aktivieren, gehen Sie zum Anpassungsbereich des Agenten, der auf der rechten Seite des Editors angezeigt wird, und wählen Sie die gerade definierte Regel aus.
Fähigkeiten hinzufügen
Jetzt ist es an der Zeit, dem Agenten einige Fähigkeiten beizubringen. Diese Fähigkeit wird darin bestehen, robuste Tests für Python-Code durchzuführen – etwas, das in der heutigen anspruchsvollen Softwareentwicklung äußerst nützlich ist. Im Unterordner skills erstellen wir einen weiteren Ordner mit dem Namen pytest-generator. Erstellen Sie darin eine SKILL.md-Datei mit folgendem Inhalt:
# Fähigkeit: pytest-generator
Diese Fähigkeit generiert umfassende Tests für Python-Funktionen.
Nun fügen wir alles zusammen und starten unseren Agenten, jedoch nicht ohne zuvor ein Beispiel-Python-Datei mit „schlechtem Code“ in unserem Projektarbeitsbereich zu haben, um alles auszuprobieren. Wenn Sie keine haben, erstellen Sie eine neue .py-Datei, nennen Sie sie beispielsweise flawed_division.py im Stammverzeichnis und fügen Sie diesen Code hinzu:
def divide_numbers(x, y):
return x / y
Dieser Python-Code ist absichtlich unordentlich und fehlerhaft. Lassen Sie uns sehen, was unser Agent damit machen kann. Gehen Sie zum Anpassungsbereich auf der rechten Seite und konzentrieren Sie sich diesmal auf das Navigationsfeld „Workflows“. Klicken Sie auf „+Workspace“, um einen neuen Workflow zu erstellen, den wir qa-check nennen, mit folgendem Inhalt:
# Titel: Python QA Check
# Beschreibung: Automatisiert die Codeüberprüfung und Testgenerierung für Python-Dateien.
Schritt 1: Überprüfen Sie die aktuell geöffnete Python-Datei auf Fehler und Stilprobleme, unter Berücksichtigung unserer Python Style Regel.
Schritt 2: Refaktorisieren Sie ineffizienten Code.
Schritt 3: Rufen Sie die Fähigkeit `pytest-generator` auf, um umfassende Unit-Tests für den refaktorierten Code zu schreiben.
Schritt 4: Geben Sie den endgültigen Testcode aus und schlagen Sie vor, `pytest` im Terminal auszuführen.
All diese Elemente, wenn sie vom Agenten zusammengefügt werden, transformieren den gesamten Entwicklungsprozess. Mit der unordentlichen Python-Datei, die noch im Arbeitsbereich geöffnet ist, setzen wir unseren Agenten in Bewegung, indem wir auf das Agentensymbol im rechten Bereich klicken, den Befehl qa-check eingeben und die Eingabetaste drücken, um den Agenten auszuführen.
Ergebnisse der Agentenaktion
Nach der Ausführung hat der Agent den Code überprüft und automatisch eine neue Version in der Python-Datei vorgeschlagen, wie unten gezeigt:
# Der vom Agenten vorgeschlagene refaktorisierte Code
def divide_numbers(x, y):
if y == 0:
raise ValueError(„Cannot divide by zero“)
return x / y
Doch das ist noch nicht alles: Der Agent liefert auch die umfassende Qualitätsprüfung, die wir gesucht haben, indem er eine Reihe von Codeausschnitten generiert, die Sie verwenden können, um verschiedene Arten von Tests mit pytest durchzuführen. Zum Beispiel könnten einige dieser Tests wie folgt 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=“Cannot divide by zero“):
divide_numbers(10, 0)
Dieser gesamte sequenzielle Prozess, der vom Agenten durchgeführt wurde, bestand darin, zuerst den Code unter den 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.
Fazit
Zusammenfassend haben wir in diesem Artikel gezeigt, wie man drei Schlüsselelemente von Google Antigravity – Regeln, Fähigkeiten und Workflows – kombiniert, um generische Agenten in spezialisierte, robuste und effiziente Arbeitskollegen zu verwandeln. Wir haben veranschaulicht, wie man einen Agenten spezialisiert, der unordentlichen Code korrekt formatiert und QA-Tests definiert.
Iván Palomares Carrascosa ist ein führender Experte, Autor, Redner und Berater im Bereich KI, maschinelles Lernen, tiefes Lernen und LLMs. Er schult und leitet andere an, wie man KI in der realen Welt nutzt.
Abonnieren Sie unseren Newsletter, um das kostenlose eBook ‚KDnuggets Artificial Intelligence Pocket Dictionary‘ sowie die neuesten Informationen zu Data Science, maschinellem Lernen, KI und Analytik direkt in Ihr Postfach zu erhalten.
Wenn Sie mehr über die Tools zur Codeverständnis und Dokumentation erfahren möchten, werfen Sie einen Blick auf 5 Free AI Tools to Understand Code and Generate Documentation. Für eine tiefere Einsicht in die Orchestrierung von AI-Agenten, schauen Sie sich die Top 7 AI Agent Orchestration Frameworks an. Und für eine umfassende Analyse der Plattform, besuchen Sie Abacus AI: Eine umfassende Analyse der Funktionen und Preisgestaltung der innovativen Plattform.
„`
Bildquelle: ai-generated-gemini
