So automatisieren Sie Google Antigravity-Audits: Erstellen Sie benutzerdefinierte Fähigkeiten und Regeln für die Selbstverwaltung

📅 Erstellt: 2026/07/12, Aktualisiert: 2026/07/12 ⏱️ Geschätzte Lesezeit ~7 mins (1,299 Wörter)

Wenn Sie KI-Assistenten wie Google Antigravity anpassen, können die Regeln und Fähigkeiten zu zahlreich werden, um verwaltet zu werden.
In diesem Artikel wird beschrieben, wie Sie einen benutzerdefinierten Skill zur Selbstwartung (Antigravity-Audit) erstellen, der es dem KI-Agenten ermöglicht, seine eigenen Konfigurationen zu überprüfen und automatisch zu optimieren.

Inhaltsverzeichnis

Überblick
Das „Konfigurationschaos“-Problem
Gestaltung eines „Antigravitations-Audits“.
1. Hauptmerkmale
2. 🔄 Der Ablauf des Ausführungsprozesses
🔍 Spezifische Audit-Standpunkte, gescannt von „antigravity-audit“.
1. 1. Statische Validierung (programmatische Prüfungen)
2. 2. KI-Qualitative Überprüfung und Optimierungsvorschläge (LLM-gesteuerte Prüfungen)
🌐 Automatisierte Synchronisierung von „Externen Spezifikationen und Regeln“ über Selenium
1. Ausführungsprozess
📊 Ein Beispiel für einen realen Auditbericht
🛠️ Die Mechanik von „Auto-Fix“
🔄 Tägliche Entwicklung und Workflow-Integration
🔗 GitHub-Repository
Fazit

So automatisieren Sie Google Antigravity-Audits: Erstellen Sie benutzerdefinierte Fähigkeiten und Regeln für die Selbstverwaltung

Überblick

Wenn Sie KI-Codierungsassistenten (wie Google Antigravity oder Claude Code) verwenden, werden Sie feststellen, dass sich Konfigurationsdateien und benutzerdefinierte Fähigkeiten schnell ansammeln.Dies kann zu einem sogenannten „Konfigurationschaos“ führen.In diesem Artikel stellen wir vor, wie Sie einen benutzerdefinierten Selbstwartungs-Skill namens „Antigravity-Audit“ erstellen, der Ihre Konfigurationen automatisch scannt, diagnostiziert und optimiert, zusammen mit sauberen tragbaren Designmustern.

Das „Konfigurationschaos“-Problem

Die Einführung von KI-Codierungsassistenten führt häufig zu einem schnellen Aufbau von Verhaltensregeln (z. B. RULES.md, AGENTS.md) und benutzerdefinierten Skripten (z. B. SKILL.md) sowohl in projektlokalen als auch in benutzerglobalen Ordnern.

Dieses schnelle Wachstum bringt mehrere Managementherausforderungen mit sich:
1. Veraltete Regeln : Veraltete Anweisungen bleiben aktiv und überladen das Kontextfenster der KI.
2. Fehlerhafte Fähigkeiten : Fehlende Skriptverweise oder veraltete Abhängigkeiten unterbrechen die Ausführung.
3. Desynchronisierte zweisprachige Dokumente : Dokumentaktualisierungen in einer Sprache führen dazu, dass die andere Sprache veraltet ist.

Die manuelle Überprüfung dieser Dateien ist mühsam.Eine elegante Lösung besteht darin, die Prüfung der KI-Konfigurationen an den KI-Assistenten selbst zu delegieren .

Gestaltung eines „Antigravitations-Audits“.

Der benutzerdefinierte Skill „antigravity-audit“ scannt Zielverzeichnisse, diagnostiziert Konfigurationen und Skills, erstellt einen sauberen Markdown-Diagnosebericht und versucht, kleinere Probleme automatisch zu beheben.

Hauptmerkmale

Erkennung zweisprachiger Arbeitsbereiche :
Scannt Stammdateien (z. B. SKILL.md, README.md), um das Verhältnis japanischer Zeichen zu ermitteln.Basierend auf diesem Verhältnis bestimmt der Skill dynamisch, ob der Prüfbericht auf Japanisch oder Englisch ausgegeben wird.
Skill-Integritätsprüfung :
Überprüft, ob YAML-Frontmatter erforderliche Attribute („Name“, „Beschreibung“) enthält und markiert tote Skriptreferenzen.
Regeldeduplizierung :
Sucht auf globaler Ebene und auf Projektebene nach redundanten Regeln und schlägt Bereinigungen vor.

🔄 Der Ablauf des Ausführungsprozesses

Das folgende Diagramm veranschaulicht die Abfolge der Aktionen vom Auslösen des Audit-Skills bis zum Anwenden von Umgebungspatches.

sequenceDiagram autonumber actor Developer as Developer participant Audit as audit.py participant Selenium as Selenium (Headless) participant Spec as Spec Site (Web) participant Agent as AI Agent (LLM) participant Patch as apply_patch.py Developer->>Audit: Launch Skill (python3 scripts/audit.py) rect rgb(240, 248, 255) note right of Audit: Self-Update Phase Audit->>Selenium: Instruct Spec Scraping Selenium->>Spec: Fetch Live Guidelines (Antigravity 2.x) Spec-->>Selenium: Rendered Page DOM Selenium-->>Audit: Crawled Spec Data (Markdown/JSON) note right of Audit: Compare and self-update script if out-of-date end rect rgb(245, 245, 245) note right of Audit: Workspace Scan Phase Audit->>Audit: Scan target folder (.agents/) Audit->>Audit: Detect document language ratio end rect rgb(255, 245, 238) note right of Audit: Verification & Review Phase Audit->>Audit: Run static validations (YAML/JSON schema, Sidecar, MCP etc) Audit-->>Agent: Present static result and file list Agent->>Agent: Run LLM Qualitative Review (analyzing Hooks, Subagents, etc) Agent-->>Audit: Return Qualitative Tuning proposals end Audit-->>Developer: Output Audit Report (audit_report.md) Developer->>Developer: Review suggestions and approve patch Developer->>Patch: Run Patch Command (python3 apply_patch.py --patch [file]) Patch-->>Developer: Safely apply changes to target files

① Selbstaktualisierungsphase :
Um die Synchronisierung mit den neuesten Richtlinien sicherzustellen, initiiert der Skill beim Start einen Selenium-basierten Crawl der offiziellen Spezifikationen und führt automatisch einen Patch durch und startet sich selbst neu, wenn eine Nichtübereinstimmung auftritt.
② Workspace-Scan-Phase :
Erkennt globale und projektbezogene „.agents/“-Einstellungen und analysiert die japanischen/englischen Verhältnisse, um Ausgabeberichte in der richtigen Zielsprache zu formatieren.
③ Verifizierungs- und Überprüfungsphase :
Führt programmgesteuerte Prüfer aus (Schema-Layout, MCP-Endpunkte, Hooks-Syntax, Sidecar-Schlüssel) und überträgt dann Daten an den KI-Agenten, um qualitative Optimierungen basierend auf der Tuning-Checkliste zu erstellen.
④ Report & Patch-Anwendung :
Speichert den Markdown-Auditbericht („audit_report.md“) zur Benutzerüberprüfung.Nach der Genehmigung wird der Patch mithilfe von „apply_patch.py“ sicher angewendet.

🔍 Spezifische Audit-Standpunkte, gescannt von „antigravity-audit“.

Um eine Verschlechterung der KI-Entwicklungsumgebungen zu verhindern, führt der Skill Prüfungen durch, die programmatische „statische Validierung“ und „qualitative KI-Überprüfung“ kombinieren, die vom LLM unterstützt werden.

1. Statische Validierung (programmatische Prüfungen)

Mithilfe von „audit.py“ und Diagnose-Submodulen werden die folgenden Elemente automatisch überprüft:

Bewertungselement	Details prüfen	Ziel / Zweck
Schemakonformität	Überprüft, ob „SKILL.md“ gültige YAML-Frontmatter und die richtige JSON-Syntax/obligatorische Attribute enthält.	Um sicherzustellen, dass das System benutzerdefinierte Fähigkeiten korrekt analysiert und lädt.
Regelbeschreibung Regel	Überprüft, ob die „Beschreibung“ in Rule Frontmatter („rules/*.md“) maximal 150 Zeichen lang ist.	Um die Lesbarkeit sauberer Listen in UI-Umgebungen aufrechtzuerhalten.
Physische Vervielfältigung	Erkennt doppelte Regeln oder Skilldateien, die physisch über globale ( `~/.gemini/config/` ) und lokale ( `.agents/` ) Speicherorte kopiert wurden.	Um Konfigurationskonflikte zu vermeiden und redundante Dateien zu bereinigen.
Sidecar-Aktivierung ⚡	Wenn „sidecar.json“ vorhanden ist, wird überprüft, ob „sidecars. .enabled“ in „~/.gemini/config/config.json“ auf „false“ gesetzt ist.	Um zu verhindern, dass Hintergrund-Daemons aufgrund fehlender Konfigurationsschlüssel nicht gestartet werden können.
Plugin-Platzierung ⚡	Überprüft, ob Plugins in den unterstützten Pfaden korrekt positioniert sind: „.agents/plugins/“ oder „_agents/plugins/“.	Um Ausnahmen beim Laden von Laufzeit-Plugins zu verhindern.
MCP-Schemaprüfung ⚡	Überprüft, ob Remote-Konfigurationen in „mcp_config.json“ das gültige „serverUrl“-Feld anstelle nicht unterstützter Felder verwenden.	Um Remote-Verbindungsausnahmen mit externen MCP-Hosts zu vermeiden.
Hook AgentStop-Validierung ⚡	Stellt sicher, dass in „hooks.json“ definierte „AgentStop“-Ereignisse eine JSON-Ausgabe zurückgeben, die das Feld „decision“ enthält.	Um ein abruptes Beenden des Ausführungsflusses durch nicht behandelte Hooks zu verhindern.
Analyse des Gehirnprotokollverlaufs ⚡	Scannt aktuelle Sitzungsprotokolle und Fehlerereignisse, um Antigravity-Konfigurationsoptimierungen (AUD-08 bis AUD-10) dynamisch zu diagnostizieren.	Um sich wiederholende Kompilierungs-/Ausführungsausnahmen und Arbeitsabläufe automatisch zu beheben.

2. KI-Qualitative Überprüfung und Optimierungsvorschläge (LLM-gesteuerte Prüfungen)

Nach der Durchführung statischer Prüfungen überprüft der KI-Agent die Konfigurationsdateien, um strukturelle Verbesserungen vorzuschlagen:

Bewertungselement	Details prüfen	Ziel / Zweck
Hook-Konvertierung	Schlägt die Migration von Linter-, Formatierungs- oder Testskriptausführungen in „hooks.json“-Ereignisse statt in aktive Skill-Schritte vor.	Um kritische Behauptungen zu automatisieren und Versäumnisse bei der manuellen Ausführung zu vermeiden.
Globale/lokale Platzierung	Schlägt vor, wiederverwendbare, allgemeine Richtlinien in globale Einstellungen und projektspezifische Kontexte in projektlokale Pfade zu verschieben.	Um die Nutzung von Kontextfenstern zu optimieren und die Wiederverwendung von Regeln zu verbessern.
Sidecar-Migration	Schlägt vor, Hintergrund-Listener oder wiederkehrende Cron-Jobs in „sidecar.json“-Strukturen zu packen, um sie als System-Daemons auszuführen.	Um Blockierungsvorgänge von aktiven Konversationsläufen zu entlasten.
Subagentendelegation	Schlägt vor, schwere Vorgänge (wie umfangreiche Codebasis-Scans oder E2E-Tests) mithilfe von „invoke_subagent“ auf untergeordnete Agenten auszulagern.	Um das Limit des übergeordneten Kontextfensters (65.536 Token) zu umgehen und asynchrone Aufgaben auszuführen.
Plugin-Verpackung	Empfiehlt das Packen verwandter Fähigkeiten, Regeln, MCP-Einstellungen und Hooks in ein durch Namespaces getrenntes Plugin.	Um die Verwaltung benutzerdefinierter Funktionen zu vereinfachen und Einstellungen sauber zu verteilen.
Berechtigung mit den geringsten Privilegien	Schlägt vor, die Ausführungsberechtigungen mit Platzhaltern („*“) auf bestimmte Befehlspräfixe oder Verzeichnisse einzugrenzen.	Um die Sandbox-Integrität aufrechtzuerhalten und gefährliche Befehlsausführungen zu verhindern.
Logische Konsolidierung	Löst Regeln auf, die ähnliche Anweisungen unter unterschiedlichen Dateinamen teilen, und führt sie mithilfe von Vergleichstabellen „Ist -> Soll“ zusammen.	Um redundante Richtlinien zu beschneiden und den Regel-Token-Footprint klein zu halten.
Ausfallsicherer Haken	Empfiehlt Hooks, die Agenten blockieren, die versuchen, mit „–no-verify“ einen Commit durchzuführen oder Setup-Konfigurationen zu ändern.	Um eine versehentliche Umgehung von Verifizierungsstandards zu vermeiden.
Speicherkonsistenz	Überprüft die Konsistenz zwischen Fortschrittsdateien („task.md“) und Status-Cache-JSONs.	Um die Fortschrittsanzeigen des Agenten synchron zu halten.
Hook-Kostenbewertung	Prüft Hook-Timeouts und -Mengen, um Antwortlatenz und unnötige Token-Abrechnungen zu vermeiden.	Optimierung der Entwicklererfahrung (DX) durch Vermeidung langsamer Roundtrips.
Regel-/Fähigkeitsempfehlungen	Schlägt benutzerdefinierte Regeln/Fähigkeiten vor, die zu den einzigartigen Tech-Stacks oder APIs des Projekts passen (z. B. Vertex AI).	Um sich vor Tech-Stack-spezifischen Fallstricken zu schützen und die Implementierung zu beschleunigen.

🌐 Automatisierte Synchronisierung von „Externen Spezifikationen und Regeln“ über Selenium

Eine weitere wichtige Säule der Regelprüfung ist „Ruleset Freshness Management“ .
Offizielle Spezifikationen für Cloud-Dienste wie AWS und GCP sowie Dokumentationen zu KI-Tools (wie Antigravity selbst) werden regelmäßig aktualisiert.Wenn lokal gespeicherte Regeln („RULES.md“) statisch bleiben, generiert der KI-Assistent weiterhin veraltete Konfigurationen und veraltete Befehlsaufrufe.

Um dem entgegenzuwirken, unterstützt „antigravity-audit“ automatisches Web-Crawling und Scraping offizieller Spezifikationsseiten mit Selenium (Headless Chrome) , um die neuesten Richtlinien abzurufen.

Ausführungsprozess

Dynamisches Abrufen von Dokumenten : Selenium steuert eine Headless-Chrome-Instanz, um durch öffentliche Referenzseiten oder Versionshinweise zu navigieren, denen standardisierte APIs fehlen, und konvertiert HTML-Tabellen/Dokumente in Markdown oder JSON.
Differenzerkennung : Analysiert und vergleicht lokale Regeln (z. B. „port_allocation.md“-Porttabellen oder Befehlsparameter) mit den gecrawlten Live-Spezifikationen.
Automatisiertes Regel-Patching : Warnt den Benutzer im Audit-Bericht vor veralteten Befehlen oder aktualisierten Endpunkten und generiert eine Patch-Datei für Felder, die automatisch aktualisiert werden können.

Dieser Mechanismus stellt sicher, dass Ihr lokaler Regelkontext ohne menschliches Eingreifen mit den neuesten Branchenspezifikationen synchronisiert bleibt.

📊 Ein Beispiel für einen realen Auditbericht

Hier ist ein Beispiel für die tatsächliche Markdown-Berichtsausgabe, die beim Ausführen von „antigravity-audit“ generiert wird.Es verwendet visuelle Warnungen („❌ Fehler“, „⚠️ Warnung“) und Warnungen im GitHub-Stil, um Probleme leicht erkennbar zu machen.

# 🛡️ Antigravity Environment Audit Report

> [!NOTE]
> Scan completed at: 2026-07-12 19:40:00 (JST)
> Detected primary language: English (en)

## 📈 Diagnostic Summary

| Category | Checks Run | Issues Found | Auto-fix Status |
| :--- | :---: | :---: | :---: |
| Global Rules (AGENTS.md) | 12 | 1 | 🛠️ Auto-fixed |
| Project Rules (RULES.md) | 8 | 0 | ✅ No issues |
| Custom Skills (skills/) | 15 | 2 | ⚠️ Action Required |

---

## 🚨 Diagnostic Alert Details

### 1. Duplicate Rule in Global Settings
- **File**: `~/.gemini/config/AGENTS.md`
- **Status**: `⚠️ Warning`
- **Details**: The rule forbidding "Chrome automation" duplicates a project-level definition in `.agents/RULES.md`.
- **Action**: Automatically removed the duplicate rule section from the global configuration to optimize context. (**Auto-fix completed**)

### 2. Missing YAML Frontmatter Field in Custom Skill
- **File**: `skills/aws-deploy/SKILL.md`
- **Status**: `❌ Error`
- **Details**: Missing the mandatory `description` field required by the skill loader.
- **Action**: Please open `skills/aws-deploy/SKILL.md` manually and add a suitable description to its frontmatter block.

### 3. Broken Executable Reference in Custom Skill
- **File**: `skills/house-keeping/SKILL.md`
- **Status**: `❌ Error`
- **Details**: The helper script `scripts/cleanup.sh` referenced in `SKILL.md` is missing or lacks executable permissions.
- **Action**: Check if the file exists and verify if `chmod +x` has been run.

🛠️ Die Mechanik von „Auto-Fix“

Über das bloße Melden von Problemen hinaus kann „antigravity-audit“ bestimmte Konfigurationen sicher lösen:

Automatisches Ausfüllen von YAML Frontmatter :
Wenn einer „SKILL.md“ YAML-Frontmatter fehlt, analysiert das KI-Modell den Skill-Inhalt, leitet dynamisch einen Namen und eine Beschreibung ab und fügt den Frontmatter-Block automatisch am Anfang der Datei ein.
Redundante Regeln zusammenführen :
Wenn global und lokal identische Regeln vorhanden sind, werden die globalen Regeln mit niedrigerer Priorität auskommentiert oder bereinigt, wodurch der Tokenverbrauch auf ein Minimum reduziert wird.

🔄 Tägliche Entwicklung und Workflow-Integration

Wir empfehlen, diesen Audit-Workflow in Ihren täglichen Entwicklungszyklus zu integrieren:

Wöchentliche oder monatliche regelmäßige Bewertungen (empfohlen) :
Da der Regelkontext und die Fähigkeiten kontinuierlich wachsen, planen Sie einen wöchentlichen oder monatlichen Wartungstag ein, um das Prüfskript auszuführen.Dies ermöglicht Überprüfungen des Umgebungszustands und Bereinigungsaufgaben, ohne die lokale Commit-Geschwindigkeit (DX) zu verlangsamen.
CI/CD-Pipeline-Integration :
Führen Sie das Audit-Skript automatisch in CI/CD-Umgebungen (z. B. GitHub Actions) bei der Erstellung oder Zusammenführung von Pull Requests aus, um zu überprüfen, ob Regeln und Fähigkeiten korrekt formatiert sind, ohne die lokale Commit-Geschwindigkeit zu verlangsamen.
Manuelle On-Demand-Anweisung :
Wenn Sie eine Sitzung mit einem KI-Agenten beginnen, fordern Sie den Scan mit einer einfachen Eingabeaufforderung an:
> „Führen Sie den automatischen Audit-Skill aus, um meine aktuellen benutzerdefinierten Skills und Regeln zu scannen. Beheben Sie alle redundanten Regeln oder Formatierungsfehler automatisch.“

🔗 GitHub-Repository

Die Konfigurationsvorlagen für den Auto-Audit-Skill und der Quellcode dieses Blogs sind im folgenden GitHub-Repository verfügbar:

👉 kanji-shinohara/web-gcp-us-firebase-moderniser-repo

Fazit

Um die Effizienz von KI-Programmierungsagenten zu maximieren, muss unsere Entwicklungsumgebung organisiert und optimiert bleiben.Durch die Delegierung von Selbstwartungsaufgaben an benutzerdefinierte Fähigkeiten können sich Entwickler auf die aktive Codierung konzentrieren.