AI 编码进化论：从 Copilot 的静态注入到 Antigravity 的动态自治

在 AI 辅助编程领域，我们正处于一个关键的转折点。从 GitHub Copilot Customization (.github) 到 Google Deepmind Antigravity Agent (.agent)，文件配置的细微变化背后，实则是设计哲学的根本性跨越。

本文将剥离表象，从系统架构、上下文经济学和工程自治性三个维度，深度对比这两种范式，并推演 AI 编码的未来形态。

---

1. 设计哲学：静态注入 vs 动态路由

Copilot: 上一代的 Prompt Engineering

Github Copilot 的 Customization 本质上是 RAG (检索增强生成) 的一种静态变体。

• 机制: System Prompt + Global Instructions + File Context。
• 隐喻: 它像是一个坐在副驾驶的实习生。上车前（会话开始），你必须塞给他一本厚厚的《员工手册》（Instructions）。无论车开到哪里，他脑子里始终背诵着这本手册，即使现在的路况根本用不上其中的绝大部分规则。
• 局限:
  • 线性堆叠: 所有的规则都是扁平的。
  • Context 污染: 全局注入导致无关信息挤占了宝贵的注意力窗口 (Attention Span)。

Antigravity: 下一代的 Agentic Architecture

Antigravity 引入了 Agent (智能体) 的概念，其核心在于动态路由 (Dynamic Routing) 和 状态机 (State Machine)。

• 机制: Trigger (Trigger) -> Rule Activation -> Action Execution (Workflow/Skill)。
• 隐喻: 它像是一个专家团队。
  • 写 CSS 时，”UI 设计师” 上场（加载 Style Rule）；
  • 修 Bug 时，”侦探” 上场（加载 Debug Workflow），必要时启用 browser_subagent 潜入浏览器现场进行可视化取证；
  • 平时，它们都在后台待命，不占用认知资源。
• 优势:
  • 条件计算: 只有在特定条件满足（如 glob 匹配或 model_decision 意图识别）时，才加载相关上下文。
  • 高信噪比: 永远只提供当前任务最需要的“最小完备上下文”。

---

2. 上下文经济学 (The Economics of Context)

LLM 的核心瓶颈始终是 Context Window (上下文窗口)。谁能更高效地利用窗口，谁就更智能。

Copilot 的 “All-in-One” 陷阱

Copilot 倾向于使用一个巨大的 .instructions.md。

• 优点: 简单，所见即所得。
• 缺点: 随着项目复杂度增加，Instruction 文件会无限膨胀。当规则超过 2k token 时，模型的遵循能力呈指数级下降（”Lost in the Middle” 现象）。开发者被迫在“写得全”和“模型记得住”之间做痛苦的权衡。

Antigravity 的 “Just-in-Time” 策略

Antigravity 通过 .agent 目录结构实现了上下文的分片与按需加载。

• Rules: 只有当你打开 .py 文件时，Python 的编码规范才会被注入；当你请求“Debug”时，Debug 的 SOP (标准作业程序) 才会被激活。
• Tools: 它不再只是生成文本，而是通过 Skills 调用工具。这相当于把“记忆”外包给了“工具”，进一步释放了推理算力。

---

3. 架构辨析：为什么 3 < 4 ?

许多开发者会疑惑：Copilot 提供了 4 个模块（Instructions, Prompts, Agents, Skills），而 Antigravity 只有 3 个（Rules, Skills, Workflows），这是不是意味着功能缺失？

恰恰相反。Antigravity 的设计不仅没有缺失功能，反而是通过 “正交化” (Orthogonality) 和 “升维” 实现了更强的能力。

角色与记忆的重构 (Identity Consolidation)

• Copilot: 你需要同时维护 Instructions（全局规则）和 Agents（特定角色），两者经常发生优先级冲突。
• Antigravity: 统一归纳为 Rules。通过 Trigger 区分全局（always_on）和角色（model_decision），系统自动处理优先级，逻辑更加自洽。

从“话术”到“流程”的升维 (Interaction vs Execution)

这是最大的区别所在。

• Copilot Prompts: 它是文本模板。它只能帮你“省去打字时间”，但无法强制 AI 按步骤执行。AI 拿到 Prompt 后，仍然可能自由发挥。
• Antigravity Workflows: 它是可执行程序。它包含逻辑控制（Gather -> Plan -> Execute）。它强行约束了 AI 的思考路径。

结论：Prompt 是“点菜菜单”，Workflow 是“后厨 SOP”。Antigravity 去掉了冗余的分类，留下了三个正交（互不干扰）的核心概念：

1. Rules: 静态的约束 (State & Constraints)
2. Skills: 原子化的能力 (Atomic Capabilities)
3. Workflows: 动态的流程 (Dynamic Process)

这是一种更高内聚、低耦合的高级架构设计。

---

4. 从“生成”到“执行”：自治性的飞跃

这是两者最本质的区别。

• Copilot 是 “Stateless” (无状态的)。它通过预测下一个 token 来回答问题。它不知道任务的进度，没有“完成”的概念，只有“输出结束”。
• Antigravity 是 “Stateful” (有状态的)。它通过 Workflows 定义了任务的生命周期：
  1. Gather: 收集信息
  2. Plan: 制定计划
  3. Execute: 执行变动
  4. Verify: 验证结果

  这种 DAG (有向无环图) 的任务结构，使得 AI 能够执行长周期的复杂任务，而不是只能回答一个个孤立的问题。

---

5. 未来展望：AI 原生工程 (AI-Native Engineering)

Antigravity 的设计揭示了未来软件工程的趋势：

1. 代码即配置，配置即 Prompt: 未来的项目结构中，.agent 目录的重要性将不亚于 src 目录。工程师不仅要写代码，更要编写“如何写代码的规则”。
2. 人类角色的转变: 我们将从“驾驶员”变为“调度员”。我们的工作不再是手写每一个函数，而是定义 Trigger，优化 Workflow，像设计电路板一样设计 AI 的思考路径。
3. 双向奔赴:
   • Copilot 正在变“重”：引入 Workspace Agent，试图增加对项目全局的理解。
   • Antigravity 正在变“轻”：通过更好的 UX 降低配置门槛。
   • 最终，两者将在 “Autonomous Agent” 这一点上殊途同归。

结语

如果说 Copilot 是给旧时代的 IDE 装上了涡轮增压，那么 Antigravity 就是在设计新时代的自动驾驶底盘。

对于开发者而言，现在开始习惯 Agentic Workflow 的思维方式——即把任务拆解为 SOP，把经验固化为 Rule，把能力封装为 Skill——是在 AI 时代保持竞争力的关键。