Everything Antigravity：一个让 AI Agent 真正"懂规矩"的编码框架

想象一下：你对 AI 说"帮我写一个用户登录功能"，AI 交出的代码风格飘忽不定——这里用 PEP8，那里用 C 风格大括号，变量命名随心所欲，注释全靠拼音缩写。下一轮对话你让它"加单元测试"，它把测试写到了 main.py 里。这种"无组织无纪律"的开发体验，正是 Everything Antigravity 要解决的问题。

背景：AI 编程工具的热潮与纪律危机

2023-2024 年，以 Cursor、Windsurf、GitHub Copilot 为代表的 AI 编程工具席卷全球。但随着 Claude Code、OpenAI Codex CLI 等命令行 AI Agent 的兴起，一个深层矛盾浮出水面：这些 Agent 缺乏稳定的工程规范约束。

AI 在长对话中容易"跑偏"：代码风格前后不一致、忘记安全最佳实践、忽略测试驱动开发流程、甚至写出硬编码密码。传统的 .editorconfig、pre-commit hooks 只能约束人类，AI 对这些文件视若无睹。

印度开发者 Krishna Kanth B.（GitHub @krishnakanthb13）从同类型的 everything-claude-code 项目中获得灵感，于 2026 年 2 月正式发布了 Everything Antigravity——一个专为 AI Agent 设计的编码规则、技能和 Agent 角色定义框架。

核心设计：三组件体系

Everything Antigravity 的架构围绕**三元组模式（Triad Pattern）**组织，将知识分为三个层次：

1. Agents（角色定义）— 13 种专业"人设"

Agents 目录下的 Markdown 文件定义了 13 种专业 Agent 角色，每个 Agent 都有自己独立的检查清单和工作流程：

Agent	职责	关键能力
Architect	系统架构设计	可扩展性评估、技术选型、模块划分
Planner	任务分解与规划	工作流编排、优先级排序
Code Reviewer	代码质量审查	安全漏洞检测、风格一致性检查
Database Reviewer	数据库专项审查	索引优化、查询效率、事务一致性
Security Reviewer	安全审计	OWASP Top 10 漏洞扫描、依赖安全
TDD Guide	测试驱动开发	引导 AI 写出可测试代码
Python Reviewer	Python 专项审查	Pythonic 风格、类型提示、PEP 8
Go Reviewer	Go 专项审查	错误处理、goroutine 安全
E2E Runner	端到端测试	自动化测试流程编排
Build Error Resolver	构建错误修复	编译错误诊断与修复建议
Refactor Cleaner	重构与清理	代码异味检测、死代码删除
Doc Updater	文档同步	代码变更与文档一致性维护

这些 Agent 以 Markdown + YAML frontmatter 格式存储，AI Agent 可以直接读取并"扮演"对应角色，遵循该角色的检查清单工作。

架构设计 Agent 示例

2. Rules（编码规范）— 分层规则体系

docs/rules/ 目录下的规则体系是整个框架的核心。规则按层级组织：

Common（通用规则）：适用于所有语言的底层原则，涵盖 8 个维度：
- coding-style.md：命名规范、注释规范、代码格式化
- security.md：密码处理、输入验证、敏感信息保护
- testing.md：测试命名、覆盖率要求、Mock 使用规范
- git-workflow.md：commit 规范、branch 策略、PR 流程
- patterns.md：设计模式应用、避免反模式
- performance.md：性能优化原则、避免 N+1 查询
- hooks.md：pre-commit、pre-push 自动检查点
- agents.md：Agent 间协作与通信协议
Language-Specific（语言规则）：Python、Go、TypeScript 各有专属规则集，继承通用规则并叠加语言特有的最佳实践。例如 Python 规则强制类型提示和 PEP 8，Go 规则强调错误返回值处理。

规则体系结构

3. Skills（技能模块）— 32 个深度参考手册

skills/ 目录包含 32 个技能模块，每个都是针对特定技术栈的深度知识库：

后端框架：Django 全栈开发、Django 安全、TDD 流程、验证体系；Spring Boot 开发、安全、TDD；Spring JPA 模式；Node.js 后端模式

数据库：PostgreSQL 模式与优化、ClickHouse 大数据分析

前端：React/Vue 前端模式

测试：通用 TDD 工作流、Python 测试、Go 测试

安全：通用安全审计、Django 安全、Spring Boot 安全

DevOps：持续学习与模型更新流程、评估框架

版本发布历史

技术实现：极简架构，专注规则

Everything Antigravity 本质上是一个规则知识库，而非一个可运行的应用程序。它没有数据库、没有 Web 服务器、没有 API 端点。

技术栈极简：

语言：Python（仅用于安装脚本）
Agent 角色定义：Markdown + YAML frontmatter（人类可读，AI 可解析）
规则文档：Markdown（分层结构，AI 可理解）
技能模块：Markdown（具体技术的详细参考）

安装机制：项目提供三种安装脚本：

python install.py（跨平台通用）
./install.sh（Linux/macOS）
.\install.ps1（Windows PowerShell）

安装脚本将 agents/、skills/、docs/rules/ 三个目录同步到用户本地的 AI Agent 配置目录（如 Claude Code 的 .claude/ 目录）。安装支持全局同步和选择性安装（可只安装特定语言规则）。

局限性：不回避的坦诚

Everything Antigravity 存在明显的局限性，项目的 README 和设计文档对此也并未回避：

1. 无容器化支持：项目没有提供 Dockerfile 或 docker-compose.yml，无法以容器方式快速部署。这是一个纯本地工具，不提供任何远程服务能力。

2. 无 Web UI：没有任何图形界面，所有配置和规则管理都需要通过文件系统操作完成。这对习惯 GUI 的用户有一定门槛。

3. 依赖外部 AI 工具：框架本身只是规则文件的集合，必须配合 Claude Code、OpenAI Codex CLI 等外部 AI Agent 工具使用。没有这些工具，规则本身毫无用处。

4. 规则更新滞后风险：随着 AI 模型的快速迭代（GPT-4o、Claude 3.5 Sonnet、o1），某些编码规则可能需要相应调整。框架能否及时跟进是持续挑战。

5. 社区规模有限：截至分析时项目仅 89 stars、19 forks、0 个 open issues，社区参与度较低，规则的正确性和全面性主要依赖作者个人维护。

行业意义：AI 编程从"能用"到"用好"

Everything Antigravity 代表了一个重要的趋势：AI 编程工具正在从"随意生成代码"向"规范化生产代码"演进。

传统的 Lint 工具（ESLint、pylint）只能检测人类代码，但无法引导 AI 生成代码的行为。Everything Antigravity 的创新在于：它把工程规范编码成 AI 可理解的规则文档，让 AI 在生成代码之前就知道"该怎么做"，而不是生成之后再由 Linter 来纠正。

这一思路与 AI 领域的 RAG（检索增强生成）技术高度契合——不是让 AI 凭"记忆"写代码，而是通过检索相关规范来约束 AI 的输出质量。

从增长曲线看，项目于 2026 年 2 月发布 v1.0.0，半年内积累了 89 stars，虽然规模不大，但在 Claude Code 和 AI Agent 生态快速扩张的背景下，这类规则框架的需求正在快速增长。

项目信息

⭐ 89 stars | 🍴 19 forks | 🐛 0 issues
🔤 Python | 📄 GPL-3.0
🔗 https://github.com/krishnakanthb13/everything-antigravity
📦 安装方式：python install.py 或 ./install.sh（需配合 Claude Code / AI Agent 工具使用）

Everything Antigravity：一个让 AI Agent 真正"懂规矩"的编码框架

背景：AI 编程工具的热潮与纪律危机

核心设计：三组件体系

Everything Antigravity 的架构围绕**三元组模式（Triad Pattern）**组织，将知识分为三个层次：

1. Agents（角色定义）— 13 种专业"人设"

Agents 目录下的 Markdown 文件定义了 13 种专业 Agent 角色，每个 Agent 都有自己独立的检查清单和工作流程：

Agent	职责	关键能力
Architect	系统架构设计	可扩展性评估、技术选型、模块划分
Planner	任务分解与规划	工作流编排、优先级排序
Code Reviewer	代码质量审查	安全漏洞检测、风格一致性检查
Database Reviewer	数据库专项审查	索引优化、查询效率、事务一致性
Security Reviewer	安全审计	OWASP Top 10 漏洞扫描、依赖安全
TDD Guide	测试驱动开发	引导 AI 写出可测试代码
Python Reviewer	Python 专项审查	Pythonic 风格、类型提示、PEP 8
Go Reviewer	Go 专项审查	错误处理、goroutine 安全
E2E Runner	端到端测试	自动化测试流程编排
Build Error Resolver	构建错误修复	编译错误诊断与修复建议
Refactor Cleaner	重构与清理	代码异味检测、死代码删除
Doc Updater	文档同步	代码变更与文档一致性维护

这些 Agent 以 Markdown + YAML frontmatter 格式存储，AI Agent 可以直接读取并"扮演"对应角色，遵循该角色的检查清单工作。

架构设计 Agent 示例

2. Rules（编码规范）— 分层规则体系

docs/rules/ 目录下的规则体系是整个框架的核心。规则按层级组织：

Common（通用规则）：适用于所有语言的底层原则，涵盖 8 个维度：
- coding-style.md：命名规范、注释规范、代码格式化
- security.md：密码处理、输入验证、敏感信息保护
- testing.md：测试命名、覆盖率要求、Mock 使用规范
- git-workflow.md：commit 规范、branch 策略、PR 流程
- patterns.md：设计模式应用、避免反模式
- performance.md：性能优化原则、避免 N+1 查询
- hooks.md：pre-commit、pre-push 自动检查点
- agents.md：Agent 间协作与通信协议
Language-Specific（语言规则）：Python、Go、TypeScript 各有专属规则集，继承通用规则并叠加语言特有的最佳实践。例如 Python 规则强制类型提示和 PEP 8，Go 规则强调错误返回值处理。

规则体系结构

3. Skills（技能模块）— 32 个深度参考手册

skills/ 目录包含 32 个技能模块，每个都是针对特定技术栈的深度知识库：

后端框架：Django 全栈开发、Django 安全、TDD 流程、验证体系；Spring Boot 开发、安全、TDD；Spring JPA 模式；Node.js 后端模式

数据库：PostgreSQL 模式与优化、ClickHouse 大数据分析

前端：React/Vue 前端模式

测试：通用 TDD 工作流、Python 测试、Go 测试

安全：通用安全审计、Django 安全、Spring Boot 安全

DevOps：持续学习与模型更新流程、评估框架

版本发布历史

技术实现：极简架构，专注规则

Everything Antigravity 本质上是一个规则知识库，而非一个可运行的应用程序。它没有数据库、没有 Web 服务器、没有 API 端点。

技术栈极简：

语言：Python（仅用于安装脚本）
Agent 角色定义：Markdown + YAML frontmatter（人类可读，AI 可解析）
规则文档：Markdown（分层结构，AI 可理解）
技能模块：Markdown（具体技术的详细参考）

安装机制：项目提供三种安装脚本：

python install.py（跨平台通用）
./install.sh（Linux/macOS）
.\install.ps1（Windows PowerShell）

局限性：不回避的坦诚

Everything Antigravity 存在明显的局限性，项目的 README 和设计文档对此也并未回避：

1. 无容器化支持：项目没有提供 Dockerfile 或 docker-compose.yml，无法以容器方式快速部署。这是一个纯本地工具，不提供任何远程服务能力。

2. 无 Web UI：没有任何图形界面，所有配置和规则管理都需要通过文件系统操作完成。这对习惯 GUI 的用户有一定门槛。

3. 依赖外部 AI 工具：框架本身只是规则文件的集合，必须配合 Claude Code、OpenAI Codex CLI 等外部 AI Agent 工具使用。没有这些工具，规则本身毫无用处。

4. 规则更新滞后风险：随着 AI 模型的快速迭代（GPT-4o、Claude 3.5 Sonnet、o1），某些编码规则可能需要相应调整。框架能否及时跟进是持续挑战。

5. 社区规模有限：截至分析时项目仅 89 stars、19 forks、0 个 open issues，社区参与度较低，规则的正确性和全面性主要依赖作者个人维护。

行业意义：AI 编程从"能用"到"用好"

Everything Antigravity 代表了一个重要的趋势：AI 编程工具正在从"随意生成代码"向"规范化生产代码"演进。

这一思路与 AI 领域的 RAG（检索增强生成）技术高度契合——不是让 AI 凭"记忆"写代码，而是通过检索相关规范来约束 AI 的输出质量。

项目信息

⭐ 89 stars | 🍴 19 forks | 🐛 0 issues
🔤 Python | 📄 GPL-3.0
🔗 https://github.com/krishnakanthb13/everything-antigravity
📦 安装方式：python install.py 或 ./install.sh（需配合 Claude Code / AI Agent 工具使用）