Google Antigravity「系统提示词」简直太牛了，厉害是有原因的

Google昨天伴随Gemini3.0pro一同发布了他们的AI IDE产品Antigravity《与Gemini 3.0一起发布的AI IDE「Antigravity」究竟有多厉害？》。其震撼性的三位一体全流程Agent体验让无数开发者直呼“Cursor危险了”。

今天这篇文章会带您深入了解Antigravity背后的两份核心系统提示词（System Prompt）Planning Mode（规划模式）与Fast Prompt（极速模式）。如果说产品界面是它的皮囊，那么这两份Prompt就是它的灵魂。接下来，让我们通过一次硬核的拆解，通过这两份文档的巅峰对决，一窥DeepMind团队是如何用其深不可测的Prompt Engineering功力来定义“下一代Agent”的。

Planning Mode如何用Prompt构建“虚拟项目经理”

planning-mode是一条令人惊叹的提示词。它最大的创新在于，它通过Prompt强行构建了一个虚拟的UI交互界面和严格的状态机。

在开始阶段开发人员即为Antigravity赋予了极其详细的角色设定：

对于Google自己的模型来说，这种高规格的身份设定有助于提升模型输出代码的质量和自信度。

1. 任务边界工具：外化思维链（Externalized Chain of Thought）

在传统的Chatbot中，用户只能看到对话气泡。但在Planning Mode中，Prompt强制AI维护一个“任务视图”。

Prompt设计解析：系统引入了一个名为task_boundary的工具。这不仅仅是一个函数，它是整个对话的“节拍器”。

<task_boundary_tool> **Purpose**: Communicate progress through a structured task UI.

**UI Display**:

- TaskName = Header of the UI block

- TaskSummary = Description of this task

- TaskStatus = Current activity

技术深度解析：这里运用了外化思维链（Externalized CoT）的高级技巧。通常我们用 "Let's think step by step" 诱导模型在内部进行隐式推理，但这在复杂任务中容易中断。通过强制AI调用工具并填充TaskSummary和TaskStatus，Prompt实际上是强迫模型将隐性的推理过程转化为显性的结构化参数。注意提示词中的这一句：

IMPORTANT: The TaskStatus argument... should describe the NEXT STEPS, not the previous steps...

这要求AI必须具备前瞻性。通过这种强制性元认知（Forced Metacognition），模型必须时刻自问：“我现在在哪？我的目标是什么？我下一步要做什么？”，从而极大地降低了逻辑漂移的风险。关于元认知，感兴趣您可以看下：

2 三段式状态机：思维树（Tree of Thoughts）与回溯机制

OpenAI的o1/o3模型将思维链内化了，而Planning Mode则选择将思维链分段化。Prompt明确定义了三个不可逾越的阶段，这实际上构建了一个思维树（Tree of Thoughts, ToT）架构：

• PLANNING（规划）：
• 强制产出：implementation_plan.md。
• 硬性门禁：必须使用notify_user请求审查，直到用户批准才能进入下一阶段。
• EXECUTION（执行）：
• 动态回溯（Backtracking）：Prompt明确指示“如果发现未预料的复杂性……返回PLANNING模式”。这是ToT架构的核心——允许“剪枝”和“回跳”。
• VERIFICATION（验证）：
• 证据链：必须创建walkthrough.md，包含截图和录屏。

开发者启示：这种设计允许模型“承认错误”。传统的线性Prompt往往迫使模型一条道走到黑，为了掩盖一个错误而制造更多错误。而通过明确定义的状态回退机制，AI获得了“后悔药”，这对于保证复杂代码生成的质量至关重要。

3 文档驱动开发：上下文卸载（Context Offloading）

Planning Mode不相信AI的“脑子”（Context Window），它只相信文件。

• Task Artifact (task.md)：Prompt要求将其作为“活的文档”，实时更新[ ]到[x]的状态。
• Implementation Plan Artifact：要求使用GitHub Alerts（> [!IMPORTANT]）来高亮风险。

技术深度解析：这是一种上下文卸载（Context Offloading）策略。随着对话进行，Context Window会被挤爆。通过将关键信息（计划、进度、风险）写入文件系统，AI实际上是在利用外部存储作为“无限内存”。Prompt利用Markdown的渲染特性增强可读性，也是一种优化人机交互带宽的聪明做法。

Fast Prompt如何用Prompt构建“全知资深极客”

如果说Planning Mode是靠“笨功夫”取胜，那么Fast Prompt就是靠“高智商”和“经验”碾压。这份Prompt展示了目前最先进的Agentic RAG（代理式检索增强）设计思路。

1 知识发现系统：对比式少样本提示（Contrastive Few-Shot Prompting）

这是Fast Prompt最核心的黑科技。AI通常是“健忘”的，但Fast Prompt引入了Knowledge Items (KI)概念，并强制AI在行动前先查库。

Prompt中的强制指令：

🚨 MANDATORY FIRST STEP: Check KI Summaries Before Any Research 🚨

BEFORE performing ANY research... you MUST:

1. Review the KI summaries...

技术深度解析：为了教会AI正确使用KI，Prompt使用了对比式少样本提示（Contrastive Few-Shot Prompting）。它没有只给枯燥的规则，而是直接给出了代码块形式的“Bad Example”和“Good Example”。

• Bad：直接开始grep代码库（盲目行动）。
• Good：先查阅architecture_overview.md（知识复用）。

这种In-Context Learning（上下文学习）策略，让模型通过对比正反案例，捕捉到了“查库”这一动作的决策边界，比单纯的指令描述有效得多。

2 智能上下文管理：持久化记忆的决策逻辑

Fast Prompt解决了一个棘手问题：如何区分“无关的历史”和“有用的经验”？

它定义了一套复杂的决策逻辑，通过分类决策树来指导模型：

• 何时查Logs：用户明确提到“昨天那次重构”时。
• 何时查KIs：开始任何新研究时。
• 何时不查：当KI标题明显无关时。

这实际上是在Prompt中内置了一个轻量级的路由（Router）模型，指导AI如何高效分配注意力资源，避免Token浪费。

3 Turbo模式：元提示（Meta-Prompting）与工作流

为了体现“Fast”，这份Prompt允许AI读取.agent/workflows目录下的工作流文件，并引入了类似编程语言的注解机制（// turbo,// turbo-all）。

技术深度解析：这是元提示（Meta-Prompting）的高级应用——即“关于提示的提示”。System Prompt赋予了Agent读取其他Prompt（Workflow文件）并根据其中的注解动态改变自身行为（如自动执行命令）的能力。这实现了Agent能力的解耦：System Prompt负责底层逻辑，Workflow文件负责具体业务逻辑，极大地提高了系统的可扩展性。

共同的基因——极致的审美与规范

无论是Planning还是Fast，这两份System Prompt在代码质量和UI审美上都有着近乎偏执的要求。这部分内容展示了如何通过Prompt进行情绪校准和边界控制。

1 情绪校准（Emotional Calibration）：审美是底线

Prompt中使用了极重的语气来强调UI设计：

技术深度解析：这是一种情绪校准技巧。通过使用全大写字母、感叹号以及“FAILED”、“UNACCEPTABLE” 等强情绪词汇，Prompt实际上调整了模型生成内容的温度（Temperature）和风格偏置。它不仅仅是在传达指令，更是在激活模型潜在的“高级设计师”子空间，防止模型“偷懒”生成平庸的MVP级代码。

2 负面约束（Negative Constraints）：防幻觉防火墙

在技术选型上，Prompt使用了大量负面约束：

• CSS：默认禁止使用TailwindCSS，强制使用Vanilla CSS，除非用户明确要求。
• 框架：默认只用HTML/JS，禁止过度工程化。

技术深度解析：在大模型的概率空间中，告诉模型“不要去哪里”往往比“要去哪里”更能收敛结果。这些Negative Constraints构成了防止幻觉（Hallucination）和越权行为（Overreach）的最有效防火墙，确保AI在受控的轨道上运行。

写在最后

这两份System Prompt（Planning Mode与Fast Prompt）展示了AI开发的一个重要趋势：我们正在从单纯的“提示工程（Prompt Engineering）”走向“认知架构设计（Cognitive Architecture Design）”。

Antigravity之所以强大，一方面是因为Gemini3.0pro很强，另一方面也是因为它的System Prompt成功地构建了一套包含短期记忆（Context）、长期记忆（KIs）、元认知（Task Boundary）和执行力（Tools）的完整认知系统。可谓Context Engineering的典范。

无论你是正在开发下一个Devin，还是仅仅想优化自己的编码助手，这套Google DeepMind级别的Prompt设计思路，都值得你反复研读。

文章来自于“AI修猫Prompt”，作者 “AI修猫Prompt”。