antigravity-skill-orchestrator 技能编排器:Agentic Awesome Skills 中的元技能与多领域任务编排实战指南
antigravity-skill-orchestrator 技能编排器:Agentic Awesome Skills 中的元技能与多领域任务编排实战指南
antigravity-skill-orchestrator 是运行在 Antigravity IDE 生态中的一款元技能(meta-skill),它本身不直接解决业务问题,而是负责"调度其他技能":先评估用户任务的复杂度,再决定是否调用、调用哪些专项技能,并通过 agent-memory-mcp 沉淀"成功的技能组合"以供复用。本文以该技能在仓库中的完整定义(SKILL.md 与 README.md)为主体,结合仓库内 agent-memory-mcp、agent-memory 等关联技能的源码级细节,讲解安装、核心概念、四步编排工作流与可复制的示例代码,帮助你掌握"何时不调技能、何时调哪些技能、如何让组合越用越聪明"的完整编排方法。
一、技能定位:为什么需要一款"元技能"
在 Agentic Awesome Skills 生态中,仓库维护着 2,115+ 个 agentic skills,覆盖前端、后端、数据库、安全、测试等数十个领域(根目录的 CATALOG.md 与 data/catalog.json 即为主目录数据的本地映射)。对 AI Agent 而言,难点往往不在于"没有技能",而在于面对一个复杂的、跨领域任务时,不知道应该组合哪些技能,以及哪些任务根本不该动用技能。
antigravity-skill-orchestrator 正是为解决这一问题而生的智能协调器。根据其 SKILL.md 的定义,它具备三项核心能力:
- 评估任务复杂度(Evaluate Task Complexity):建立护栏(guardrails),防止在简单任务上过度使用专项技能,避免浪费 token 与时间;
- 动态选择技能(Dynamically Select Skills):为复杂问题识别最佳技能组合,例如
@react-patterns+@nodejs-backend-patterns共同完成一个全栈需求; - 跟踪技能组合(Track Skill Combinations):借助
agent-memory-mcp技能存储、检索以往成功的技能组合,让 Agent 在一次次任务中积累"机构化知识"(institutional knowledge)。
从元数据看,该技能在 SKILL.md 中被声明为 category: meta、risk: safe、source: community,并带有 orchestration、meta-skill、agent-memory、task-evaluation 等标签,发布日期为 2026-03-13。也就是说,它被社区分类为"元技能",不直接产生业务输出,而是指挥其他技能协同工作。
二、安装与启用:Antigravity IDE 环境下的接入方式
根据 README.md 的说明,该技能设计用于 Antigravity IDE,并与现有 AWESOME 技能套件集成使用;同时,要完整享受"技能组合跟踪"能力,需要先确保 agent-memory-mcp 技能已安装并运行。
启用后,在 Antigravity IDE 中通过 AI 助手执行提示词时,可以直接以 @ 引用方式调用该技能:
@antigravity-skill-orchestrator Please build a comprehensive dashboard integrating fetching live data, an interactive UI, and performance optimizations.
Agent 收到指令后会遵循 SKILL.md 中的指引:先拆解任务、检索记忆中是否有相似挑战,再组装正确的技能团队(例如 @react-patterns + @nodejs-backend-patterns),最后在不把事情复杂化的前提下执行任务。
前置依赖:安装并启动 agent-memory-mcp
编排器的"记忆跟踪"能力完全依赖 agent-memory-mcp/SKILL.md 所描述的内存系统。这是一个以 MCP Server 形式运行的混合记忆系统,提供持久化、可搜索的长期记忆(架构、模式、决策等),并能与项目文档自动同步。其安装要点如下:
- 前置条件:Node.js v18+;
- 审查并克隆固定版本:该技能采用"先审查、后安装"的安全流程——先将上游仓库以
--filter=blob:none方式克隆到临时目录,checkout到固定 commit(0409b7b7bb6fe443d0d4b6a6b1ee0d4df214f3cd),审查package.json、锁文件、生命周期脚本、网络行为与凭据访问后,等待用户显式批准; - 安装编译:在用户批准的目录执行
npm ci与npm run compile; - 启动 MCP 服务:通过辅助脚本为当前项目激活记忆库:
npm run start-server <project_id> <absolute_path_to_target_workspace>
示例(当前目录):
npm run start-server my-project $(pwd)
服务启动后,编排器即可调用其暴露的 memory_search、memory_write、memory_read、memory_stats 四个 MCP 工具完成组合的写入与检索。
三、核心概念:护栏、组合、目录与记忆
SKILL.md 将编排器的设计浓缩为四个核心概念,理解它们是正确使用的前提。
3.1 任务评估护栏(Task Evaluation Guardrails)
不是所有任务都需要专项技能。对于直截了当的问题(例如小范围的 CSS 修复、写一段简单脚本、重命名一个变量),明确禁止使用专项技能——过度工程化简单任务只会浪费 token 和时间。同时,编排器严格禁止创建新技能,它的唯一职责是组合和使用社区提供或当前环境中已有的技能。
在调用任何技能之前,必须先完成两步评估:
- 任务是否简单/自包含? 如果是,直接用 Agent 自身的文件编辑、搜索与终端能力解决;
- 任务是否复杂/跨领域? 只有在这种情况下,才进入技能编排流程。
3.2 技能选择与组合(Skill Selection & Combinations)
当任务被判定为复杂后,需要先识别任务涉及的核心领域(例如前端、数据库、部署),再到当前环境中检索最相关的技能;若本地技能不足以覆盖需求,则转向主技能目录(Master Skill Catalog)继续发现。
3.3 主技能目录(Master Skill Catalog)
Antigravity 生态维护着一份经过精选的主技能目录。当本地技能不足时,编排器会获取这份目录,并在以下 9 大主类别中扫描发现合适的技能:
| 类别 | 覆盖方向示例 |
|---|---|
architecture |
架构设计、C4、事件驱动等 |
business |
产品、营销、增长、定价等 |
data-ai |
数据工程、ML、RAG、向量库等 |
development |
前端、后端、移动端、语言专项等 |
general |
通用工作流与基础能力 |
infrastructure |
云、K8s、Terraform、DevOps 等 |
security |
安全审计、渗透、合规等 |
testing |
单元测试、E2E、性能测试等 |
workflow |
流程编排、自动化、文档等 |
在本仓库中,这一"主目录"的本地落地形态即为根目录的 CATALOG.md(人类可读的目录总览)与 data/catalog.json(结构化数据),你可以将二者视为离线版的目录参考,用于理解 9 大类目与具体技能的对应关系。
3.4 记忆集成(@agent-memory-mcp)
为构建机构化知识,编排器依赖 agent-memory-mcp 记录与检索成功的技能组合。下表汇总了其四个 MCP 工具的完整签名(依据 agent-memory-mcp/SKILL.md):
| 工具 | 参数 | 用途 | 编排器中的典型用法 |
|---|---|---|---|
memory_search |
query (string)、type? (string)、tags? (string[]) |
按查询、类型或标签搜索记忆 | 检索历史技能组合 |
memory_write |
key (string)、type (string)、content (string)、tags? (string[]) |
记录新知识或决策 | 写入 type: "skill_combination" 的组合记录 |
memory_read |
key (string) |
按 key 读取特定记忆内容 | 读取已命中的组合详情 |
memory_stats |
无 | 查看记忆使用统计 | 了解记忆库规模 |
补充说明:编排器对组合的记录统一使用 type: "skill_combination",并通过描述性的 key 与结构化的 tags 提升后续检索命中率。同源的 agent-memory/SKILL.md 还描述了一个典型记忆工作流:任务前先 search 相关上下文 → 任务中用 read/search 回答问题 → 任务后把新发现 write 进记忆,写入内容会自动同步为项目中的标准 Markdown 文件——这正是"组合知识"能够沉淀并跨任务复用的底层机制。
四、四步编排工作流:从任务到沉淀
SKILL.md 给出了完整的四步编排流程。理解每一步的触发条件(Trigger)是正确执行的关键。
Step 1:任务评估与护栏检查
触发条件:面对任何可能需要技能的新用户请求。
- 阅读用户请求;
- 自问:"我能否仅靠基础的文件编辑与终端命令高效解决这个问题?"
- 能 → 直接执行,不调用任何专项技能,编排到此为止;
- 不能 → 进入第 2 步。
这一步骤是整个编排器的"成本闸门",防止简单任务被过度工程化。
Step 2:检索历史知识
触发条件:任务被判定为复杂。
- 使用
agent-memory-mcp提供的memory_search工具搜索相似的历史任务,例如:
memory_search({ query: "skill combination for react native and firebase", type: "skill_combination" })
- 若存在可用的组合,使用
memory_read读取其详情; - 若没有相关记忆,进入第 3 步。
Step 3:发现并选择技能
触发条件:历史知识未能覆盖当前任务。
- 分析核心需求(例如"需要一个 React UI、一个 Node.js 后端和一个 PostgreSQL 数据库");
- 通过当前环境的技能列表或等效发现机制,为每项需求查找本地最佳匹配技能;
- 若本地技能不足,使用当前环境中可用的网络或命令行检索工具获取主技能目录;
- 扫描目录的 9 大主类别,找出需要引入当前上下文的技能;
- 选择最小必要集——不要过度选择(Do not over-select)。
Step 4:应用技能并跟踪组合
触发条件:使用所选技能完成任务之后。
- 假设任务已使用新的技能组合成功完成(例如
@react-patterns+@nodejs-backend-patterns+@postgresql); - 使用
agent-memory-mcp的memory_write记录该组合:- 确保
type为skill_combination; - 提供描述性的
key与content,说明这些技能为何能协同工作。
- 确保
五、完整示例:三种典型场景
示例 1:简单任务(护栏生效)
- 用户请求:"把
index.css中提交按钮的颜色改成蓝色。" - 编排器行为:评估后判定为"简单/自包含"任务,不调用任何专项技能,直接编辑
index.css。
这是最容易被忽略却最重要的一类场景——编排器最大的价值之一,恰恰是"知道什么时候不编排"。
示例 2:记录一个新的技能组合
在成功构建一个复杂功能后,将组合写入记忆库:
// Using the agent-memory-mcp tool after successfully building a complex feature
memory_write({
key: "combination-ecommerce-checkout",
type: "skill_combination",
content: "For e-commerce checkouts, using @stripe-integration combined with @react-state-management and @postgresql effectively handles the full flow from UI state to payment processing to order recording.",
tags: ["ecommerce", "checkout", "stripe", "react"]
})
注意其中的可复用要点:type 固定为 skill_combination 便于按类型过滤;key 使用高度描述性的命名;tags 覆盖业务域(ecommerce)与技术栈(stripe/react)两个维度。以本仓库为例,上述内容中提到的 react-state-management、stripe-integration、postgresql 均为仓库内真实存在的技能,可供组合参考。
示例 3:检索历史组合
在新的电商任务开始时复用已有知识:
// At the start of a new e-commerce task
memory_search({
query: "ecommerce checkout",
type: "skill_combination"
})
// Returns the key "combination-ecommerce-checkout", which you then read:
memory_read({ key: "combination-ecommerce-checkout" })
两步配合使用:先用 memory_search 按查询与类型定位到组合的 key,再用 memory_read 读取完整内容(包括技能清单、协同逻辑与注意事项),从而在同类任务中直接复用经过验证的方案,避免从零摸索。
六、最佳实践与红线
SKILL.md 给出了明确的实践清单:
应当(Do):
- ✅ 在寻找技能之前,始终先评估任务复杂度;
- ✅ 将编排的技能数量控制在尽可能小;
- ✅ 执行
memory_write时使用高度描述性的 key,方便日后搜索。
禁止(Don't):
- ❌ 对简单的 bug 修复或 UI 微调使用本技能;
- ❌ 在没有明确冲突消解方案的情况下,组合指令重叠、相互冲突的技能;
- ❌ 尝试构造、生成或创建新技能——只组合现有技能。
七、相关技能与使用限制
核心关联技能:agent-memory-mcp
- agent-memory-mcp/SKILL.md:本技能正常运转所必需的持久化存储后端,提供
memory_search/memory_write/memory_read/memory_stats四个 MCP 工具; - agent-memory/SKILL.md:同源能力的另一份实现,描述了"任务前检索、任务中查询、任务后写入"的标准开发循环。
使用限制(依据 SKILL.md):
- 仅当任务明确符合上文描述的范围时才使用本技能;
- 不要将输出视为环境特定验证、测试或专家审查的替代品;
- 当必要的输入、权限、安全边界或成功标准缺失时,应停下并向用户请求澄清。
总的来说,antigravity-skill-orchestrator 提供了一套"先判断、再选择、后沉淀"的编排范式:用护栏控制成本,用目录扩展技能视野,用 agent-memory-mcp 让成功的组合成为可复用的机构知识。对于维护庞大技能生态的 Agent 场景而言,它既是技能使用效率的调节器,也是团队级知识复用的基础设施。