新闻详情

新闻详情

首页 / 资讯中心 / 详情

【分享】我把 AI 提示词从“万金油”升级成了“Antigravity 特供版”(附自用 Prompt)

发布时间:2026/11/18 12:30:05来源:尧图网络
【分享】我把 AI 提示词从“万金油”升级成了“Antigravity 特供版”(附自用 Prompt)
1. 为什么“万金油”Prompt 在 Antigravity 里总差一口气Antigravity 是 Google 推出的 Agent-first 开发环境核心卖点是让 AI 以“智能体”的方式接管多文件编辑、终端命令执行和浏览器操作。它和 Cursor 最大的区别在于Cursor 更像一个“增强版编辑器”你写代码它补全Antigravity 更像一个“能自己动手的实习生”你给目标它拆任务、开终端、改文件、跑测试。这意味着同一套 Prompt在 Cursor 里跑得顺丢进 Antigravity 可能直接翻车——因为它会真的去执行而不是只给你建议。我一开始也是拿之前那套“万金油”Prompt 直接粘贴进去结果遇到几个典型问题Agent 把整个src目录重写了一遍、终端里跑了rm -rf差点删掉构建产物、多文件改动后没有回滚点。后来我把 Prompt 从“描述需求”改成“约束行为 声明边界 指定验证方式”才稳定下来。这篇就把这套 Antigravity 特供版 Prompt 骨架、settings.json片段以及怎么在 Cursor 里通过 TaoToken 统一 Key 接入并验证调用是否生效完整写一遍。你拿到就能直接粘贴跑通。适合谁看已经在用 Cursor 或准备上手 Antigravity、想让 Agent 行为可控、又不想每个 IDE 维护一套 Key 的开发者。核心检索词就三个Antigravity、Prompt、Cursor。2. 前置用 TaoToken 统一 Key别让每个 IDE 各配一套Antigravity 和 Cursor 都支持自定义模型接入。问题在于如果你在每个工具里各填一套 Key后面换模型、查用量、排错都会很痛苦。我的做法是所有 IDE 统一走 TaoToken 的 API 通道Key 只维护一份。TaoToken 的 API 地址是https://taotoken.net/api兼容 OpenAI 风格的chat/completions接口所以 Cursor、Antigravity 这类支持自定义 Base URL 的工具都能接。你只需要在 TaoToken 控制台创建一个 API Key然后把它填到各 IDE 的模型配置里。具体操作路径打开https://taotoken.net/api-keys创建 Key复制保存只显示一次。模型对话调试用https://taotoken.net/models可以先在网页里试 Prompt 效果。长期编码或跑 Agent 任务建议看https://taotoken.net/coding-plan按量或套餐都行。接入文档在https://taotoken.net/doc里面有各工具的 Base URL 填法。注意Base URL 填https://taotoken.net/api不要带末尾斜杠也不要填成网页地址。Key 放在环境变量或 IDE 的密钥管理里别硬编码进settings.json提交到 Git。这一步做完你在 Cursor 和 Antigravity 里用的是同一个 Key、同一套模型路由后面验证调用是否生效只需要看一个地方。3. 可复制配置Antigravity 特供版 Prompt 骨架 settings.json3.1 Prompt 骨架直接粘贴到 Antigravity 的 Agent 指令区这套骨架的核心是四段式角色约束、行为边界、执行规则、验证要求。和“万金油”最大的区别是它明确告诉 Agent“什么不能做”和“做完怎么证明”。# 角色 你是 Antigravity 环境下的编码 Agent负责在现有仓库中完成增量修改。 你不重写整个项目不创建与任务无关的文件。 # 行为边界 1. 修改前必须先读取目标文件确认当前内容再动手。 2. 单次任务最多修改 5 个文件超出时先列出计划让我确认。 3. 禁止执行删除类命令rm、del、rmdir和强制推送push --force。 4. 禁止修改 .env、密钥文件、CI 配置除非我明确点名。 5. 所有改动必须保留原有代码风格和缩进。 # 执行规则 1. 先输出任务拆解不超过 5 步再逐步执行。 2. 每完成一步说明改了哪个文件、改了什么、为什么。 3. 遇到不确定的依赖或 API先问我不要猜。 4. 终端命令只允许运行测试、构建、lint 三类。 # 验证要求 1. 改完后运行项目已有的测试命令贴出结果。 2. 如果没有测试至少运行一次构建或 lint确认无报错。 3. 最后输出改动文件清单和回滚方式。这套骨架我实测下来Agent 乱改文件的概率明显下降。关键在第 2 条和第 4 条——限制文件数量和命令类型等于给它画了跑道。3.2 settings.json 片段Cursor 侧统一接入Cursor 的模型配置在settings.json里。如果你想让 Cursor 也走 TaoToken加下面这段。注意 Key 用环境变量引用不要写死。{ cursor.ai.customModels: [ { name: taotoken-agent, baseUrl: https://taotoken.net/api, apiKey: ${env:TAOTOKEN_API_KEY}, model: claude-sonnet-4-20250514, maxTokens: 8192, temperature: 0.2 } ], cursor.ai.defaultModel: taotoken-agent, cursor.ai.agent.maxFileEdits: 5, cursor.ai.agent.requireConfirmation: true }几个参数说明参数作用建议值baseUrlAPI 入口https://taotoken.net/apiapiKey密钥引用环境变量不硬编码temperature随机性Agent 任务用 0.2越低越稳maxFileEdits单次改动上限5和 Prompt 骨架对齐requireConfirmation执行前确认true防止误操作设置完重启 Cursor在模型选择里应该能看到taotoken-agent。如果看不到检查 JSON 有没有语法错误以及环境变量有没有生效。4. 验证请求确认调用真的生效了配置完不代表生效。我踩过的坑是Base URL 填错、Key 没读到、模型名写错三种情况表现都是“没反应”或“报错但看不懂”。所以配完必须做一次最小验证。4.1 用 curl 直接打接口先在终端里用 curl 确认 Key 和地址没问题curl -s https://taotoken.net/api/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -d { model: claude-sonnet-4-20250514, messages: [ {role: user, content: 只回复两个字收到} ], max_tokens: 16 }如果返回里有content: 收到之类的字段说明 Key 和地址都对。如果返回 401是 Key 问题返回 404是地址或模型名问题。4.2 在 Cursor 里发一条测试指令打开 Cursor 的 Agent 面板输入读取当前目录下的 README.md告诉我第一行是什么。不要修改任何文件。预期结果Agent 读取文件并回答不触发任何写操作。如果它直接开始改文件说明requireConfirmation没生效回去检查settings.json。4.3 在 Antigravity 里跑一次受控任务在 Antigravity 里粘贴第 3.1 节的 Prompt 骨架然后给一个小任务在 src/utils 下新增一个 formatDate.ts导出一个把时间戳转成 YYYY-MM-DD 的函数。预期结果Agent 先输出拆解计划创建单个文件运行 lint 或构建最后给出文件清单。如果它一次改了多个文件或跑了删除命令说明 Prompt 骨架没粘贴完整。提示验证阶段建议用一个干净的测试仓库别拿生产项目试。确认行为符合预期后再切到正式项目。5. 本篇常见错排查5.1 报错 401 Unauthorized最常见。原因通常是 Key 没读到或复制时带了空格。检查环境变量echo $TAOTOKEN_API_KEY | head -c 8应该输出 Key 的前 8 位。如果为空说明环境变量没导出。在~/.zshrc或~/.bashrc里加export TAOTOKEN_API_KEY你的Key然后source一下。5.2 报错 404 model not found模型名写错了。TaoToken 的模型名要和文档里一致别自己拼。去https://taotoken.net/models看当前可用的模型标识复制粘贴到settings.json的model字段。5.3 Agent 不遵守 Prompt 边界两种可能一是 Prompt 没粘贴到 Agent 的系统指令区只放在了对话里二是模型温度太高。把temperature降到 0.2 以下并确认 Prompt 骨架放在 Agent 的持久指令配置里而不是每次对话临时输入。5.4 Cursor 里看不到自定义模型settings.json的 JSON 语法错误会导致整段配置被忽略。用编辑器的 JSON 校验功能检查一下或者把配置贴到在线 JSON 校验器里过一遍。另外确认 Cursor 版本支持customModels字段太老的版本可能不认。5.5 调用成功但响应很慢Agent 任务本身耗时长尤其是多文件改动。如果单次简单请求也慢检查是不是走了默认模型而不是你配的taotoken-agent。在 Cursor 状态栏看当前模型名确认是自定义的那个。6. 把 Key 和 Prompt 都收拢到一处这套配置跑通后你的工作流会变成Prompt 骨架管行为边界settings.json管模型接入TaoToken 管 Key 和用量。三者分开换 IDE 时只改接入层Prompt 和 Key 不用动。如果你主要做排障和接入调试先去https://taotoken.net/api-keys把 Key 管好再对照https://taotoken.net/doc检查 Base URL 和模型名。如果你更想先验证 Prompt 效果直接去https://taotoken.net/models在网页里试确认 Agent 行为符合预期再落到 IDE 配置。长期跑编码和 Agent 任务的话https://taotoken.net/coding-plan里有按量方案适合把多个 IDE 的调用统一到一个额度下管理。最后留一个我自己的习惯每次改完 Prompt 骨架先在测试仓库跑一遍第 4.3 节的小任务确认 Agent 还是“听话”的再切回正式项目。这一步花两分钟能省掉一次误删文件的恢复时间。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉