透過 Antigravity 的完善規則、自動化流程與可連結的技能生態，你可以在同一平台快速建構穩定、可擴充的 AI⁣ 驅動工作流，讓​ AI 成為你提升效率與品質的超能力。掌握全域與專案層級的規則，搭配 MCP、Context7、Skills 與 Agent​ Manager，便能實現從代碼建置到內容創作的全自動化。

我在實測中把 Git、Python/Node、Pandoc、FFmpeg 等常用工具全部接進 Antigravity，只用描述語就完成建置、轉換、部署，甚至自動提交版本與生成字幕。先設定全域規則，接著建立專案規則與自動化流程，AI 會依序執行 Build、部署到 GitHub Pages，再自動觸發 MCP⁤ 的外部服務與 Context7 的連結，最後把結案報告與產物整合到 artifacts。這種高度的自動化，讓原本需要多天的任務變成幾小時完成。這也是為什麼我回到頻道時總說，讓 AI 成為你的超能力，最關鍵的是把流程設計成可重複、可觀察、可分享的模塊。

文章目錄

• 掌握Antigravity的核心規則與全域設定確保繁體中文輸出與一致性
• 從規則到自動化流程構建高效的工作流與逐步部署指南
• 以MCP與Context7為核心的外部工具整合實務與效能考量
• Skills的安裝與使用策略避免資源過載與聚焦高價值技能
• Agent Manager的多任務協作背景執行Playground與任務結案報告的最佳實踐
• 安裝、版本控管與風險控管的落地建議工具清單與實作要點
• 常見問答
• 重點整理

掌握Antigravity的核心規則與全域設定確保繁體中文輸出與一致性

要確保 Antigravity 在 繁體中文輸出與一致性，核心在於建立穩固的 全域規則 與正確的 全域設定，再搭配 專案級規則與 版本控管。將繁體中文設定為預設語言，並在全球規則中設定 Windows 環境與客戶化口吻，讓後續的專案自動延用同樣的語氣與格式。這也是凱文大叔的實測要點：Pro 會員每 5⁤ 小時更新一次的額度與免費版每週一次的更新頻率；若過度使用，系統可能出現懲罰性延遲，讓你更常遇到版本差異。

在 Antigravity 中，全域規則與 專案規則的分工，是確保輸出一致性的關鍵：你可以在根目錄的 .gemini/gemini.md 設定 Global 規則，例如指定使用​ 繁體中文、指定作業系統與輸出口吻；同時針對單一專案撰寫 專案規則，讓不同專案保有各自的語氣與格式；此外，PATTERN 可以限定哪些檔案型別適用規則，如只對 ⁣ TypeScript (.ts) 檔案生效；完成設定後，務必進行 版本控管，每次修改都用⁢ Commit 保存以便回溯。

在自動化層面，自動化流程讓任務能依序執行，讀得更快、做得更穩：你可以讓它先完成規則的分析，再依步驟部署網站到​ GitHub Pages；MCP（模型上下文協議）讓 AI ⁣能連結外部工具，如⁣ Notion、Gmail、Slack，取得資料或執行動作；如需整合外部服務，Context7 ​提供連線與認證，連線成功後就能在工作流程中使用，避免浪費 Token；未來 Skills ⁢ 與 Workflow 的結合，會使描述式安裝與執行更高效；Agent Manager ⁢ 則把任務在背景執行，Playground 提供即時測試，而產出的內容會以 Artifacts ‍收集並成案結案報告。

實務要點與風險控管：首先以 Global 規則鎖定繁體中文輸出，再用 專案規則微調；避免一次開啟過多 MCP Server，以節省 Token 與降低載入時間；建議從建立一兩個核心技能開始，逐步往上增添，避免工具過多而難以取捨；以實作案例為練習，例如「部署網站到 GitHub Pages」與「以描述性語句驅動自動化流程」，將流程快速落地於你自己的專案中。

從規則到自動化流程構建高效的工作流與逐步部署指南

在 Antigravity 的實作裡，從規則到自動化流程是打造高效工作流的核心。以下內容以凱文大叔的實作經驗為藍本，整理出一條可落地的路徑：先建立全域性規則與專案規則，再構建自動化流程與部署步驟，並透過 MCP、Skills、Context7 ⁣與 Agent Manager 等工具，實現多任務並行與穩定交付。核心要點包含：全球規則、專案規則、自動化流程、以及逐步落地的部署策略。下面分段說明實作要點與落地步驟。

• 建立全球規則(Global)：定義 AI 的預設輸出語言（如繁體中文）、口吻與一致性，確保跨專案的輸出風格統一。
• 建立專案規則：在專案目錄建立⁤ .gemini 目錄與 gemini.md，把該專案特有的流程與格式規範寫清楚，例如檔案類型與處理模式。
• 啟用版本控管：持續提交與版本回溯，讓變更可回朔，避免踩到版本膨脹的坑。
• 在介面上透過 Customization 與 Logs 檢視規則執行情況，並根據專案需求微調。

在此基礎上，如何把規則轉化為可執行的自動化流程？以下步驟提供實務方向：

• 以自動化流程（Workflow）描述任務的順序與依賴，讓 AI 依序執行：先‍ Build、再檢查資料夾是否存在、最後執行部署等動作。
• 使用斜線指令或自然語言描述，讓⁢ AI 自動完成整個流程，或在需要時提供已知指令以提速。
• 將部署目標鎖定在 GitHub Pages 等服務，並借助 Knight 等工具自動化設定與部署。
• 實作時避免讓 AI 過度分析第一遍，先使用熟悉的指令完成核心任務，後續再讓 ⁢AI ​提供補充或優化，藉此節省 Token 與加快迭代。

在自動化與部署的實作中，以下三個層面不可或缺：MCP、Skills、Context7，以及 Agent Manager 的並行執行能力。這些工具的結合，能把日常繁瑣工作轉化成可追蹤、可重複的工作流，並讓你在背景完成大量任務，視覺化地掌握進度與結案報告。

核心要素	功能與作用	落地要點
Global 規則	統一輸出語言與口吻，確保跨專案一致性。	在 .gemini/gemini.md 設定基本規範，避免分散設定。強化可重複性。
專案規則	針對特定專案的處理流程與檔案範本，依專案目錄分離管理。	建立專案級規則檔案，定義‍ PATTERN 與工作流程。
自動化流程 (Workflow)	按順序執行多個任務段落，支援斜線指令與自然語言輸入。	先定義 Build、部署等階段，避免過度分析而耗 Token。
MCP / ‌Skills / Context7	MCP 提供模型上下文的外部介接，Context7 讓外部工具更容易整合；Skills 提供模組化技能；Context7 與 MCP 共同擴充 AI 的工具性。	避免同時開啟過多⁤ MCP Server，依需求逐步啟用以節省資源與 Token；適度裝載 Skills，避免過多選項造成混亂。
Agent Manager	把任務分解為多工模式，在背景執行並回報完成狀態與結案報告。	善用 Playground 與 inbox 追蹤任務進度與最終產出，並在需要時手動宕機或同步內容。

落地小結與實用要點：
⁤

• 先建立 ‍ Global 與 Project 規則的清晰分工，讓後續自動化流程更穩定。
• 在設定 OCI 內容時，保留核心描述與步驟，讓 AI​ 能清楚地理解任務目的與執行順序。
• 部署到 GitHub Pages‍ 等平台時，結合 Knight 等工具的自動化設定，降低手動操作。
• 逐步開啟 MCP Server、Context7 與 Skills，避免一次性裝載過多資源，確保效能與 Token 使用效率。

以MCP與Context7為核心的外部工具整合實務與效能考量

本節聚焦以 MCP 與 Context7 為核心的外部工具整合實務與效能考量。MCP（模型上下文協議）讓 AI 能夠讀取、查詢與操作外部資源與服務（如資料庫、Notion、郵件、Slack 等），顯著提升工作流程的上下文豐富度與自動化能力；而 Context7 則是目前最常用的 MCP Server 之一，提供穩定的外部服務接入與上下文管理，讓 AI 能在不同流程間流暢切換並取得即時回應。凱文大叔的經驗指出，核心在於以這兩者為架構，搭配適度的規則與自動化流程，而不是盲目開啟大量外部服務，以避免資源耗損與延遲。

實務上，先在 antigravity 的介面設定與管理外部工具：- 進入 Customization⁣ → MCP Service 與 Manage MCP ​Server，選擇只開啟當前專案需要的 MCP⁢ Server，避免一次載入全部服務以控管 Token 與響應時間；- 在 Context7 部分，前往 context7.com，依網路安裝流程取得對應的 ID，直接貼上⁢ Context7 的連結 URL（若有 API Key，建議填寫以提升額度與穩定性），再按更新與測試確定連線成功；- 若連線失敗，檢查 URL、API Key、網路狀態，以及 Context7 的服務狀態，確保⁢ Hedging‍ 來源穩定。

關於效能與資源控制，凱文大叔的實戰重點為：- 不要讓 Context7 或其他 MCP ​server 同時在背景一直開啟，應視專案需求逐步啟用，避免「上下文塞滿」造成延遲與 token 過度消耗；-‌ 使用 Agent manager ‌與 Workflow、Skills 的分工，讓長時間任務在後台執行，同時保留前台的即時回饋與結案報告；- 針對專案全域與專案層級規則（Global vs‌ Project Rules）做適當分層，將通用語言與環境設定放在全域規則，專案特定規則放在專案目錄，確保版本控管與一致性，並利用 gemini.md 及 .gemini‍ 資料夾中的紀錄檔管理全域規則。

實務要點總結如下：- MCP 全名為 ‍ 模型上下文協議，核心在於「讓AI與外部工具對話與協作」；- Context7 以雲端連線與上下文管理著稱，配置時以網路安裝為主，API Key⁤ 可提升效能與可用性；- 只開啟當前工作需要的 MCP ‌Server，避免過度載入與 Token 競爭；- 使用 Workflow、Skills 與 Agent Manager 進行任務分解與並行處理，提升整體生產力與穩定性；- 將全域與專案規則清楚分層，並善用日誌與結案報告（Artifacts）追蹤任務歷程與成果，以便日後的審核與優化。這樣的組合能讓你的外部工具整合更加高效且可維護。

Skills的安裝與使用策略避免資源過載與聚焦高價值技能

Agent Manager的多任務協作背景執行Playground與任務結案報告的最佳實踐

以下內容聚焦 Agent Manager 的多任務協作背景執行 Playground 與 任務結案報告 的最佳實踐。凱文大叔在影片中多次強調，藉由穩健的規則設定、結構化的自動化流程，以及清晰的結案文檔，才能在多任務情境下保持品質與效率的雙重提升。

凱文大叔建議在使用 Agent Manager 時的核心作法如下：
– 凱文大叔建議：先在專案層級建立清晰的骨架，確保專案內已有可執行的任務，並在 Agent 模式下啟用 Playground 進行背景任務測試與驗證。
– ⁢凱文大叔建議：以自然語言描述任務需求，避免過度分析導致耗時；若必須指定指令，事前確定可用指令清單以提升執行速率。
– 凱文大叔建議：運用全域規則與專案規則，將任務拆解成多個子步驟，並以自動化流程（Workflow）串接，讓背景任務能穩健地分階段完成。
-​ 凱文大叔建議：在背景執行時，盡量控制同時運作的任務數量，避免系統資源過度占用而影響整體效能與回應時間。

關於任務結案與成果留存，凱文大叔指出，結案報告的可見性與可追溯性是長期效率的關鍵：
– 凱文大叔建議：任務完成後，透過 Artifacts 自動整理結案內容與輸出物，並由 ⁢Inbox 發出完成通知；同時將結案報告下載存檔，便於分享與審核。
– 凱文大叔建議：結案報告應包含執行內容、使用的指令與工具、任務耗時、產出內容的連結或檔案，以及後續動作建議，確保日後可快速回溯。
– 凱文大叔建議：若結案報告尚未自動放入專案訪問區，務必手動存檔或上傳至專案共用區，避免日後找尋不便。

在 MCP、Skills ⁤ 與‌ Context7 等整合層面，凱文大叔也提出幾個實作要點：
– 凱文大叔建議：避免一次啟用過多 MCP Server，以免延長初次載入時間與消耗 Token；根據當前任務需要逐步開啟，保留常用服務以提升效率。
-‍ 凱文大叔建議：將 Context7 等外部服務穩定連線後再廣泛使用，必要時加上 API‍ Key ‍以取得更多上下文與資料來源；系統會在背景與外部服務交互，注意資源與隱私風險。
– 凱文大叔建議：Skills 提供的腳本與參考資料，建議選取幾個最符合當前工作流的技能，避免裝太多以免造成選擇困難與資源浪費；安裝後以具體任務為導向，逐步實作並評估效果。‍

實作案例的落地流程，凱文大叔以「網站內容自動化生成與上傳至 GitHub Pages」為例，展示了完整的工作流與報告機制：
-‍ 凱文大叔指出：先於專案中完成網頁內容的產出與格式轉換，使用 Pandoc 等工具將 markdown 轉換為 Word/PowerPoint 等格式，或直接生成網頁內容；再透過 GitHub Knight 等自動化工具完成上傳與部署。
– 凱文大叔指出：在部署階段，透過 Workflow 的自動化步驟，先執行 Build，再驗證輸出資料夾存在與否，最後執行 ⁢GitHub Pages 的部署指令；若有需要，也可快速以自然語言指令觸發整個流程。
– 凱文大叔指出：整合 Context7 取得外部參照與資料，結案報告會在 Artifacts 與結案通知中呈現，方便分享與審核；若要分享給團隊，請確保結案報告檔案可獲得適當的存取權限與連結。 ‍

下面的快速落地流程摘要，供你在實際操作時參考：

階段	核心任務	凱文大叔的要點
準備	建立專案、設定全域和專案規則	Global規則與專案規則要先寫好，確保輸出語言與環境一致
執行	在 Playground 背景執行任務	先用自然語言描述任務，必要時以指令清單加速，避免全盤分析影響速度
整合	外部服務與 MCP/Skills 的連線與調用	適度開啟 MCP Server，Context7 連線穩定後再擴展，避免不必要的 Token 詐耗
結案	下載並歸檔結案報告，生成任務結案證據	Artifacts 即時呈現，Inbox 提通知，確保成果可分享與追溯

安裝、版本控管與風險控管的落地建議工具清單與實作要點

以下為「」的直接落地指引。核心在於先建立穩健的基礎環境，再層層引入自動化與控管機制，並以清晰的規則與任務流程降低風險與成本。以此為基礎，實作中可結合現成模組如「規則(Global/專案規則)、自動化流程、MCP ‍與 Context 整合、Skills 與 Agent Manager」等，提升開發與文件處理的效率與穩定性。

• 核心安裝與環境準備：Antigravity、Git 與 GitHub knight、Python、Node.js。
• 輔助工具與轉檔/媒體處理：Pandoc、FFmpeg、YTDLP，結合 AI 介面即可以自然語言指令轉換格式、下載與字幕處理。
• 外部服務與整合：Context7（MCP Server 整合）、MCP（模型上下文協議）、以及以後可能合併的 Workflow 與 Skills、Agent Manager。

安裝與環境準備清單（依序執行，以避免彼此衝突）：

• 安裝 Antigravity 作為核心自動化平台，並啟用基本工作區。
• 安裝 Git 與 GitHub Knight，完成本地版本控管與自動上傳設定。
• 安裝 Python 與‍ Node.js，因為許多 Skills ​與核心腳本需用到這兩種執行環境。若需要，也可直接讓 AI‍ 協助安裝。
• 安裝 pandoc、FFmpeg、YTDLP，以便在日常內容生成、影音下載與字幕處理方面快速對接。
• 設定與整合 Context7 以及基本的 MCP 配置，讓外部工具與資料源能被 AI 工作流無縫調用。

落地實作要點（規則、流程與控管的實務做法）：

• 全域規則(Global rules)：在 Antigravity 的customization中設定，確保 AI 輸出語言為繁體中文、工作環境等統一性，以及對專案通用的行為準則。
• 專案規則：依專案不同建立對應規範，讓專案在執行時自動遵循相同的流程與檔案命名慣例，並可在 .gemini/gemini.md 中統一定義。
• 自動化流程與工作流：以「Workflow」描述步驟，能順序執行 Build、部署、上傳等任務；若已知指令，可直接輸入或以斜線指令快速觸發。
• MCP 與 Context7：根據需要啟用適當的 MCP Server，避免同時開啟過多來源影響效能；Context7 連線穩定後可在專案層級使用，並可設定 API Key 提升額度。
• skills 與 Agent⁣ Manager：Skills 提供多樣化技能模組，Agent Manager 讓多任務可在背景執行，Playground 則可快速測試；實務上應避免裝太多技能而造成選擇困難，建議以核心用途為主逐步擴充。

風險控管與最佳實踐（實作時的注意事項與對策）：

• 依需要啟用 MCP ⁢Server，避免同時連線過多來源，減少初始化與 Token 佔用，並定期檢視 Inbox 與 Artifact 的產出，確保資料可追溯。
• 強化版本控管習慣：每次對專案內容修改後立即 Commit，透過 Git 回溯；若不熟悉指令，可先讓 AI 協助執行 ⁢Commit，之後再逐步學習細節指令。
• 控制 ‌Token 與成本：避免一次性讓 AI 全部分析，先用描述性指令完成初步任務，再補充更細的指令；遇到需要大量資料時，先在小範圍內測試再推向正式流程。
• 安全與私密管理：API keys、Context7 連線等敏感資訊要以安全方式管理，避免在 public 或共用環境中洩露。 ‍
• 測試與備援：關鍵自動化流程設置測試環境與回溯點，遇到問題可快速回到上一個穩定版本，並保留結案報告與任務結案內容以便審計。

快速落地清單（實作後的檢核要點，方便快速落地）

• 已安裝並初步整合 Antigravity、Git、Python、Node.js、Pandoc、FFmpeg、YTDLP。⁢
• 全域與專案規則已建立，.gemini/gemini.md 中內容清晰，版本控管具備 Commit 流程。
• 自動化流程具備基本 Build/部署步驟，且可透過斜線指令快速觸發；若使用外部服務，Context7 的連線可穩定完成授權與資料拉取。
• Agent Manager ⁤已設置，playground 可用於臨時任務，Artifacts、結案報告與任務清單可在專案中存取與分享。

常見問答

🎯 如何快速正確地設定 Antigravity 的核心元件以穩定自動化流程？

安裝並配置核心元件與規則機制是穩定運作的前提。首先安裝 Antigravity ⁤後，務必完成版本控管：同時安裝 ​Git 與‍ GitHub Knight，並定期提交（Commit）以讓 AI⁤ 追蹤版本變更。再來安裝執行環境與輔助工具：Python、Node.js，以及 Pandoc、FFmpeg、YTDLP，這些工具用於格式轉換、影音處理與資料抓取。接著設定規則：全球規則寫在使用者根目錄的 .gemini/gemini.md，專案級規則放在專案目錄中，讓專案依據內容有特定的作業準則與輸出語言（例如繁體中文）。同時建立版本控管作為通用規則的一部分。最後注意不要一次開啟過多 MCP Server，而是依需求開啟 Context7 等服務，以避免 Token 負荷與系統資源浪費。這樣即可確保 Antigravity‌ 在不同專案中的一致性與可控性。

🧩 如何利用自動化流程把網站部署到 GitHub Pages？

可以透過自動化流程直接部署網站到 GitHub Pages。具體做法是在自動化流程中建立一個專案工作流（Workflow），在Customization -> ‌workflow中新增全域或工作區域（Workspace）的工作流，命名如 TESTV1，並寫入部署步驟（Build、檢查輸出資料夾、GitHub Pages 部署指令等）。完成儲存後，你可以用自然語言指令「幫我部署到GitHub⁤ Pages」或在前端直接使用斜線指令 Test1 即可觸發執行；也可以以「Build」等指令讓流程自動完成。尚未啟用前，系統會先分析專案，再按步驟執行；若你熟悉指令，也可以直接輸入特定指令以加速流程。部署完成後結果會以工作流輸出與任務結案報告（Artifacts）呈現，並可於 Inbox​ 追蹤進度與通知。

💡 MCP、Skills、Agent Manager 的實務優點與該如何善用？

MCP、skills、Agent Manager 共同提升 AI 與外部工具的整合效率。MCP（模型上下文協議）讓 AI 能讀取外部資料或呼叫外部服務，如資料庫、Notion、寄信、發 Slack 訊息等；設定時可在 ⁣MCP Service 中選擇要啟用的 MCP Server，建議只開啟目前需要的服務以避免 Token 過度佔用，Context7 是常用的連結工具，若有 API Key 能提升額度與穩定性。Skills 讓 AI 透過類似教科書式的技能集成特定任務，結構包含 skill.nd 等檔案，安裝可用 NPX‍ skills-add，並可在 ‌Global 與 Project 兩個層級設定。Agent Manager 則把 ⁣Antigravity 轉為多工模式，背景執行任務（如 Code Review 或長時間的資料處理），同時提供 Playground 與 ⁢Arbifacts、Inbox 等界面來追蹤任務與產出。實務要點：避免一次開啟所有 MCP Server 以節省資源；依專案需求啟用相對的 MCP Server；使用 Playground 與 Agent Manager 來分工處理，以免因等待而浪費 token 與時間；並善用 Artifacts/結案報告保存輸出內容，方便分享與回顧。

重點整理

在這一集裡，Antigravity⁢ 的三大核心–規則（Rules）、自動化流程（Workflows）與神人技能（Skills）–被拆解為可操作的工作流。透過全域與專案級別的規則、分步執行的工作流程，以及能連結外部工具的 MCP 與龐大的 Skills 庫，你可以用自然語言直接指派任務，讓 AI 自動完成從環境設置、到網站部署、再到內容生成與審核的全流程。這種以目標為導向的「Vibe Coding」思維，能顯著提升開發效率與品質，同時降低學習曲線，讓 AI 成為你工作中的真正超能力。

本集的資訊獲得要點
– 安裝與前置作業：快速掌握 Git 與 GitHub 的版本控管、Python、Node.js 的安裝，以及 Pandoc、FFmpeg、YT-DLP 等實用工具的自動化配置方法。
– 規則與專案架構：區分 Global（全域）與​ Workspace（專案）規則，確保輸出繁體中文、語氣統一等通用設定，同時重視版本控管的實務性。
– 自動化流程：透過有序的提示詞執行，實作自動化部署（如 GitHub Pages），避免過度分析帶來的‌ токен 浪費，提升執行效率。
– MCP（模型上下文協議）：透過 ​MCP 連結外部工具（如資料庫、Notion、Slack），並以 Context7 等服務增強能力與效能；注意排序與開啟的穩妥性，以避免資源過載。
– Skills⁤ 的運用與前瞻：超過 8 萬個技能可選，需精挑細選以避免功能重複與混亂；未來可能與 Workflow 更緊密整合，帶來更順暢的工作流。
– Agent Manager 與 Artifacts：實現多工背景執行、任務追蹤與結案報告的產出，讓專案進度與成果清晰可見。
– Vibe coding 的核心哲學：專注於明確的目標、以描述性指令引導 AI、避免不必要的細節式分析，提升實作效率與可控性。

本集的 ‌CTA 與資源
– 使用 Antigravity 實作一個去浮水印網頁: https://youtu.be/wQDd0vq0I8I
– Antigravity 教學網址: https://kevintsai1202.github.io/Antigravity_Course/
– Antigravity 官網: https://antigravity.google/
– 凱文大叔第一本電腦書: https://www.tenlong.com.tw/products/9786267757710?list_name=lv
– 成為頻道會員並獲得專屬福利: https://www.youtube.com/channel/UClPN2rjY4im2LC9vG3Y8vkg/join
– FlixSeek 優惠與使用：網站 https://www.flixseek.net/?code=pg-kt，折扣碼 kevin，享 95 折，一月底結束
-⁣ 最近在社群平台爆紅的​ Antigravity，你跟上了嗎？本次分享的重點與工具鏈將讓你真正把 AI 變成超能力，趕快動手實作並把成果分享給社群與同好。