每周 AI 工具|Antigravity CLI:把科研项目变成多 Agent 自动化工作流

一句话钩子：本周的 AI 科研工具不再写 Gemini CLI，而是 Antigravity CLI：它把终端工具升级成多 Agent 工作流入口，更适合处理“文献、数据、图表、写作、自动化”这种连续科研任务。

本文核心要点

▸ 每周只聚焦一个 AI 科研工具：本文只讲 Antigravity CLI，不做工具清单。

▸ 读者能学会：安装/迁移思路、第一次只读项目、用 Agent Skills / Hooks / Subagents / Plugins 组织科研任务。

▸ 完整案例从一个脱敏科研项目文件夹开始，覆盖文献证据表、实验设计检查、数据质控、绘图、Methods 草稿和复现记录。

▸ 明确边界：CLI Agent 能加速文件级工作流，但不能替你确认统计方法、实验结论和敏感数据合规。

▲ 图 1：Antigravity CLI 参与科研项目的完整工作流：文献、方案、数据、图表、写作、自动化和人工复核。图片由 AI 生成，正文信息来自本文引用资料和本地运营模板。

一、为什么本周值得打开 Antigravity CLI？

本节结论：Google Antigravity 官方文档已经把 CLI、Subagents、Agent Skills、Plugins、Prompting 和 CLI Reference 作为可组合能力入口[1][2][3][4][5]。对科研人来说，重点不是追一个工具名，而是把项目文件夹里的文献、数据、图表和写作串成可复用流程。

Google Antigravity 官方文档把 CLI、Subagents、Agent Skills、Plugins、Prompting 和 CLI Reference 作为可组合能力入口[1][2][3][4][5]。对于科研人来说，这个变化很重要，因为科研项目本来就是长链条任务：资料在 PDF 里，数据在 CSV 里，代码在脚本里，图表在输出目录里，最后还要写成报告或论文。

所以这篇不是“又一个命令行工具新闻”，而是一个具体教程：如果你把 Antigravity CLI 当作科研文件夹级助手，应该怎么上手？怎么避免误改文件？怎么把文献、数据、图表和写作串起来？

二、它能替你完成哪类科研任务？

本节结论：Antigravity CLI 适合处理文件夹级、长链条、可复核的科研工作流，不适合替代专业判断。

适合谁

适合已经有项目文件夹的研究生、科研助理、数据分析人员和公众号运营者。只要你的任务涉及多文件、多步骤、需要输出可复核结果，就适合尝试。

不适合谁

如果你只是想问一句“这篇论文讲了什么”，普通聊天工具更轻；如果你的数据未脱敏、包含患者信息或未发表机密材料，也不应该直接交给 CLI Agent 处理。

和普通聊天工具的区别

普通聊天工具依赖复制粘贴；CLI Agent 可以在本地目录里读取文件、生成脚本、写输出、检查 diff、沉淀 README。它更像一个项目助理，而不是一个聊天窗口。

三、10 分钟跑出第一份结果：先只读，不要先改

本节结论：第一次使用的正确姿势是让它理解项目结构，而不是立刻让它自动写代码。

Step 0

准备一个安全练习目录

输入：公开论文 PDF、脱敏 CSV、旧分析脚本、空 output 文件夹。

动作：复制一份练习项目，目录建议为 papers/、data/、scripts/、output/、README.md。不要在原始课题目录里直接试。

产物：research-antigravity-demo/。

检查点：目录里不能有未发表数据、患者信息、账号密钥和内部合作文件。

Step 1

让它先做项目盘点

输入：当前项目目录。

动作：要求 Antigravity CLI 只读项目：列文件结构、推测每个文件用途、指出缺少哪些说明、标记可能敏感的文件。

产物：project_map.md。

失败处理：如果 Agent 一上来要改文件，终止任务，重新要求“只读分析”。

可复制提示词：

请先只读当前项目，不要修改任何文件。 请输出 project_map.md，包含： 1. 文件夹结构； 2. 每个文件可能用途； 3. 哪些文件可能包含敏感信息； 4. 这个项目缺少哪些 README/数据字典/复现说明； 5. 下一步建议，但不要执行。

Step 2

设置工作边界

输入：项目地图和你的任务目标。

动作：让 Agent 明确只能读取 papers/、data/、scripts/，只能写 output/。任何删除、移动、联网、安装依赖都必须先列计划。

产物：run_policy.md。

检查点：如果工具不能解释将要执行的命令，就不要让它执行。

四、核心功能照着用：输入、动作、输出长什么样？

本节结论：这类 CLI 的价值不是单点写代码，而是把科研任务拆给多个能力模块并留下可复核产物。

Step 3

文献：PDF 到证据表

输入：papers/ 中 3-5 篇公开论文。

动作：让 Agent 提取研究问题、样本、方法、结果、局限，写入 output/evidence.md。每条结论必须有文件名和原文位置。

产物：证据表和待核验清单。

验收：随机抽查 20% 条目，回到 PDF 原文确认。

Step 4

实验设计：把假设变成检查清单

输入：你的研究假设和已有实验方案。

动作：要求 Agent 检查分组、对照、样本量、混杂因素、失败场景和统计方法是否匹配。

产物：protocol_review.md。

验收：每个风险点必须给出“为什么是风险”和“如何补救”。

Step 5

数据：从 CSV 到质控报告

输入：脱敏 CSV 和研究问题。

动作：生成数据字典、缺失值报告、异常值报告、列名解释和分析建议。先不跑复杂模型。

产物：data_dictionary.md、qc_report.md。

失败处理：列名含义不明时必须标记 unknown，不能猜。

Step 6

图表：生成可复现绘图脚本

输入：质控后的数据、图表目标、分组变量。

动作：生成 scripts/plot.py，输出 output/figure.png 和 figure_caption.md。运行前先查看 diff。

产物：图、图注、绘图脚本。

验收：核对坐标轴、单位、样本量、分组和统计标注。

Step 7

写作：Methods 只能从真实脚本反推

输入：analysis.py、plot.py、results.md。

动作：让 Agent 只根据真实脚本写 Methods 草稿，不允许编造没有执行的统计方法。

产物：methods_draft.md。

验收：Methods 中每个动作都能在脚本中找到对应代码。

科研工具落地操作台：用 Antigravity CLI 覆盖一个科研项目全流程

1. 课题调研：让 Agent 从 papers/ 和公开链接中生成 topic_map.md、evidence_table.md 和 team_landscape.md；人工核验每条来源是否真实可查。

2. 研究问题：把“我想做这个方向”压缩成 PICO/PECO、主要终点、次要终点和排除范围；输出 research_question.md。

3. 实验/分析方案：检查分组、对照、变量、样本量、混杂因素、统计方法和失败场景；输出 protocol_review.md。

4. 数据治理：生成数据字典、缺失值/异常值报告、脱敏检查、列名解释和数据版本记录；输出 data_dictionary.md 与 qc_report.md。

5. 分析脚本：从最小基线开始生成可复现脚本，固定随机种子，保留运行命令和依赖；输出 scripts/analysis.py 与 results.md。

6. 图表生成：根据研究问题生成图表脚本、图注和视觉检查清单；输出 figure.png、figure_caption.md 与 visual_qc.md。

7. 论文/报告写作：Methods 只能从真实脚本反推，Results 只能从结果文件引用，Discussion 必须标注哪些是推断；输出 draft_sections.md。

8. 自动化沉淀：把重复流程改成 Makefile、run.ps1 或 SOP.md，让下一个项目能复用；输出 runbook.md。

9. 人工复核：列出引用、统计、图表、结论和敏感数据的待核验项；输出 review/items_to_verify.md。

10. 归档复现：生成 README、环境记录、输入输出索引和变更日志，确保另一位同事能从空 output/ 重跑。

五、完整实战：用它跑通一个科研小项目

本节结论：最推荐的第一个案例，是用公开论文和脱敏数据生成一个可复核的 mini project，而不是让 Agent 接管整个课题。

建议案例目录：

□ papers/：3 篇公开论文 PDF

□ data/：一份脱敏 CSV

□ scripts/：已有或空白分析脚本

□ output/：证据表、质控报告、图表、Methods 草稿、README

□ review/：人工复核记录和错误日志

完整任务提示词：

请把当前目录处理成一个可复现的科研 mini project。 边界：只读 papers/、data/、scripts/；只写 output/ 和 review/；任何安装依赖、联网、删除文件都必须先询问。 输出： 1. output/evidence.md：论文证据表； 2. output/qc_report.md：数据质控报告； 3. scripts/analysis.py：最小分析脚本； 4. output/figure.png 和 figure_caption.md； 5. output/methods_draft.md； 6. README.md：复现步骤； 7. review/items_to_verify.md：需要人工核验的条目。

六、结果能不能直接用？这样验收才安全

本节结论：CLI Agent 的输出必须按文件、数据、图表、统计和文字逐项验收，不能只看它说“完成了”。

验收清单：

□ 证据表每条结论都有来源定位。

□ 数据质控报告没有猜测列名含义。

□ 脚本能从空 output/ 重新运行。

□ 图表轴、单位、分组、样本量正确。

□ Methods 不包含脚本里没有执行过的方法。

□ README 能让另一个人重跑。

七、到底值不值得长期用？优缺点、替代方案和最佳工作流

本节结论：Antigravity CLI 的优势是多 Agent 和统一 harness，风险是误操作、权限边界和生态迁移成本。

适合优先使用 Antigravity CLI 的场景

多文件科研项目、需要后台执行、多步骤自动化、需要 Skills/Hooks/Subagents/Plugins 组织任务的工作流。

仍然可以用 Codex/Claude Code 的场景

代码仓库修复、测试驱动修改、审查 diff、强调局部代码质量的任务。科研人可以按项目选择，不必迷信单一工具。

最大提醒

不要让任何 CLI Agent 直接处理未脱敏敏感数据；不要自动接受文件修改；不要让 AI 替你确认统计和实验结论。

科研效率 AI 工具箱 · 用 AI 做科研的效率工具

文献整理 · 数据质控 · 图表生成 · 多 Agent 自动化

点击文末「阅读原文」直接使用 AI 专家 / 捞仔 AI 小站

关注「AI-For-Precision-Health」 ｜每天一篇 AI 科研实操干货

食品 · 医药 · 器械 · AI 工具 · 科研 Skill · 科研自动化，让 AI 真正帮你做科研。

*使用 AI 工具处理科研数据前，请先完成数据脱敏、权限确认和命令审查。

参考文献

[1] Google Antigravity CLI features. Accessed 2026-06-29. https://antigravity.google/docs/cli-features

[2] Google Antigravity Agent Skills. Accessed 2026-06-29. https://antigravity.google/docs/skills

[3] Google Antigravity Plugins & Skills. Accessed 2026-06-29. https://antigravity.google/docs/cli-plugins

[4] Google Antigravity Prompting. Accessed 2026-06-29. https://antigravity.google/docs/cli-prompting

[5] Google Antigravity CLI Reference. Accessed 2026-06-29. https://antigravity.google/docs/cli-reference