פיתוח צינורות עיבוד נתונים אוטונומיים למפתחים באמצעות agents.md ו-skills.md ב-Antigravity

1. מבוא

בשיעור Codelab הזה נראה לכם איך להגדיר צוות מפתחים אוטונומי מבוסס-AI בעזרת Antigravity IDE, ישירות במחשב שלכם. תפתחו אפליקציה פעילה על ידי הנחיית דרישה לאורך כל מחזור החיים שלה, ממפרט טכני ועד לפריסה סופית, באמצעות תהליך עבודה יעיל של skills.md ושל agents.md.

במקום להיות מוגבלים לסטאק תוכנות ספציפי או לכתוב סקריפטים מורכבים של Python לתזמור, נשתמש בגישה ידידותית ללא קוד, שבה הדרישות שלכם עוברות מחזור אוטומטי שמבוסס על שלושה עקרונות ליבה של Antigravity:

1. agents.md: כדי להגדיר בדיוק מי נמצא בצוות ה-AI שלכם (מנהל מוצר, Frontend, ‏ QA, ‏ DevOps).
2. ‫Skills ו-skills.md: ספרייה ייעודית שבה מגדירים יכולות טכניות חזקות וכללי העברת ארטיפקטים כקבצים מודולריים של .md.
3. ‫Workflows (תהליכי עבודה) (workflows/): כדי להגדיר פקודות מותאמות אישית דרך שורת הפקודות, שמאפשרות לשרשר את חברי הצוות מבוססי ה-AI לצינור אוטונומי.

השילוב המקורי של שלושת הרכיבים האלה ב-Antigravity מאפשר לכם להנחות את Gemini להפוך את תהליך הפיתוח של אפליקציה מוכנה לייצור לאוטומטי לחלוטין, מתחילתו ועד סופו.

מה תלמדו

• אתחול ה-Workspace: הגדרת הפרויקט כך ש-Antigravity יבין אותו לעומק.
• הגדרת הצוות: יוצרים קובץ agents.md כדי להגדיר את דמויות ה-AI המומחיות.
• תכנות המיומנויות: יוצרים קובצי .md מפורטים בספריית skills/ כדי להגדיר כללים טכניים מחמירים ולבצע לולאות חוזרות של שיפורים.
• הגדרת תהליכי עבודה בהתאמה אישית: יוצרים /startcycle פקודה דרך שורת הפקודות כדי להפוך את תהליך העבודה של הסטודיו לאוטומטי.
• הפעלת תגובת שרשרת: שימוש בפקודה אחת כדי להפעיל באופן אוטומטי את כל צינור העיבוד של ריבוי סוכנים בצורה יעילה.

מה תנסו

• איך להפריד בין הנדסת פרומפטים ל-AI לבין קוד האפליקציה.
• איך ליצור סוכן שמשהה את הפעולה באופן פעיל כדי לפרש תגובות ועריכות של משתמשים בקובצי Markdown שנוצרו.
• איך לפתח מיומנויות של יצירה ופריסה של קוד דינמי שלא תלוי בשפה.
• איך יוצרים פקודות מאקרו מותאמות אישית (תהליכי עבודה) בסביבת פיתוח משולבת (IDE) מבוססת-סוכן.

מה תצטרכו

• Antigravity
• דפדפן Chrome
• ‫Node.js (גרסה 18 ואילך) או Python 3.14 מותקנים באופן מקומי
• (אופציונלי) ה-CLI של gcloud מותקן באופן מקומי

לפני שמתחילים

1. מוודאים ש-Antigravity IDE מותקן (זמין בכתובת antigravity.google).
2. פותחים את Antigravity IDE ומוודאים שיש לכם סביבת עבודה ייעודית מאותחלת.
3. כדאי להשאיר את חלון הטרמינל פתוח בזמן העבודה במצב עריכה.

2. הפעלת Workspace

מכיוון ש-Antigravity מבין באופן מובנה קבצים של תהליכי עבודה שנמצאים בספרייה .agents, כדי להגדיר צינור עיבוד נתונים אוטונומי למפתחים צריך רק ליצור כמה תיקיות רגילות.

אתם יכולים להגדיר את סביבת העבודה:

1. פותחים את Antigravity IDE.
2. פותחים את המרכז לניהול סוכנים. בכל שלב, אפשר לעבור בין המרכז לניהול סוכנים לבין העורך באמצעות הקשה על CMD+E ‏ (Mac) או על CTRL+E ‏ (Windows), או באמצעות הלחצנים 'פתיחת העורך' ו'פתיחת המרכז לניהול סוכנים' בפינה השמאלית העליונה של סרגל התפריטים. .
3. לוחצים על + פתיחת Workspace.

כדי להתחיל שיחה חדשה במרחב, בוחרים את המרחב הרצוי בכרטיסייה 'התחלת שיחה' או לוחצים על לחצן הפלוס שליד שם המרחב בסרגל הצד.

4. לוחצים על 'פתיחת סביבת עבודה חדשה', נותנים שם לסביבת העבודה skills-codelab ובוחרים ספרייה מקומית. כך סוכן ה-AI מקבל תיקיית בסיס ספציפית ליצירת קבצים, בלי להעמיס על פרויקטים אחרים. אחרי שמסיימים, עוברים לתצוגת העריכה ומבצעים את שלבים (5), (6) ו-(7).

5. לוחצים לחיצה ימנית ויוצרים skills-codelab תיקייה.
6. בתוך הספרייה הזו, יוצרים שתי ספריות: production_artifacts ו-app_build.
7. יוצרים ספרייה בשם .agents ובתוכה יוצרים תיקיות בשמות workflows ו-skills.

(לחלופין) אם אתם מעדיפים להשתמש במסוף, אתם יכולים ליצור את המבנה הזה באופן מיידי על ידי הפעלת הפקודה:

mkdir skills-codelab && cd skills-codelab
mkdir -p .agents/workflows .agents/skills
mkdir production_artifacts app_build

ודאו שהתיקייה נראית כך:

מה המטרה של התיקיות החדשות האלה?

• ‫.agents/: זוהי ספרייה מיוחדת שמזוהה באופן מקורי על ידי Antigravity. אם מציבים קבצים כאן, מרחיבים את התנהגות ה-AI המובנית של Antigravity.
• ‫skills/: התיקייה הזו משמשת לאחסון מדריכים טכניים ספציפיים (קבצי .md) ל-AI. כך אפשר להנחות את ה-AI איך לבצע משימות ספציפיות כמו כתיבת קוד או פריסת אפליקציות, במקום להשתמש בהנחיה אחת גדולה ומבלבלת.
• production_artifacts/: זו התיקייה המשותפת שלנו, שבה חברי הצוות האוטומטיים שלנו ישמיטו בכוונה קבצים כדי שהסוכן הבא יקרא אותם.
• ‫app_build/: סביבת העבודה המיועדת לקוד האפליקציה בפועל. הסוכן Full-Stack Engineer ייצור את כל הקוד (כמו package.json, app.py, רכיבי React) וישמור אותו ישירות בתיקייה הזו, כך שמקור האפליקציה יהיה מבודד מההוראות של ה-AI.

3. הגדרת הצוות (agents.md)

קודם צריך להגדיר ב-Antigravity מי עובד על הפרויקט הזה. במקום לשמור הוראות בארבע תיקיות פרויקט שונות, אנחנו מרכזים את הזהות של הצוות שלנו. יוצרים קובץ ב-.agents/agents.md:

למה אנחנו צריכים פרסונות שונות?

כשמבקשים מ-AI לבנות אפליקציה שלמה מאפס, הוא עלול להיות מוצף בקלות אם מכריחים אותו להיות הארכיטקט, המתכנת, הבודק והאחראי על הפריסה בבת אחת. ריכוז התפקידים האלה ב-agents.md מונע בלבול של ה-AI. מנהל המוצר מתמקד רק בדרישות, המהנדס רק ביצירת קוד ובקר בקרת האיכות רק בתיקון באגים. אתם מקבלים מומחים בתחומים שונים לכל שלב במשפך המכירות!

קובץ agents.md פותר את הבעיה הזו על ידי ריכוז של כל הפרסונות השונות של הצוות:

1. מנהל המוצר (@pm): מתמקד רק בתמונה הגדולה. הם כותבים את הקובץ Technical_Specification.md ומנהלים את תהליך האישור הלוך ושוב איתכם (האדם).
2. מהנדס Full-Stack‏ (@engineer): לא מתעסק בתכנון, אלא מקבל את המפרט של מנהל המוצר ומתמקד בכתיבת קוד איכותי בכל שפה שתאשרו.
3. מהנדס בקרת האיכות (@qa): פועל כמשקיף מהצד. במקום לכתוב תכונות חדשות, הם מתמקדים רק באיתור תלות חסרה, שגיאות תחביר או באגים לוגיים בקוד של המהנדס.
4. ה-DevOps Master‏ (@devops): מתמקד אך ורק בסביבת זמן הריצה. הם יודעים לקרוא את הטרמינל, להתקין חבילות (npm install,‏ pip install) ולהפעיל את השרת המקומי.

# 🤖 The Autonomous Development Team

## The Product Manager (@pm)
You are a visionary Product Manager and Lead Architect with 15+ years of experience.
**Goal**: Translate vague user ideas into comprehensive, robust, and technology-agnostic Technical Specifications.
**Traits**: Highly analytical, user-centric, and structured. You never write code; you only design systems.
**Constraint**: You MUST always pause for explicit user approval before considering your job done. You are highly receptive to user feedback and will enthusiastically re-write specifications based on inline comments.

## The Full-Stack Engineer (@engineer)
You are a 10x senior polyglot developer capable of adapting to any modern tech stack.
**Goal**: Translate the PM's Technical Specification into a beautiful, perfectly structured, production-ready application.
**Traits**: You write clean, DRY, well-documented code. You care deeply about modern UI/UX and scalable backend logic.
**Constraint**: You strictly follow the approved architecture. You do not make assumptions—if the spec says Python, you use Python. You always save your code into the `app_build/` directory.

## The QA Engineer (@qa)
You are a meticulous Quality Assurance engineer and security auditor.
**Goal**: Scrutinize the Engineer's code to guarantee production-readiness.
**Traits**: Detail-oriented, paranoid about security, and relentless in finding edge cases.
**Focus Areas**: You aggressively hunt for missing dependencies in configurations, unhandled promises, syntax errors, and logic bugs. You proactively fix them.

## The DevOps Master (@devops)
You are the elite deployment lead and infrastructure wizard.
**Goal**: Take the final code in `app_build/` and magically bring it to life on a local server.
**Traits**: You excel at terminal commands and environment configurations.
**Expertise**: You fluently use tools like `npm`, `pip`, or native runners. You install all necessary modules seamlessly and provide the local URL directly to the user so they can see the final product!

שימו לב איך אנחנו מגדירים את היעדים, התכונות והאילוצים של כל דמות.

• המטרות מגדירות לסוכן מה האחריות המדויקת שלו בצינור.
• התכונות מעניקות לו אישיות התנהגותית, ומגדירות איך הוא צריך לפעול (לדוגמה, "מפתח בכיר ברמה גבוהה פי 10" או "פרנואיד לגבי אבטחה").
• ההגבלות פועלות כמו גדרות בטיחות מחמירות (למשל, "אף פעם אל תכתוב קוד", "פעל בהתאם לארכיטקטורה המאושרת").

הצורה הזו של הנחיות מפחיתה באופן משמעותי את ההזיות של ה-AI ומבטיחה שהסוכן יפעל בהתאם לתהליך העבודה הנדרש.

ודאו שהתיקייה נראית כך:

4. תכנות המיומנויות המיוחדות (skills/)

הנדסת הוראות מפורטות היא המפתח לקסם ללא קוד. אנחנו ניצור קובצי טקסט ספציפיים מאוד לכל מיומנות, כדי להבטיח שמנהל הפרויקט יחזור באופן פעיל אחורה אם תבקשו לבצע שינוי.

1. מיומנות המפרט

הכישורים האלה משמשים כנקודת התחלה. הסוכן PM משתמש בו כדי לראיין אתכם ולפרט את הארכיטקטורה לפני כתיבת הקוד, וכך חוסך לכם שעות של עבודה מיותרת!

יצירה .agents/skills/write_specs.md:

# Skill: Write Specs

## Objective
Your goal as the Product Manager is to turn raw user ideas into rigorous technical specifications and **pause for user approval**.

## Rules of Engagement
- **Artifact Handover**: Save all your final output back to the file system.
- **Save Location**: Always output your final document to `production_artifacts/Technical_Specification.md`.
- **Approval Gate**: You MUST pause and actively ask the user if they approve the architecture before taking any further action.
- **Iterative Rework**: If the user leaves comments directly inside the `Technical_Specification.md` or provides feedback in chat, you must read the document again, apply the requested changes, and ask for approval again!

## Instructions
1. **Analyze Requirements**: Deeply analyze the user's initial idea request.
2. **Draft the Document**: Your specification MUST include:
   - **Executive Summary**: A brief, high-level overview.
   - **Requirements**: Functional and non-functional requirements.
   - **Architecture & Tech Stack**: Suggest the absolute best framework (e.g., Python/Django, Node/Express, React/Next.js) for the job and outline the layout/API structure.

   - **State Management**: Briefly outline how data should flow.
3. Save the document to disk.
4. **Halt Execution**: Explicitly ask the user: "Do you approve of this tech stack and specification? You can safely open `Technical_Specification.md` and add comments or modifications if you want me to rework anything!" Wait for their "Yes" or feedback before the sequence continues!

שימו לב ל'שער האישור' המחמיר. במקום לבנות את כל האפליקציה בבת אחת ולקוות שהיא תהיה נכונה, ה-AI מקבל הוראה מפורשת להשהות את הפעולה, לחכות לאישור הסופי שלכם ולקרוא מחדש את המסמך באופן פעיל אם השארתם תגובות בתוך הטקסט.

2. היכולת Full-Stack Generation

המיומנות הזו היא כלי הליבה לבנייה. המהנדס הווירטואלי קורא את סטאק התוכנות המדויק מהמפרט של ה-PM ויוצר באופן דינמי את כל קובצי הקוד הנדרשים של ה-frontend וה-backend.

יצירה .agents/skills/generate_code.md:

# Skill: Generate Code

## Objective
Your goal as the Full-Stack Engineer is to write the physical code based entirely on the PM's approved specification.

## Rules of Engagement
- **Dynamic Coding**: You are not limited to HTML/JS. You must write code in the exact language/framework defined in the approved `Technical_Specification.md`.
- **Save Location**: Save all your raw code, accurately retaining necessary folder structures, directly inside `app_build/`.

## Instructions
1. **Read the Spec**: Open and carefully study `production_artifacts/Technical_Specification.md`.
2. **Scaffold Structure**: Generate all core backend and frontend application files.
3. **Output**: Dump your code perfectly into the `app_build/` directory. Do not skip or summarize any code blocks. Ensure all `package.json` or `requirements.txt` files are present.

למיומנות הזו אין מחסנית מוגדרת מראש (כמו Next.js או Django). הוא מסתמך באופן מפורש על סטאק התוכנות הדינמי שנבחר על ידי מנהל המוצר. זה אומר שהמיומנות שלכם ליצירת קוד יכולה לפעול בכל מסגרת שאושרה במפרט!

3. מיומנות הביקורת

מיומנות זו מספקת רשת ביטחון. סוכן בקרת האיכות פועל כבודק עצמאי, עם הוראות ספציפיות לאתר תלות חסרה ושגיאות לוגיות בקוד שנוצר לאחרונה.

יצירה .agents/skills/audit_code.md:

# Skill: Audit Code

## Objective
Your goal as the QA Engineer is to ensure the generated code is perfectly functional natively.

## Rules of Engagement
- **Target Context**: Your focus area is the `app_build/` directory.

## Instructions
1. **Assess Alignment**: Compare the raw code against the approved `Technical_Specification.md`.
2. **Bug Hunting**: Find and fix dependency mismatches, unhandled errors, and logic breaks.
3. **Commit Fixes**: Overwrite any flawed files in `app_build/` with your polished revisions.

כש-AI גנרטיבי כותב כמויות גדולות של קוד, הוא נוטה לעשות טעויות קטנות בתחביר. הוספנו מיומנות נפרדת של ביקורת, שהתפקיד שלה הוא רק לחפש שגיאות. כך אנחנו משפרים באופן משמעותי את שיעור ההצלחה של הפעלת האפליקציה הסופית.

4. היכולת Dynamic Deployment

הכישורים האלה מאפשרים להפיח חיים באפליקציה. סוכן DevOps קובע איזה סוג אפליקציה נוצרה (Node,‏ Python וכו') ומריץ בבטחה את פקודות הטרמינל שנדרשות להתקנת מודולים ולהפעלת השרת.

יצירה .agents/skills/deploy_app.md:

# Skill: Deploy App

## Objective
Your goal as DevOps is to intelligently package the application and fire up a server based on the chosen stack.

## Instructions
1. **Stack Detection**: Inspect the `Technical_Specification.md` and the files in `app_build/` to figure out what stack is being used.

2. **Install Dependencies**: Use your native terminal to navigate into `app_build/` and run `npm install`, `pip install -r requirements.txt`, or whatever is appropriate!

3. **Host Locally**: Execute the appropriate native terminal command (e.g., `npm run dev`, `python3 app.py`) to start a background server.
4. **Report**: Output the clickable localhost link to the user and celebrate a successful launch!

אנחנו משתמשים ביכולת של סביבת הפיתוח המשולבת להריץ פקודות טרמינל מקומיות בצורה בטוחה.

הסוכן מתנהג כמו מהנדס DevOps אמיתי, ומגלה באופן דינמי איזו פקודת התקנה להפעיל על סמך הקבצים שהוא רואה בפועל בתיקייה app_build/.

(אופציונלי) 5. היכולת Cloud Run Deployment

אם רוצים להעביר את האפליקציה ישירות לייצור במקום להריץ אותה רק באופן מקומי, אפשר ליצור מיומנות פריסה חלופית. מכיוון ש-Antigravity פועל ישירות במחשב המקומי, ה-AI יכול להשתמש בצורה חלקה ב-CLI של gcloud שאומת באופן מקומי.

יצירה .agents/skills/deploy_cloud_run.md:

# Skill: Deploy to Cloud Run

## Objective
Your goal as DevOps is to package the application into a container and deploy it to Google Cloud Run.

## Instructions
1. **Verify Environment**: Ensure the necessary files for the chosen tech stack are in `app_build/`.
2. **Containerize**: Use the IDE terminal to navigate to `app_build/` and run `gcloud run deploy --source .`. 
3. **Configure**: If prompted by the CLI tool, automatically select the default region and allow unauthenticated invocations so the web app is public.
4. **Report**: Output the live production Google Cloud Run URL to the user!

5. הגדרת פקודת לוכסן בהתאמה אישית

מה עושה פקודה דרך שורת הפקודות מותאמת אישית?

אם תשמור את קובץ הטקסט הזה בתוך .agents/workflows/ , תרשום פקודה חדשה לגמרי ישירות בממשק הצ'אט של Antigravity.

במקום להנחות את ה-AI ידנית שלב אחר שלב ("תתנהג כמו מנהל מוצר ותכתוב מפרט..." ואז "אוקיי, עכשיו תתנהג כמו מהנדס ותכתוב קוד..."), הפקודה /startcycle פועלת כמתזמן אוטומטי. הוא משלב בצורה חלקה בין הפרסונות שהגדרתם לבין הכישורים הספציפיים שלהן ברצף אוטומטי רציף. ניצור מאקרו יחיד שיטפל בהעברה בין סוכנים, וניהל באופן מפורש את לולאת העיבוד מחדש בשלב PM.

יצירה .agents/workflows/startcycle.md:

---
description: Start the Autonomous AI Developer Pipeline sequence with a new idea
---

When the user types `/startcycle <idea>`, orchestrate the development process strictly using `.agents/agents.md` and `.agents/skills/`.

### Execution Sequence:
1. Act as the **Product Manager** and execute the `write_specs.md` skill using the `<idea>`.
   *(Wait for the user to explicitly approve the spec. If the user provides feedback or adds comments directly to the Markdown file, act as the PM again to re-read and revise the document. Loop this step until they type "Approved").*
2. Shift context, act as the **Full-Stack Engineer**, and execute the `generate_code.md` skill.
3. Shift context, act as the **QA Engineer**, and execute the `audit_code.md` skill.
4. Shift context, act as the **DevOps Master**, and execute the `deploy_app.md` skill.

ודאו שהתיקייה נראית כך:

6. התחלת תגובת השרשרת!

אחרי שהגדרתם את הצוות והכללים באופן רשמי ב-Antigravity, תוכלו להפעיל את כל תהליך העבודה בקלות.

הנחיית Antigravity:

1. בתיבת הצ'אט של Agent Manager, מקלידים / כדי לפתוח את תפריט הפקודות המותאמות אישית. בוחרים או מקלידים startcycle.
2. מזינים את הרעיון:

/startcycle "I need a fast, real-time chat application for customer support on my ecommerce website."

יושבים לאחור ומשתפים פעולה:

1. ‫Gemini הופך למנהל המוצר, מנסח מפרט חזק ומבקש מכם אישור.
2. פותחים את Technical_Specification.md בכלי העריכה של ה-IDE, מוסיפים כמה הערות (למשל: "בוא נשתמש ב-Python במקום ב-Node") ומבקשים מהסוכן לעבד מחדש את הקוד. הוא ישנה את הקובץ באופן אוטונומי.
3. אחרי שמאשרים את המפרט, Gemini מעביר את ההקשר למהנדס באופן טבעי, ומשתמש במפרט שאושר כדי לכתוב את קוד ה-backend או ה-frontend.
4. הוא הופך למהנדס QA, מתקן את הבאגים ושומר את הקוד הסופי.
5. לבסוף, מומחה ה-DevOps מתקין מודולים באופן דינמי ומציג את האפליקציה בדפדפן.

הרצה לדוגמה של Technical_Specification.md בהמתנה לאישורים או לתגובות

אחרי שהמשתמש מאשר את ההנחיה, תהליך העבודה כולו מתחיל.

7. סיכום והשלבים הבאים

מעולה! למדתם איך להטמיע לולאות איטרציה שיתופיות ויצירה דינמית של אפליקציות מלאות בצינור נתונים מבוסס-סוכן.

ב-Codelab הזה למדנו על הנושאים הבאים:

• איך ממפים פרסונות של AI באמצעות ‎ .agents/agents.md.
• ליצור לולאות של עבודה משותפת בתוך .agents/skills/write_specs.md כדי שהנציג יוכל לקרוא את ההערות שלכם בפורמט Markdown.
• יכולות דינמיות .md שכותבות קוד בכל מסגרת (Python, ‏ React) בהתאם למפרט שאושר.