看到 /boost 先別興奮　Agy 7 大 Slash Commands 深鑽

Agy 互動指令（Interaction Modes & Slash Commands） 是指在 Google Antigravity 開發環境 中，透過特定前綴斜線指令（如 /plan、/grill-me、/goal、/boost）動態切換代理人思考深度與行為模式的控制技術。工程師無須死記冗長 Prompt，即可依據當下開發階段切換角色：第一步透過 /grill-me 與 /plan 釐清架構；第二步使用 /goal 進行無中斷自主推進；遭遇分散式併發難題時，則啟用 /boost 自動調度三層推理階層。

在上一篇文章中，我們學會了如何靠 Subagent 派出偵察豬、品管豬與獸醫豬進行非同步平行分工。

但當手邊的軟體專案演變成跨模組架構重構，或是遇到極度棘手的 Concurrency、演算法漏洞與長流程任務時，你很快會發現一個新困惑：

「每次都要由我來手動決定派哪隻小豬機器人、怎麼拆解任務、怎麼追蹤進度，那我豈不是變成天天打卡調度的基層工頭了嗎？！」

如果今天的 Subagent 已經會分工幹活，那 AI 自動化的下一步會是什麼？

答案是：未來有一天，小豬機器人肯定可以做得比你老闆還要好！
我們正在從「人類手動分工」，跨越到**「AI 開始幫我管理 AI」**的 Agent Team 未來範式！

一、AI 自動化的終極演化軸線

回顧我們一路探索的抽象層級，AI 輔助開發的進化路徑清晰可見：

flowchart TD
    P["Prompt ➔ 手動輸入指令，問一答一"] --> A["Agent ➔ 具備自主能力，幫你執行 Tool & Code"]
    A --> S["Subagent ➔ 人類手動指派專業小豬機器人（人類管理分工）"]
    S --> B["Multi-Agent / Boost ➔ AI 自己組建深度推理階層系統"]
    B --> T["Agent Team / Teamwork ➔ AI 自主拆解專案、自動派工與驗證（AI 管理分工）"]

Subagent 是我開始學會分工；Agent Team 則是 AI 開始學會自我管理分工！

二、進入深度推理階層：/boost

當你遇到單一 Agent 思考容易陷入死胡同的複雜演算法、併發死鎖（Deadlock）或大型重構時，Antigravity 推出的 /boost 模式開創了三層式的 Multi-Agent Reasoning Hierarchy：

flowchart TD
    O["Orchestrator (主導調度者)"]
    O --> D1["DeepCoder (代碼與邏輯推理 Agent)"]
    O --> D2["DeepInvestigator (調查與架構分析 Agent)"]
    D1 --> W["Execution Workers (背景平行執行與驗證小豬工人)"]
    D2 --> W

/boost 的核心思維變革

你不再需要費心指定「哪隻小豬做什麼」，你只需要把最難的題目丟給系統：

「這題 Concurrency 排程很難，你自己組一個推理團隊來處理。」

/boost 會在數秒到數分鐘的互動中，自動調度 Orchestrator 進行任務解構、派發 DeepCoder/DeepInvestigator 做邏輯演繹，最後由 Execution Workers 進行測試與驗證。

三、大型專案自主協同：/teamwork-preview

如果說 /boost 是處理「高難度單點問題」的智囊團，那麼 /teamwork-preview 則是處理「大型長流程軟體工程」的完整團隊。

官方將 /teamwork-preview 定位為讓一組專門化的 Agent 自主協同大型專案、多檔案重構與複雜調研的機制：

sequenceDiagram
    autonumber
    actor Boss as 人類場長 (工程師)
    participant Platform as /teamwork-preview 平台
    participant Planner as 需求與 Milestone 拆解組
    participant Team as 平行開發小豬群
    participant QA as 獨立測試驗證組

    Boss->>Platform: 提供 High-Level Goal (例如：將 REST API 全面升級為 GraphQL)
    Platform->>Planner: 拆解為 Milestone 清單並召喚對應 Agent
    Planner->>Team: 平行派工與實作
    Team->>QA: 提交變更並進行獨立測試
    QA-->>Platform: 自動整合與驗證結果
    Platform-->>Boss: 交付可合併成果

人類只需要給出一個 High-Level Goal，剩下的 Milestone 拆解、小豬機器人召喚、平行實作與獨立驗證，全部由 Agent Team 自行協調完成！

四、三代機制對比表：Subagent vs Boost vs Teamwork

五、養豬場派工思維：七大免費 Slash Commands

看完了頂規的 /boost 與 /teamwork-preview，很多人可能會問：
「是不是一定要開滿 Multi-Agent 團隊，AI 自動化才管用？」

不要看到頂規就興奮，免費的基本功才是每天真的會用到的！

在 Antigravity 中，最常用、也最能拉開工程師生產力差距的，是那些免費且看似不起眼的 /command。官方將其定位為 Interaction Modes（互動工作模式）。讓我們用「養豬場派工思維」來理解：

flowchart TD
    Q["我現在到底想叫 AI 做什麼？"] --> M1["想清楚再動手<br>(/plan, /grill-me)"]
    Q --> M2["直接衝到底不要停<br>(/goal)"]
    Q --> M3["背景協助不打斷<br>(/browser, /btw)"]
    Q --> M4["沉澱經驗與排程<br>(/learn, /schedule)"]

模式一：讓 AI「想清楚再動手」

1. /plan ➔ 蓋新豬舍前先出建築藍圖

   1	/plan 幫我把登入系統改成 OAuth，先研究現有架構，不要直接改 Code。

   核心精神：先盤點受影響檔案，產出施工藍圖，人類 Review 簽字後才許開工。
2. /grill-me ➔ 豬農反過來考問場長

   1	/grill-me 我要重構 Notification System

   核心精神：在動手前，AI 先嚴肅反問你：「你到底要養幾隻？要肉豬還是母豬？清糞便的管道你想過沒？」把模糊需求挖乾淨。

模式二：讓 AI「直接幹，不要停」

3. /goal ➔ 豬農自己把整批豬照顧完

   1	/goal 把 authentication package 所有 failing tests 修好，最後確認全部通過。

   核心精神：進入自主推進迴圈直到驗證通過，不會每改一個檔案就停下來等確認。

模式三：讓 AI「背景幫忙，不要打斷我」

4. /browser ➔ 派會走路的小豬巡視豬舍

   1	/browser 檢查這個網站在 Mobile Safari 是否有文字溢出。

   核心精神：沙盒化 Chrome 瀏覽器 Subagent，獨立進行 DOM 檢視與排版截圖。
5. /btw ➔ 「欸 BTW，那隻豬放在哪？」

   1	/btw UserSession interface 在哪個檔案？

   核心精神：帶外查詢（Out-of-band Query），快速解答突發小問題，完全不會打斷主工作流！

模式四：讓 AI「留下經驗，明天自動上班」

6. /learn ➔ 把養豬教訓寫進管理手冊

   1	/learn 把今天關於 Database transaction retry 的修正整理成專案規則。

   核心精神：將除錯教訓自動萃取為 .agents/rules/，下次不再犯！
7. /schedule ➔ 設定定時自動餵豬機

   1	/schedule 每天早上 9 點檢查 GitHub PR，整理需要我 Review 的項目。

   核心精神：建立週期性任務，直接銜接 Sidecar 背景維運機制。

📋 養豬場 Command 快速選用 Cheat Sheet

🔗 終極絕招：Command Chaining (指令連鎖)

Antigravity 支援在同一個 Prompt 前連鎖串接多個指令：

1

/plan /grill-me 幫我重構這個 Authentication System

這會形成一條無懈可擊的產線：

flowchart LR
    G["/grill-me<br>(先問清楚需求)"] --> P["/plan<br>(產出實作計畫)"]
    P --> GO["/goal<br>(自主執行到底)"]
    GO --> B["/browser<br>(UI 畫面檢驗)"]
    B --> L["/learn<br>(沉澱規則手冊)"]
    L --> S["/schedule<br>(定期巡檢)"]

結語：我到底還算不算在「寫程式」？

如果有一天，我只需要對著終端機說一句：

「幫我把這個產品做出來，並部署上線。」

然後 AI 自己決定找 Research 小豬搜競品、Developer 小豬寫 Code、Testing 小豬跑測試、Security 獸醫豬掃漏洞，甚至自己成立 Team 自動開會排時程……

那我到底還算不算在「寫程式」？
還是……我其實已經正式轉職成豬場老闆了？ 🐷老闆！

常見問題 FAQ

Q1：/plan 產出的計畫若有遺漏，該如何微調？

直接在對話中針對該 Plan 提出修訂意見（例如：「請加入對既有 Session 儲存機制的相容性檢查」）。Agent 會更新 Artifact 文件，確認內容完整後再下達執行指令。

Q2：使用 /boost 會不會大幅增加等待時間？

是的。/boost 會啟動深層推理迴圈與多重假設交叉比對，回應時間可能從數十秒至數分鐘不等。建議將其保留給真正棘手的架構痛點，而非一般 CRUD 功能。

Q3：什麼情境最適合使用 /btw？

當主 Agent 正在進行耗時幾分鐘的長流程重構，而你突然需要確認某個型別名稱或常數數值時，使用 /btw 可以在完全不干擾主任務的前提下取得答案。

本日實作作業

今天試著在輸入 Prompt 時，加上 /grill-me 或 /plan，感受一下先想清楚再動手的精準度差距！

在實際大規模養豬過程中，你一定遇過最崩潰的場面：Session 中斷後隔天開工「場長早！我們昨天挖到哪了？」
明天系列最終篇，我們將介紹 Implementation Plan 存檔點、Google AI Studio 實驗沙盒 與 Google Sheets 資料閉環，正式跑通端到端產線！

系列導讀與延伸連結

• 上一篇：Agy 多代理人平行分工指南：以邊車監控與非同步架構守護脈絡實踐
• 下一篇：Agy 端到端落地實戰指南：從實驗沙盒走向軟體工廠產線建構
• 延伸閱讀：用 AI Agent Skill 實現 SEO 自動化

• ← 上一篇
• 下一篇 →