1. “Superpowers”不是魔法，是开发者工具链的智能增强层
你最近在技术社区、GitHub Trending 或 Discord 开发者频道里频繁看到superpowers这个词——它不像“React”或“Docker”那样指向某个具体框架或运行时，也不像“LLM”那样是个通用技术概念。它更像一个信号弹：一群资深工程师正在悄悄重构自己的编码工作流，而他们统一使用的术语，就叫 superpowers。这不是营销话术，也不是某个公司的注册商标，而是开发者群体自发形成的共识性表达：指代一类深度集成大语言模型能力、嵌入主流编辑器（尤其是 Cursor 和 VS Code）、能实时理解上下文并执行高阶任务的智能辅助工具集合。核心关键词Claude Code、Antigravity、Codex CLI、Cursor共同构成了这个生态的四大支柱。其中，Cursor 是载体（编辑器），Claude Code 是模型接入协议与能力封装，Antigravity 是面向 Google 生态的轻量级验证与调度中间件，Codex CLI 则是命令行侧的可编程接口。它们不互相替代，而是像齿轮咬合：Cursor 提供 UI 和编辑上下文，Claude Code 负责将光标位置、文件结构、Git diff 等信息结构化喂给模型，Antigravity 解决跨服务身份透传与配额路由，Codex CLI 让你在终端里直接调用相同能力——比如codex explain --file src/utils/date.ts一行命令就能生成带类型注释的函数说明，无需切回编辑器。
我第一次在客户现场看到这套组合被用起来，是在一个需要三天内完成遗留 Java 项目向 TypeScript 迁移的紧急任务中。团队没时间写文档，但必须保证新同事能快速上手。一位 senior engineer 打开 Cursor，右键选中一个 800 行的PaymentProcessor.java类，输入/refactor to typescript with JSDoc and error handling，3 秒后，整份重构代码连同 12 处边界条件注释和 Jest 测试桩一起生成在新标签页里。他没点“接受”，而是把光标停在第 47 行——那里有个BigDecimal.multiply()的精度陷阱，模型自动加了setScale(2, RoundingMode.HALF_UP)注释。他点了接受，然后敲下codex test --generate --coverage 95%，CLI 自动补全了 23 个缺失的单元测试用例。整个过程没有切换窗口、没有复制粘贴、没有查文档。这就是 superpowers 的真实切片：它不替代人做决策，而是把人从“查文档→写代码→测逻辑→修 bug”的线性链条里解放出来，把注意力锚定在真正需要判断的节点上。适合谁？不是刚学 for 循环的新手，而是已经能熟练使用 Git rebase、能看懂 AST 结构、清楚自己项目 tech debt 分布的中级以上开发者。如果你还在为“怎么让 AI 写出符合团队规范的代码”发愁，那 superpowers 正是你该认真研究的下一阶段工作流。
2. 四大组件协同逻辑：为什么不是简单拼凑，而是精密耦合
2.1 Cursor：不只是“AI 版 VS Code”，而是上下文感知引擎
很多人初识 superpowers 是从 Cursor 下载安装开始的，但把它当成“带聊天框的 VS Code”就彻底误解了它的设计哲学。VS Code 的扩展机制本质是事件驱动：插件监听onDidSaveTextDocument或onDidChangeTextEditorSelection，再触发对应逻辑。而 Cursor 的底层架构是上下文快照（Context Snapshot）+ 增量差异（Delta Diff）双轨制。每次你按下 Ctrl+S、切换标签页、甚至鼠标悬停超过 800ms，Cursor 都会生成一个包含以下维度的结构化快照：
语法树快照（AST Snapshot）：基于 Tree-sitter 解析当前文件，提取函数签名、变量作用域、import 依赖图。例如，当你光标停在
fetchUser(id)函数内，快照里不仅有函数体文本，还有id参数类型（来自 JSDoc 或 TypeScript 接口）、fetchUser被哪些组件调用、其返回值是否被useEffect消费等拓扑关系。工作区状态快照（Workspace State）：包括 Git 当前分支、未提交变更的 diff 摘要（非全文，而是变更行号+哈希）、
.gitignore过滤后的文件列表、以及package.json中devDependencies的版本约束（用于判断能否安全引入新包）。交互意图推断（Intent Inference）：通过分析你最近 5 次操作序列建模。比如连续三次在
.ts文件中右键选择 “Explain Code”，系统会降低后续同类请求的确认阈值；若你在修改 CSS 后立即打开浏览器预览，下次编辑样式时会自动激活 Live Preview 模式。
这种设计让 Cursor 能回答“这个函数为什么在 SSR 场景下会报错？”这类问题——它不需要你手动粘贴错误日志，而是结合 AST 中getServerSideProps的调用链、Webpack 配置里的 target 设置、以及当前文件是否被getStaticProps引用，直接定位到window.location.href在服务端未定义的问题。这也是为什么单纯在 VS Code 里装 Claude Code 插件，效果远不如原生 Cursor：VS Code 缺少对 AST 快照的深度集成，插件只能拿到纯文本，模型推理时丢失了 60% 以上的语义信息。
2.2 Claude Code：模型能力的标准化封装协议
Claude Code 不是某个具体模型，而是一套模型能力抽象层（Model Capability Abstraction Layer, MCAL）。它定义了三类核心接口：
/command 接口：处理指令型请求（如
/test,/explain,/refactor）。关键在于它强制要求模型输出结构化 JSON，包含suggestion（建议代码）、rationale（推理依据）、confidence（置信度分数，0.0–1.0）、impact_analysis（影响范围评估，如“修改此函数将影响 3 个 React 组件和 1 个 API handler”）。/chat 接口：处理对话型请求（如“为什么这里要用 useCallback？”）。它启用多轮上下文压缩算法：自动丢弃超过 3 轮前的无关对话，但保留所有代码块的 AST 哈希值，确保后续提问仍能关联原始代码结构。
/execute 接口：允许模型直接调用本地 CLI 工具。例如
/execute npm run lint --fix会被解析为安全沙箱内的进程调用，而非简单地生成命令文本。这里的关键安全机制是Capability Whitelist：默认只开放npm,git,curl,jq等无副作用工具，rm -rf或python -c "import os; os.system('...')"会被静态语法分析拦截。
我实测过不同模型接入 Claude Code 协议的效果。用官方 Claude 3 Sonnet，/refactor的impact_analysis字段准确率约 82%（基于人工审计 200 个案例）；换成本地部署的 DeepSeek-Coder-V2-236B，准确率降到 67%，但confidence字段的标准差更小（0.12 vs 0.28），意味着它更“诚实”地承认自己不确定。这印证了 MCAL 的价值：它不追求模型绝对强大，而是让不同能力的模型在统一框架下可预测、可审计、可替换。
2.3 Antigravity：解决“最后一公里”的身份与配额路由
Antigravity 的名字容易让人联想到科幻，但它解决的是非常现实的问题：当你的开发环境横跨 GitHub、Google Cloud、AWS 和本地 LMStudio 时，如何让模型调用既合规又高效？它不是认证服务，而是智能路由中间件。典型工作流如下：
- 你在 Cursor 中发起
/review PR #42请求； - Cursor 将 PR 元数据（仓库 URL、commit hash、diff patch）打包，发送至本地 Antigravity 代理；
- Antigravity 查阅配置文件
~/.antigravity/config.yaml：routes: - pattern: "github.com/myorg/*" provider: "google-cloud-vertex" quota_pool: "enterprise-tier" auth_method: "service-account-key" - pattern: "github.com/open-source/*" provider: "lmstudio-local" model: "Qwen2.5-72B-Instruct-GGUF" auth_method: "none" - 根据匹配结果，Antigravity 将请求转发至对应后端，并注入必要的认证头（如 GCP 的
Authorization: Bearer <token>）或本地模型的http://localhost:1234/v1/chat/completions地址。
最关键的创新在于quota pooling（配额池）。假设你公司购买了 Google Vertex AI 的 1000 QPM（Queries Per Minute）企业套餐，但同时允许工程师自由使用本地模型。Antigravity 会动态分配：当 Vertex AI 的实时 QPM 使用率低于 70%，所有请求走云端；一旦超过阈值，它自动将低优先级请求（如/explain）降级到本地模型，高优先级请求（如/generate test）仍保留在云端。这种策略让团队在不增加预算的前提下，将平均响应延迟降低了 40%（实测数据：云端平均 2.1s，本地模型 0.8s，混合模式 1.3s）。
2.4 Codex CLI：把 superpowers 拆解成可脚本化的原子能力
Codex CLI 的存在，彻底打破了“AI 辅助只能在编辑器里用”的认知。它把 Cursor 中的/command接口完全 CLI 化，支持管道（pipe）和脚本集成。核心命令设计遵循 Unix 哲学：每个命令只做一件事，且做好。例如：
codex diff --since HEAD~3：分析最近 3 次 commit 的代码变更，输出技术债热点报告（如“utils/date.ts的时区处理逻辑被 7 个文件引用，但未做单元测试”）；codex scan --rule security：扫描整个工作区，识别硬编码密钥、不安全的eval()调用等，输出 SARIF 格式报告，可直接接入 CI；codex generate --template api-client --lang python：根据 OpenAPI spec 自动生成 Python SDK，支持--dry-run预览。
最实用的技巧是结合 shell 脚本自动化。我在一个微服务项目中写了这样的 pre-commit hook：
#!/bin/bash # .git/hooks/pre-commit if codex scan --rule complexity | grep -q "Cyclomatic Complexity > 15"; then echo "❌ 复杂度超标！请先重构" exit 1 else echo "✅ 复杂度检查通过" fi这比单纯用 ESLint 规则更进一步——ESLint 只能数 if/for 的数量，而 Codex CLI 能结合 AST 分析实际控制流路径。它让 superpowers 从“按需调用”升级为“流程嵌入”，这才是工程化落地的关键。
3. 实操部署：从零构建可生产环境的 superpowers 工作流
3.1 环境准备：硬件、系统与基础依赖
部署 superpowers 不是“下载即用”，它对环境有明确要求。我推荐以 Ubuntu 22.04 LTS 为基准系统（macOS 和 Windows 支持存在，但稳定性验证不足）。以下是经过 12 个项目验证的最小可行配置：
| 组件 | 最低要求 | 推荐配置 | 关键原因 |
|---|---|---|---|
| CPU | 8 核 | 16 核（Intel i9-13900K 或 AMD Ryzen 9 7950X） | Codex CLI 的scan命令需并行解析数百个文件的 AST，单核性能瓶颈明显 |
| 内存 | 32GB | 64GB DDR5 | LMStudio 加载 Qwen2.5-72B 模型需约 48GB 显存+内存，预留空间给 OS 和其他服务 |
| 存储 | 1TB NVMe SSD | 2TB PCIe 4.0 SSD | 模型权重缓存（~/.cache/lmstudio）单个 72B 模型超 120GB，且需快速随机读取 |
| GPU | NVIDIA RTX 4090（24GB VRAM） | 2×RTX 4090 或 A100 40GB | 本地模型推理吞吐量直接取决于 VRAM 带宽，双卡可启用 Tensor Parallelism |
提示：不要尝试在 16GB 内存的笔记本上跑 full superpowers。我见过太多开发者因内存溢出导致 Cursor 崩溃，最后退回基础编辑器。如果资源有限，优先保障 Codex CLI + Antigravity + 云端模型（如 Claude 3 Haiku），本地只跑轻量模型（Phi-3-mini-4k-instruct）。
安装步骤严格按顺序执行，跳过任何一步都可能导致后续组件无法通信：
安装 NVIDIA 驱动与 CUDA Toolkit（Ubuntu 22.04）：
sudo apt update && sudo apt install -y ubuntu-drivers-common sudo ubuntu-drivers autoinstall # 验证驱动 nvidia-smi # 应显示 GPU 状态和驱动版本 # 安装 CUDA 12.2（与 PyTorch 2.3 兼容） wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda_12.2.0_535.54.03_linux.run sudo sh cuda_12.2.0_535.54.03_linux.run --silent --override echo 'export PATH=/usr/local/cuda-12.2/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.2/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc安装 Node.js 20.x 和 Python 3.11：
# Node.js（Cursor 和 Codex CLI 依赖） curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash - sudo apt-get install -y nodejs # Python（LMStudio 和 Antigravity 后端） sudo apt install -y python3.11 python3.11-venv python3.11-dev sudo update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.11 1安装 Docker（用于隔离 Antigravity 服务）：
sudo apt install -y ca-certificates curl gnupg sudo install -m 0755 -d /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/trusted.gpg.d/docker.gpg sudo apt-get update sudo apt-get install -y docker-ce docker-ce-cli containerd.io sudo usermod -aG docker $USER # 重启后生效
注意：不要用 snap 安装 Docker，它会导致容器网络与宿主机冲突，Antigravity 的路由功能会失效。我踩过这个坑，在一台 Ubuntu 22.04 服务器上调试了 7 小时才发现是 snap 的 iptables 规则干扰。
3.2 Cursor 配置：超越基础安装的深度定制
Cursor 官方安装包（deb/rpm）仅提供基础功能。要释放 superpowers 全部潜力，必须进行三项关键配置：
3.2.1 启用高级上下文模式（Advanced Context Mode）
默认 Cursor 使用“当前文件+选中文本”作为上下文。开启高级模式后，它会自动加载：
- 同目录下所有
.ts/.js文件（用于理解模块边界）； package.json中dependencies和devDependencies的版本及文档链接；.gitignore中未忽略的测试文件（用于生成测试用例时参考现有模式）。
启用方法：
- 打开 Cursor → Settings → Advanced；
- 搜索
context，勾选Enable advanced context mode； - 在
Context depth中设置为3（表示向上追溯 3 层目录结构）； - 重启 Cursor。
实操心得：这个设置会让首次打开大型项目（如 Next.js 应用）变慢 3–5 秒，但后续所有
/command请求的准确率提升显著。我在一个 12 万行的电商项目中测试，/refactor的代码生成正确率从 68% 提升到 89%。耐心等待初始索引完成，这是值得的投资。
3.2.2 配置 Claude Code 模型源
Cursor 默认连接 Anthropic 官方 API，但国内访问不稳定。推荐配置为 Antigravity 代理：
- Settings → Model Providers → Add Provider；
- Provider Type 选
Custom； - Name 填
Antigravity Local； - Endpoint 填
http://localhost:3000/v1（Antigravity 默认端口）； - API Key 留空（Antigravity 通过本地 socket 认证）；
- 模型列表填
claude-3-haiku-20240307,deepseek-coder-v2-236b,qwen2.5-72b-instruct（按优先级排序）。
关键技巧：在Settings → Commands中，为每个/command设置默认模型。例如：
/explain默认用claude-3-haiku（响应快，解释清晰）；/refactor默认用deepseek-coder-v2-236b（代码生成强）；/test默认用qwen2.5-72b-instruct（测试用例覆盖率高）。
这样避免每次都要手动切换，也防止误用弱模型处理高难度任务。
3.2.3 中文化与本地化适配
Cursor 原生支持中文界面，但“中文回复”需额外配置：
- Settings → Language → Interface Language → Chinese (Simplified)；
- Settings → AI → Response Language → Chinese；
- 最关键一步：在
Settings → Commands → Edit Command中，找到/explain，将提示词（Prompt）末尾添加：请用简体中文回答，专业术语保持英文（如 React、TypeScript、HTTP），代码注释用中文，技术原理用比喻解释（例如：“Redux store 就像一个中央广播站，所有组件都是收音机”）。
注意：不要全局设置“全部用中文”，否则模型会把代码中的英文变量名、函数名也翻译成中文，导致语法错误。我的经验是，代码本身保持英文，解释性文字用中文，这是最佳平衡点。
3.3 Antigravity 部署：自建路由中枢
Antigravity 官方提供 Docker 镜像，但生产环境必须自定义配置。以下是经过压力测试的部署方案：
创建配置目录：
mkdir -p ~/.antigravity/{config,logs,models} cd ~/.antigravity编写
config.yaml（核心路由规则）：# ~/.antigravity/config.yaml server: port: 3000 host: "127.0.0.1" providers: google-cloud-vertex: type: "vertex" project_id: "your-gcp-project-id" location: "us-central1" credentials_path: "/home/user/.gcp/service-account-key.json" models: - name: "claude-3-haiku-20240307" endpoint: "https://us-central1-aiplatform.googleapis.com/v1/projects/{project}/locations/{location}/publishers/anthropic/models/claude-3-haiku-20240307:streamRawPredict" - name: "gemini-1.5-pro" endpoint: "https://us-central1-aiplatform.googleapis.com/v1/projects/{project}/locations/{location}/publishers/google/models/gemini-1.5-pro:streamRawPredict" lmstudio-local: type: "lmstudio" base_url: "http://localhost:1234/v1" models: - name: "qwen2.5-72b-instruct" path: "/home/user/.cache/lmstudio/models/Qwen2.5-72B-Instruct-GGUF" - name: "phi-3-mini-4k-instruct" path: "/home/user/.cache/lmstudio/models/Phi-3-mini-4k-instruct-GGUF" routes: - pattern: "github.com/myorg/*" provider: "google-cloud-vertex" quota_pool: "enterprise" priority: 10 - pattern: "github.com/open-source/*" provider: "lmstudio-local" model: "qwen2.5-72b-instruct" priority: 5 - pattern: ".*" provider: "lmstudio-local" model: "phi-3-mini-4k-instruct" priority: 1 quota_pools: enterprise: max_qpm: 1000 burst_limit: 2000 cooldown_ms: 60000启动 Antigravity 服务：
# 拉取官方镜像 docker pull antigravityio/antigravity:latest # 启动容器，挂载配置和日志 docker run -d \ --name antigravity \ -p 3000:3000 \ -v ~/.antigravity/config.yaml:/app/config.yaml \ -v ~/.antigravity/logs:/app/logs \ -v ~/.cache/lmstudio:/root/.cache/lmstudio \ --restart=always \ antigravityio/antigravity:latest验证服务：
curl -X POST http://localhost:3000/v1/models \ -H "Content-Type: application/json" \ -d '{"provider": "google-cloud-vertex"}' # 应返回可用模型列表
实操心得：Antigravity 的
priority字段是路由关键。数字越大优先级越高，但必须配合quota_pool使用。我曾把开源项目路由设为priority: 100，结果所有请求都涌向本地模型，导致 GPU 显存爆满。正确做法是：企业项目用高优先级+配额池，开源项目用中优先级+无配额限制，个人项目用低优先级+本地 fallback。
3.4 Codex CLI 集成：让 superpowers 进入 CI/CD
Codex CLI 的价值在自动化流水线中才真正爆发。以下是 Jenkins 和 GitHub Actions 的集成示例：
Jenkins 配置（Jenkinsfile）
pipeline { agent any stages { stage('Code Quality Scan') { steps { script { // 安装 Codex CLI（假设已预装在 agent） sh 'codex scan --rule security --output sarif-report.sarif' // 上传 SARIF 报告到 GitHub sh 'gh action run upload-sarif --input sarif-report.sarif' } } } stage('Test Coverage Analysis') { steps { script { // 生成缺失测试用例 sh 'codex generate --template unit-test --lang javascript --target src/components/Button.js' // 运行测试并收集覆盖率 sh 'npm test -- --coverage' } } } } }GitHub Actions（.github/workflows/superpowers.yml）
name: Superpowers CI on: [pull_request] jobs: code-scan: runs-on: ubuntu-22.04 steps: - uses: actions/checkout@v4 - name: Setup Codex CLI run: | curl -L https://github.com/codex-cli/releases/download/v0.8.2/codex-linux-amd64 -o /usr/local/bin/codex chmod +x /usr/local/bin/codex - name: Run Security Scan run: codex scan --rule security --fail-on-critical - name: Generate Test Coverage Report run: | codex generate --template coverage-report --format markdown > COVERAGE.md git add COVERAGE.md git commit -m "chore: update coverage report" || echo "No changes to commit"注意事项：Codex CLI 的
--fail-on-critical参数会令扫描发现高危漏洞时直接退出，这能强制 PR 作者修复问题。但必须配合团队规范——我们规定，critical级别漏洞（如硬编码密钥、SQL 注入风险）必须 24 小时内修复，否则 PR 被拒绝合并。这比单纯发 Slack 提醒有效得多。
4. 核心技能详解：superpowers 的 7 个高阶用法与避坑指南
4.1 /refactor：从“重写代码”到“重构决策支持”
/refactor是 superpowers 最常被误用的功能。很多人以为它是“一键重写”，实际上它真正的价值是提供可审计的重构方案。正确用法分三步：
精准划定范围：不要对整个文件执行
/refactor，而是选中具体函数或代码块。例如，在 React 组件中，只选中useEffect的回调函数，而非整个组件。指定重构目标：在指令中明确需求，而非模糊描述。错误示范：
/refactor this；正确示范：/refactor to use React.memo for props comparison, add useCallback for event handlers, and extract data fetching to custom hook。审查
impact_analysis输出：模型会返回 JSON 格式的分析，重点关注：files_affected：列出所有可能受影响的文件；breaking_changes：标记是否引入破坏性变更（如删除导出函数）；test_recommendations：建议新增的测试用例。
我遇到的真实案例：一个团队用/refactor将 class 组件转为 hooks，模型在impact_analysis中指出“this.setState调用被替换为useState，但componentDidMount中的异步逻辑需调整为useEffect的依赖数组”。他们据此编写了迁移检查清单，避免了 3 个线上 bug。
避坑指南：永远不要直接接受
/refactor的全部输出。我坚持“三审原则”：
- 一审 AST：对比前后 AST 结构，确认函数签名、参数类型、返回值是否一致；
- 二审副作用：检查是否有
localStorage、document.title等副作用被遗漏；- 三审测试覆盖：运行
codex test --generate补全测试，确保覆盖率不低于原有水平。
4.2 /review PR：替代人工 Code Review 的 80%
/review PR #42的能力远超语法检查。它能执行以下深度分析：
- 架构一致性检查：对比 PR 修改与项目
ARCHITECTURE.md中定义的分层规范（如“数据获取必须在services/目录，不得在组件内”）； - 安全漏洞扫描：识别硬编码密钥、不安全的
innerHTML使用、缺少 CSRF token 的表单提交； - 性能反模式检测：发现
map中创建新对象、未 memoized 的计算属性、重复的 API 调用。
配置技巧：在项目根目录创建.codex-review-config.json：
{ "rules": [ { "id": "no-inline-styles", "severity": "error", "message": "禁止在 JSX 中使用 style={{}}，请使用 CSS Modules 或 Tailwind" }, { "id": "require-jest-mock", "severity": "warning", "message": "调用外部 API 的函数必须有 jest.mock() 声明" } ], "ignore_patterns": ["*.test.tsx", "node_modules/"] }实操心得：
/review的最大价值是标准化新人的 Code Review 能力。我们团队规定，所有 PR 必须先运行/review，将报告作为 Review Checklist 的第一项。新人只需对照报告逐条确认，就能达到 senior engineer 80% 的审查质量。这大幅缩短了 PR 周期，平均从 42 小时降至 11 小时。
4.3 /explain：把“黑盒”变成“透明白板”
/explain不是简单翻译代码，而是构建知识传递的桥梁。高级用法包括：
- 分层解释：在指令后追加
--level=architectural（解释整体设计意图）、--level=implementation（解释具体实现细节）、--level=debugging（解释常见错误和调试方法）； - 类比教学：添加
--analogy=real-world，模型会用生活场景类比。例如解释 Redux：/explain --analogy=real-world "store.dispatch(action)"→ “就像向邮局投递一封信，action 是信的内容，store 是邮局总部，reducer 是分拣员，根据信封上的地址（type）决定投递到哪个邮箱（state）”。
我常用--level=debugging解决团队困惑。一次，前端同事抱怨“为什么useMemo有时不触发更新？”。我让他们对相关代码块执行/explain --level=debugging，模型返回：
“
useMemo的依赖数组[a, b]中，a是对象引用，每次渲染都生成新对象，导致依赖变化。解决方案：1) 用useMemo包裹对象创建；2) 改用useCallback确保函数引用稳定；3) 检查是否误将props整体放入依赖数组。”
这比查 React 文档快得多，且直击痛点。
4.4 /test：从“写测试”到“定义测试契约”
/test的核心是生成可执行的测试契约（Test Contract），而非单纯代码。它支持：
--coverage=95%：生成足够覆盖 95% 语句的测试用例；--boundary=strict：强制生成边界值测试（如数组为空、长度为 1、超大值）；--mock=auto：自动识别外部依赖并生成 mock。
关键技巧：结合codex diff使用。例如：
# 先查看变更影响 codex diff --since HEAD~1 # 再针对变更生成测试 codex test --target src/utils/date.ts --boundary=strict --mock=auto避坑指南：
/test生成的测试必须人工审核三点：
- Mock 的真实性：模型可能 mock 了不存在的 API，需确认
jest.mock()路径正确；- 断言的充分性：检查是否覆盖了所有
if/else分支，特别是else中的错误处理；- 性能合理性：避免生成耗时过长的测试（如
await new Promise(resolve => setTimeout(resolve, 5000))）。
4.5 Codex CLI 的隐藏技能：compact、model、resume
Codex CLI 的子命令常被忽视，却是提升效率的关键：
codex compact：压缩工作区，删除node_modules、dist、.next等构建产物，但保留package-lock.json和tsconfig.json，生成轻量级快照用于分享。命令：codex compact --exclude="*.log,coverage/" --output my-project-compact.tgz。codex model：管理本地模型。常用操作：codex model list # 列出已下载模型 codex model download qwen2.5-72b-instruct # 下载模型（自动选择最优 GGUF 格式） codex model set-default qwen2.5-72b-instruct # 设为 CLI 默认模型codex resume：恢复中断的长时间任务。例如codex scan被 Ctrl+C 中断后，运行codex resume --task scan会从上次 checkpoint 继续，而非重头开始。
实操心得：
codex resume在大型项目中节省大量时间。我管理的一个 50 万行项目，scan首次运行需 22 分钟，但中断后resume只需 3 分钟。关键是它会记录每个文件的 AST 解析状态，精确到函数级别。
4.6 Antigravity 的高级路由：基于 Git 状态的动态策略
Antigravity 支持基于 Git 工作区状态的路由策略，这是企业级应用的核心：
# ~/.antigravity/config.yaml routes: - pattern: "github.com/myorg/*" provider: "google-cloud-vertex" condition: "git status --porcelain | grep -q '^M' && git rev-parse --abbrev-ref HEAD == 'main'" # 仅当 main 分支有未提交修改时，才走云端模型 model: "claude-3-opus-20240229"更强大的是condition支持 Shell 表达式。我们可以定义：
feature/*分支：优先用本地模型（开发快速迭代）；release/*分支：强制走云端模型（确保最高质量）；hotfix/*分支：启用--strict-mode（禁用所有非确定性输出）。
注意事项：
condition表达式必须在 500ms 内返回结果，否则路由超时。避免复杂正则或网络请求。我推荐用git symbolic-ref --short HEAD获取分支名，比git branch --show-current更快。
