# Google AI 辅助开发的工程管理实践调研报告

> 调研执行日期：2026-07-30（部分产品版本信息实抓自当日官方仓库/文档）
> 调研方法：三路并行调研——①Google 内部实践（官方论文/research.google 博客/财报讲稿）；②DORA 官方方法论（2024/2025 年度报告及 AI Capabilities Model 指南 PDF 全文）；③对外产品机制（GitHub 官方仓库、antigravity.google、docs.cloud.google.com 一手文档）。
> 来源分级：【一手】= Google 官方博客/论文/文档/财报讲稿；【二手】= 媒体转述（含匿名信源的泄露报道），引用时保留"据报道"限定。

---

## TL;DR：核心发现

1. **Google 内部**：AI 已深度嵌入其自研工具链（IDE 补全采纳率 38%、AI 辅助完成 67% 的代码字符、>8% 的代码评审意见由 AI 辅助解决）；Cloud Next 2026 官方口径：**75% 的 Google 新代码由 AI 生成并经工程师批准**。其知识库的核心不是"另建一套文档库"，而是 **monorepo + 全过程工程日志（DIDACT 方法论）+ Kythe/Code Search 静态分析基建作为检索层**。
2. **官方方法论（DORA）**：Google 对"AI 时代工程管理"最系统的表态是 **DORA AI Capabilities Model 七项能力**。其中"AI-accessible internal data"一章就是"如何搭建知识库"的官方答案：从 prompt engineering 升级到 **context engineering**，三阶段实施（手动模板 → RAG/MCP 试点 → 规模化运营），核心原则是"策展优于全量、相关性优于体量、权限随人"。
3. **产品机制**：Google 已**全面接纳 Anthropic 提出的 Agent Skills 开放标准（SKILL.md）**，Gemini CLI 已 GA 默认启用，`.agents/skills/`、`.agents/rules/`、AGENTS.md 成为跨工具互操作路径；spec 文档标准的直接答案是官方扩展 **Conductor**（"Measure twice, code once"）：`conductor/` 目录下 product.md / tech-stack.md / workflow.md / spec.md / plan.md 全部**提交进 git 作为 single source of truth**，配 9 个 human-in-the-loop 审核点。

---

## 一、Google 内部：AI 辅助开发的现状与管理实践

### 1.1 总体架构：generic + bespoke 两层策略

来源：论文 *How is Google using AI for internal code migrations?*（arXiv [2501.06972](https://arxiv.org/abs/2501.06972)，2025-01，Google Core / Google Ads 团队）【一手】

- **Generic 层**：面向全体工程师的"大众市场"工具——代码补全、代码评审辅助、问答。单次交互价值小但频次极高。
- **Bespoke 层**：面向特定任务的定制方案——大规模代码迁移、代码效率优化、测试生成。交互次数少但单次复杂度高，追求端到端完成。
- 通用工具最新指标（2024 末数据）：补全**采纳率 38%**、AI 辅助完成 **67% 的代码字符**（即 AI 补全字符已超过手打字符）、**>8% 的代码评审意见**由 AI 辅助解决、Smart Paste 贡献 IDE 内约 2% 代码。

### 1.2 IDE 与代码评审中的 AI 能力

| 能力 | 机制 | 关键数字 | 来源 |
|---|---|---|---|
| ML 代码补全 | ~0.5B Transformer，**在 Google monorepo 上训练**，语义引擎+ML 混合（ML 重排语义补全、语义检查校验 ML 输出） | 2022：采纳率 25-34%，编码迭代时间 -6%；2024 年中升至 37% | research.google 博客 [2022-07](https://research.google/blog/ml-enhanced-code-completion-improves-developer-productivity/)、[2024-06](https://research.google/blog/ai-in-software-engineering-at-google-progress-and-the-path-ahead/)【一手】 |
| 评审意见自动解决 | 用**历史代码评审（意见+作者解决编辑）**微调序列模型，Critique 前端 "Show ML-edit" 按钮 | 50% 目标精度下覆盖 52% 评审意见；被预览建议 40-50% 被实际应用 | research.google 博客 [2023-05](https://research.google/blog/resolving-code-review-comments-with-ml/)【一手】 |
| AutoCommenter（规范自动评审） | 端到端 LLM 在评审中自动检查编码规范/最佳实践违规（C++/Java/Python/Go） | 覆盖人类评审员常引用的 68% 最佳实践；每天数万开发者使用 | arXiv [2405.13565](https://arxiv.org/abs/2405.13565)，AIware 2024【一手】 |
| Smart Paste | 监听粘贴动作，生成式模型内联改写粘贴代码适配上下文（支持贴伪代码、跨语言翻译） | ~4 万工程师使用，6.9% 粘贴触发，采纳率 42.5% | research.google 博客 2024-06；arXiv [2510.03843](https://arxiv.org/html/2510.03843v1)，ICSE-SEIP 2026【一手】 |
| 自主修 bug 代理（Passerine） | ReAct 式代理跑在内部开发环境，自建 182 bug 基准 | 机器报 bug 73% / 人报 25.6% 产出可通过测试的补丁 | arXiv [2501.07531](https://arxiv.org/abs/2501.07531)，ICSE-SEIP 2025【一手】 |

注：内部 IDE 名称 Cider（及 VS Code 版 Cider-V）主要经媒体与工程师社区流传，官方材料以功能描述为主【二手】。

### 1.3 DIDACT：Google 知识库策略的核心——用"开发过程"训练

来源：research.google 博客 [*Large sequence models for software development activities*](https://research.google/blog/large-sequence-models-for-software-development-activities/)（2023-05）【一手】

这是理解 Google "知识库搭建"的关键：**Google 不是把文档喂给 AI，而是把整个工程过程数据化**。

- DIDACT（Dynamic Integrated Developer ACTivity）：把**软件开发过程本身**作为训练数据——Google 工具链"几十年来把每个代码相关操作都记录为工具与开发者的交互日志"。
- 数据底座：monorepo（google3）、CitC（云端 copy-on-write 工作区）、Critique（评审对话）、编译器/测试/linter/静态分析输出。
- 2025 年迁移论文确认延续性：内部所用 **Gemini 模型按 DIDACT 方法论在 Google monorepo 与过程数据上微调**，训练数据含"失败构建/测试 + 修复 diff"配对，因此工具链能跑 ML "repair" 步骤。
- **静态分析基建作为检索层**：迁移流水线用 **Kythe 交叉引用 + Code Search** 做候选定位与聚类（DAG 分簇决定 prompt 打包），利用 Gemini 长上下文把整簇相关文件（实现+头文件+测试+接口声明）一次性放入 prompt。
- **数据飞轮**：跨工具高质量历史日志训练模型 + 使用日志（采纳/拒绝/修正）调优功能，形成闭环。

### 1.4 Bespoke 项目的工程管理框架（以大规模代码迁移为例）

来源：arXiv 2501.06972 全文（Sec VIII 为管理经验总结）【一手】

- **业务级成功标准**：AI 须节省端到端迁移 **≥50% 时间**（含找位置、评审、灰度上线，而非只看"改了多少代码"）；论文明言"AI 生成代码占比只是代理指标"。
- **流水线**：Code Search + Kythe 定位候选 → 微调 Gemini 生成编辑（生成 → 构建 → 修构建 → 跑测试 → 修测试循环，多样化 prompt 并行采样按验证结果选优）→ 人工评审 → LSC（Large Scale Changes）流程分片送各代码属主评审 → 落地。
- **实际案例数字**：Google Ads int32→int64 迁移，落地 CL 中 80% 代码修改完全由 AI 生成，总时间省约 50%；JUnit3→JUnit4 三个月迁移 5,359 文件 14.9 万行，约 87% AI 生成代码未经人工修改直接提交；Joda→java.time 专家估算省约 89% 人工时间。
- **管理经验**：
  - **评审带宽成为新瓶颈**——"我们刻意限制每周生成的变更量以免压垮评审者"；
  - LLM + AST/确定性工具结合最优，"LLM 的规划能力往往不需要"；位置发现与验证多用确定性技术；
  - 中心化迁移团队 + divide-and-conquer（不同工程师各自优化流水线一步）形成规模经济；
  - bespoke 工具有培训与维护的隐性成本；需持续评估"自研微调模型 vs 通用模型"的性价比。

### 1.5 量化数据时间线

| 时间 | 数字 | 出处 | 级别 |
|---|---|---|---|
| 2022-07 | AI 字符占新代码 ~3%；迭代时间 -6% | research.google 博客 | 一手 |
| 2024-06 | 补全采纳率 37%；AI 辅助完成 50% 代码字符 | research.google 博客 | 一手 |
| 2024-10 | "超过四分之一的新代码由 AI 生成，再由工程师评审接受" | Q3 2024 财报会，[blog.google 讲稿](https://blog.google/inside-google/message-ceo/alphabet-earnings-q3-2024/) | 一手 |
| 2024-10 | 96 名 Google 工程师 RCT：三项 AI 功能使复杂企业级任务**提速 ~21%** | arXiv [2410.12944](https://arxiv.org/abs/2410.12944) | 一手 |
| 2025-01 | 采纳率 38%；AI 辅助 67% 代码字符 | arXiv 2501.06972 | 一手 |
| 2025-04 | "well over 30%" 新代码 AI 生成 | Q1 2025 财报会问答（书面讲稿无此句） | 二手（转述） |
| 2025-06 | AI 使工程速度提升 ~10%（口径：AI 工具带来的每周工程产能小时数增量） | Pichai 访谈 + 官方向 BI 澄清 | 二手 |
| 2025 秋 | 新代码 AI 生成占比 50% | Cloud Next 2026 官方博文回溯确认 | 一手（回溯） |
| 2026-04 | **75% 的新代码由 AI 生成并经工程师批准**；一次复杂迁移 agent+工程师协作比一年前纯人工快 6 倍 | [Cloud Next 2026 官方博文](https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/cloud-next-2026-sundar-pichai/) | 一手 |
| 2026-07 | Chrome 某团队模型驱动重构：两年工期压到三个月（8 倍） | Q2 2026 财报会讲稿 | 一手 |

**口径警告**（一手来源自己承认）：财报口径"% of new code generated by AI"与研究口径"% of characters completed with AI assistance"不同且均未公开精确定义；媒体标题常混用。

### 1.6 组织与文化侧（部分为媒体报道）

- 2025-06：Google 向全体软件工程师群发 AI 编码最佳实践指引邮件（强调保持评审严格性/安全/可维护性），Google 官方向 9to5Google 确认邮件存在（[报道](https://9to5google.com/2025/06/30/google-engineers-ai-code/)）【半一手】。
- 据 The Information / Android Authority（2026-04）报道：DeepMind 成立 AI 编码专项组，内部编码工具代号 "Jetski"，配套使用率追踪、强制培训、与绩效挂钩的采用要求；Brin 内部备忘录称"必须紧急弥合 agentic execution 差距"【二手，匿名信源】。
- 据 Business Insider（2024-02）报道：内部模型 "Goose" 用 25 年 Google 工程经验训练，能回答 Google 特有技术栈问题【二手，泄露文件】。
- 财报确认（2026）：内部工程师已在用 Antigravity 做"truly agentic workflows"（Q1 2026 讲稿）；Antigravity 2.4M 周活（Q2 2026，含外部用户）【一手】。
- Google 研究者论文 *From Correctness to Collaboration*（[CHI EA '26 / AIware '26](https://dl.acm.org/doi/10.1145/3772363.3798733)）：分析 91 组开发者自定义 coding-agent 规则文件，归纳四大期望（遵守规范流程 / 代码质量可靠性 / 有效解决问题 / 与用户协作）【一手】。

---

## 二、Google 官方工程管理方法论：DORA AI Capabilities Model

DORA（Google Cloud 旗下研究团队）的年度报告是 Google 对"组织如何管理 AI 辅助开发"最系统的官方输出。以下全部取自官方 PDF 原文。

**出版物索引**：
- [DORA 2025 State of AI-assisted Software Development](https://dora.dev/research/2025/dora-report/)（v2025.2，2025-09，约 142 页，~5000 名从业者问卷 + 100+ 小时访谈）
- [DORA AI Capabilities Model report](https://services.google.com/fh/files/misc/2025_dora_ai_capabilities_model.pdf)（v2025.1，2025-12，七项能力逐项实践指南）
- [ROI of AI-assisted Software Development](https://dora.dev/ai/roi/report/)（2026.01）
- [DORA 2024 报告](https://dora.dev/research/2024/dora-report/)（对比基线）
- 官方问卷题库（可直接用于内部成熟度自评）：https://dora.dev/ai/capabilities-model/questions/

### 2.1 总纲：AI 是放大器

> "AI's primary role in software development is that of an amplifier. It magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones."（2025 报告）

> "The greatest returns on AI investment come not from the tools themselves, but from a strategic focus on the underlying organizational system."

关键数据（2025 vs 2024）：采纳率 90%（+14.1pt）；80%+ 认为生产率提升；30% 对 AI 生成代码低信任（"trust but verify"成为主流姿态）；**AI 对交付吞吐量的影响由 2024 年的负转正，但交付不稳定性仍随 AI 采纳上升**——"Speed without stability is just accelerated chaos"。

### 2.2 七项能力模型（与 AI 采纳配对时放大 AI 收益）

| 能力 | 定义要点 | 关键效应 |
|---|---|---|
| 1. Clear and communicated AI stance | 组织对"如何被期待和允许使用 AI"的立场清晰且被知晓（度量的是清晰度，不是政策内容本身） | 放大个体效能、组织绩效；缺失导致"过度保守"或"过度放纵" |
| 2. Healthy data ecosystems | 内部数据高质量、易访问、不孤岛化 | 放大 AI 对组织绩效的影响（最高档） |
| 3. **AI-accessible internal data** | AI 工具接入内部数据源与系统的程度 | 放大个体效能与代码质量（可达"large increase"档） |
| 4. Strong version control practices | 频繁 commit + 熟练使用 rollback | rollback 是 AI 加速下的"psychological safety net" |
| 5. Working in small batches | 小变更、小发布、短任务 | 提升产品绩效、降摩擦（会轻微削弱"个体效能感"——DORA 认为这不是坏事） |
| 6. User-centric focus | 以用户价值为工作重心 | **七项中唯一"缺失即反噬"项**：没有它，AI 采纳会损害团队绩效 |
| 7. Quality internal platforms | 高质量内部平台（90% 组织已有内部平台，76% 有专职平台团队） | 平台是 AI 规模化的分发与治理层 |

**落地建议精选**（AI Capabilities Model report）：

- **AI 政策**：由工程+法务+安全+IT+产品跨职能工作组制定；输出**基于风险的三桶框架**（Prohibited / Permitted with guardrails / Allowed），以"活文档"发布在中心化可搜索的内部门户；配批准工具清单和 FAQ。注意"变更过于频繁的政策可能比没有政策更糟"。
- **版本控制的 AI 时代新实践**：**把 AI prompts 和 agent 配置文件（GEMINI.md / CLAUDE.md）入库版本管理**——"can be an important source of team norms and practices"；成文约定 AI 协作规则（AI 可否直接 commit、message 是否记录 prompt、批量大小）——"Writing these new rules down is critical... builds a knowledge base"。
- **User-centric 章明确推荐 spec-driven development（SDD）**：先把用户需求与约束固化为**版本化、可同行评审的规格**作为 source of truth，锁定后才让 AI 写代码。

### 2.3 知识库搭建的官方方法论（重点：AI-accessible internal data 章）

这是对"如何搭建知识库"最直接的官方回答（作者 Rob Edwards, Google Cloud）：

**核心概念：从 prompt engineering 升级到 context engineering——"a system, not a string"**

> "Think of it as the complete context a developer needs to achieve an objective, which includes proprietary company data, such as codebases, wikis, architectural diagrams, documentation, and style guides."

完整的 briefing packet 三要素：**Company data**（内部代码库+编码规范）、**Latest information**（最新 API 文档，含外部框架新文档——模型训练数据是静态快照）、**Tools and rules**（政策与可用工具）。

**三阶段实施路径**：

1. **Phase 1 基础/手动**：建立**共享的、版本控制的可复用 context templates 库**；先修好最关键的内部文档——"You can't connect a model to information that doesn't exist, and you shouldn't connect it to information that is wrong."
2. **Phase 2 自动化试点**：为**单一高价值用例**实现自动检索；两种主流模式：RAG（精确检索）与 MCP server（智能选择、只喂最相关上下文）。警告：大量原始文档直接塞上下文窗口"often counterproductive... frequently results in hallucinations"。
3. **Phase 3 规模化运营**：以试点成功换领导层战略投资；构建健壮安全的内部 API 使更多数据对 AI 可用。

**四大常见障碍与官方对策**：

1. **数据脏乱** → "Don't boil the ocean"：绑定单一应用试点；20 页规范太长就**用 AI 蒸馏 + 人类 SME 验证批准成精简摘要（官方点名 GEMINI.md 模式）**，度量回答质量改善再扩展。
2. **坏例子污染** → **Curate your code context**："只索引代表组织 gold standard 的仓库和主干分支"，把索引当作 AI 的"课程表"逐步扩展。
3. **Context rot** → "Focus on relevance, not volume"，RAG 精确检索 chunks，警惕"more data is better"误区。
4. **安全** → 分层最小权限（对齐 Google SAIF 框架）：**RAG 检索必须以用户本人凭证运行**（只取用户本来有权看的文档）；AI 服务连接统一走 IT 管控的中心化 proxy / MCP server。

**度量指标**：time-to-context（AI 检索延迟）、RAG 检索频率、context-rich prompts 占比、新人上岗到第 N 个变更上线时间、新项目获取数据集访问权耗时、可归因于数据质量的事故数。

> 章末结论："Connecting AI to internal code and documentation, or 'context engineering,' transforms the AI from a generic assistant into a specialized expert."

### 2.4 推广与 ROI（组织管理数据点）

来源：[dora.dev Insights 2025-01](https://dora.dev/insights/adopt-gen-ai/)、ROI 报告（2026.01，测算数字经 InfoQ 转述【二手】）：

- **制定 AI acceptable-use policy → 团队采纳 +451%**（所有干预中效果最强）
- 给工作时间内的专属探索时间 → +131%；主动化解职业焦虑 → +125%；透明公开 AI 计划 → +11.4%
- 个人对 AI 的依赖在使用 **15-20 个月**才到峰值——不要指望立竿见影
- ROI **J 曲线**：早期必经"生产率下坑"（learning curve、**verification tax**、pipeline adaptation），官方定性为"the tuition cost of transformation"，警告领导者勿误读为失败而撤资。

---

## 三、产品机制：Google 认为团队应如何管理上下文 / Skills / Spec

以下机制来自 Google 对外产品的官方文档（2026-07-30 实抓），是 Google 工程方法论的"产品化表达"。

### 3.1 上下文/知识文件体系（GEMINI.md 与 AGENTS.md）

**Gemini CLI 的 GEMINI.md 三层机制**（来源：官方仓库 docs/cli/gemini-md.md 等，v0.53.0）：

- ① 全局 `~/.gemini/GEMINI.md`；② 工作区级（从工作目录**向上**搜索至 `.git` 边界）；③ JIT 子目录级（工具访问某文件时按需加载该目录及祖先目录的 GEMINI.md）。
- 所有命中文件内容**拼接**后随每个 prompt 发送；`/memory list|show|refresh` 管理；支持 `@./file.md` import 语法（嵌套最深 5 层，循环检测）。
- `context.fileName` 可配置为 `["AGENTS.md","GEMINI.md"]` 兼容通用标准。

**AGENTS.md 已成事实标准**：Gemini CLI 可配置采纳、Antigravity v1.20.5 起原生读取、**Jules（Google 异步编码 agent）自动读取仓库根目录 AGENTS.md，零配置**（官方文档原话："uses this file to better understand your code and generate more relevant plans and completions. Tip: Keep AGENTS.md up to date."）。

### 3.2 Skills 管理：Google 已全面采纳 Agent Skills 开放标准

**关键结论：Google 没有另起炉灶，而是完全兼容 Anthropic 提出的 SKILL.md 规范（agentskills.io）**。

Gemini CLI 的实现（v0.23.0 实验 → v0.25.0 默认启用 → 当前 GA）：

- **格式**：YAML frontmatter（name + description）+ Markdown 正文，可带 `scripts/`、`references/`、`assets/`。
- **四层 discovery（低→高优先级）**：内置（skill-creator、pr-creator）→ 扩展打包的 `skills/` → 用户级 `~/.gemini/skills/`（别名 `~/.agents/skills/`）→ **工作区级 `.gemini/skills/`（别名 `.agents/skills/`，可入版本库随仓库分发）**。`.agents/skills/` 是官方的跨工具互操作路径。
- **调用机制**：渐进披露——仅 name+description 进 system prompt，模型调 `activate_skill` 工具，经 UI 确认后正文才进入上下文。
- **管理命令**：`/skills list|enable|disable|link|reload`；`gemini skills install <git-url|.skill 包> [--scope user|workspace]`；企业管控开关 `admin.skills.enabled`。
- **团队分发**：Skills 可打进 extensions（`gemini-extension.json` + 官方市场 [geminicli.com/extensions](https://geminicli.com/extensions/)，官方 org 66 个公开仓库），extension 还可捆绑 MCP servers、custom commands（.toml）、hooks、sub-agents、policy 规则。

Antigravity 同样原生支持 SKILL.md（工作区 `.agents/skills/`，全局 `~/.gemini/config/skills/`），并有 Rules（`.agents/rules/`，每文件上限 12,000 字符，激活方式 Manual / Always On / Model Decision / Glob 四选一）与 Workflows（`/workflow-name` 调用的 markdown 步骤文件，可由 agent 从会话历史自动生成）。

### 3.3 Spec 文档标准：Conductor（官方 spec-driven development 扩展)

来源：[github.com/gemini-cli-extensions/conductor](https://github.com/gemini-cli-extensions/conductor)（v0.4.1 命令原文已读）+ [官方博客 2025-12](https://developers.googleblog.com/conductor-introducing-context-driven-development-for-gemini-cli/)。

**理念**（官方原话）：口号 "**Measure twice, code once**"；针对痛点——"Rather than depending on impermanent chat logs, Conductor helps you create formal specs and plans that **live alongside your code in persistent Markdown files**"，把仓库变成 "single source of truth"。生命周期：**Context → Spec & Plan → Implement**。

**标准目录结构**（全部由命令自动 git commit 进仓库）：

```
conductor/
├── product.md              # 产品愿景/用户/目标
├── product-guidelines.md   # 文案/品牌规范（"Strictly Controlled" 严格管控修改）
├── tech-stack.md           # 技术选型；"改栈必须先改文档再实现"
├── workflow.md             # 团队工作流：TDD、覆盖率阈值(默认>80%)、提交策略、checkpoint 协议
├── code_styleguides/       # Google 风格指南模板（9 种语言）
├── index.md                # 上下文索引
├── tracks.md               # 所有 track（工作流单元）清单+状态
├── tracks/<name_YYYYMMDD>/
│   ├── spec.md             # Overview / Functional / Non-Functional / Acceptance Criteria / Out of Scope
│   ├── plan.md             # Phase > Task > Sub-task 分层计划 + [ ]/[~]/[x] 状态 + commit SHA
│   └── metadata.json
└── archive/                # 完成后归档
```

**工作流命令与管理机制**：

- `/conductor:setup`：逐份生成并**逐份人工审批** context 文档（product → guidelines → tech-stack → workflow）。
- `/conductor:newTrack`：需求问卷 → 起草 spec.md → **审批** → 生成 plan.md（每 phase 末尾强制注入人工验证元任务）→ **再审批**。
- `/conductor:implement`：逐 task 执行；每任务两个 commit（代码 commit 用 `git notes` 挂任务摘要 + plan.md 更新 commit）；Phase Checkpoint 自动补测试、跑测试（修复最多 2 次）、生成手工验证清单并 **PAUSE 等用户确认**。
- `/conductor:review`：Principal Engineer 人设，styleguide 是 "the Law"，从 plan.md 的 SHA 圈定 diff 范围，输出 Critical/High/Medium/Low 分级报告。
- `/conductor:revert`：按 Track/Phase/Task 逻辑单元 Git-aware 回滚。
- 全流程共 **9 个 human-in-the-loop 审核点**。

**时效注意**：2026-07 起 Conductor 在 main 分支已转型为 Agent Plugin 形态（目标平台 Antigravity 和 Claude Code，命令改为 SKILL.md 载体），方法论不变，但对 Gemini CLI 的未来支持无官方声明。

### 3.4 Antigravity：Artifacts + Knowledge Base（agent 时代的 spec 与知识沉淀）

来源：antigravity.google 官方文档（2.0，2026-07 实抓）+ launch blog（2025-11）。

**Artifacts 机制**——agent 的"结构化交付物"取代不可沉淀的聊天记录：

- 类型对应工作流阶段：**Implementation Plan**（执行前，默认暂停等审核）→ **Task Groups**（执行中）→ **Screenshots / Browser Recordings**（验证）→ **Walkthrough**（完成后总结）。
- 反馈机制："Google-doc-style comments on text Artifacts"，评论"自动纳入 agent 执行而无需停止 agent"；支持语音转写留 inline 评论。
- **Artifact Review Policy**：Request Review（默认推荐）vs Always Proceed；会话级 Planning Mode vs Fast Mode。

**Knowledge Base**——把"学习"作为核心原语：

> "Antigravity treats learning as a core primitive, with agent actions both retrieving from and contributing to a knowledge base."

- 自动从工作过程与用户反馈生成 **knowledge items**（代码片段、推导出的架构、成功的子任务序列），供后续任务检索；与人工维护的 Rules 构成双通道（自动沉淀 vs 人工约束）。
- Antigravity 2.0 定位为"central command center"：并行编排多 agent、Projects、Scheduled Tasks、Worktree Mode（每会话独立 git worktree 防并行冲突）。

### 3.5 企业规范落地：Gemini Code Assist 双轨机制

来源：docs.cloud.google.com 官方文档（2026-07-17 更新）。

**轨道一：Code customization（Enterprise 版）——私有代码知识库**

- 经 Developer Connect 连接私有仓库建立 code repository index，IDE 内补全/生成/chat 基于索引检索私有代码上下文；`.aiexclude` 控制索引范围；索引每 24h 重建；按 repository group 粒度 IAM 授权。

**轨道二：AI code review 规范定制（GitHub 上，Preview）**

- **`.gemini/config.yaml`**：行为控制——severity 阈值（默认 MEDIUM）、max_review_comments、ignore_patterns、PR 打开时是否自动 summary/review 等。
- **`.gemini/styleguide.md`**：无 schema 的自然语言 Markdown，"expands the standard prompt"——直接把团队编码规范写成散文喂给评审 AI；官方示例即"基于 PEP 8 的公司偏差声明"（行宽 100、命名、docstring、类型注解、logging、异常）。
- **企业多仓库统一配置**：console 按 Developer Connect connection 分组下发；**config.yaml 仓库级覆盖组级，styleguide 则组级与仓库级合并**——官方推荐模式：connection 级放企业统一规范，仓库级放项目特有规则。

---

## 四、对三个问题的直接回答（浓缩）

### Q1：如何搭建知识库？

**Google 内部做法**：不单独建"AI 知识库"，而是（a）模型直接在 monorepo + 全过程工程日志上微调（DIDACT）；（b）Kythe/Code Search 等静态分析基建作为检索层；（c）使用日志形成数据飞轮。前提是几十年的工具链数据积累，一般公司难以复制。

**Google 给一般组织的官方方法论**（DORA，可直接落地）：
1. 只买 AI license 不接内部数据 = 只拿到零头收益（接入后个体效能/代码质量增益跳到"large increase"档）。
2. 先修数据质量再谈接入："You shouldn't connect it to information that is wrong"——从单一应用试点，长文档用 AI 蒸馏 + SME 批准成精简摘要（GEMINI.md 模式）。
3. 代码索引要**策展不要全量**：只索引 gold standard 仓库/主干分支。
4. 相关性 > 体量：RAG/MCP 精确检索，防 context rot。
5. 权限随人：RAG 以用户本人凭证检索；统一走中心化 proxy/MCP。
6. **知识沉淀的新载体全部入 git**：prompts、agent 配置文件（GEMINI.md/AGENTS.md）、可复用 context 模板、书面化的 AI 协作规则。
7. 度量闭环：time-to-context、RAG 检索频率、新人 time-to-Nth-change 等。

### Q2：如何管理 Skills？

- Google 已**采纳 Agent Skills 开放标准（SKILL.md，Anthropic 提出）**，Gemini CLI 与 Antigravity 均原生支持，无自有竞争格式。
- 分层管理：内置 → 扩展打包 → 用户级（`~/.agents/skills/`）→ **工作区级（`.agents/skills/`，入版本库随仓库分发，团队共享）**。
- 渐进披露 + UI 确认的调用安全模型；企业级管控开关（`admin.skills.enabled`）。
- 团队分发走 extensions 体系（可捆绑 skills + MCP + 命令 + hooks + 策略），有官方市场。
- 人工规范（Rules/GEMINI.md）与自动沉淀（Antigravity Knowledge Base）双通道并行。

### Q3：Spec 文档的标准？

- **官方标准载体是 Conductor**：`conductor/` 目录，context 三件套（product.md / tech-stack.md / workflow.md）+ 每个工作单元的 spec.md（含 Acceptance Criteria 与 Out of Scope）+ plan.md（Phase>Task>Sub-task，带状态标记与 commit SHA 可追溯）。
- **核心原则**：spec/plan 是持久化 Markdown、**提交进 git 作为 single source of truth**（对抗"不可沉淀的聊天记录"）；spec 与 plan 分别经人工审批后才动代码；文档与代码同步有专门协议（改技术栈必须先改文档）。
- DORA 2025 报告在 User-centric focus 章**官方背书 spec-driven development**：版本化、可同行评审的规格锁定后才让 AI 写代码。
- Antigravity 把同一理念做成交互形态：Implementation Plan artifact 默认暂停等人工评论/批准，Google-doc 式评论直接驱动 agent 迭代。

---

## 五、证据缺口与不确定点

1. **g3doc / design doc 文化与 AI 的结合**：未找到 2024-2026 年任何一手公开材料专门论述 Google 内部文档体系如何喂给 AI（仅有 Goose "以 25 年工程知识训练"的二手泄露佐证）。《Software Engineering at Google》(2020) 仍是其文档文化权威描述但成书于 AI 之前。
2. "30% 新代码"（2025-04）与 "~10% velocity"（2025-06）两个数字仅有电话会问答/访谈转述，无书面一手稿。
3. "Goose / Jetski / AI 编码突击队 / 绩效挂钩" 均为匿名信源报道，引用须保留"据报道"。
4. Conductor 对 Gemini CLI 的未来支持无官方声明（main 分支已转向 Antigravity/Claude Code）。
5. Antigravity Knowledge Items 的目录级实现细节仅二手来源；原 /docs/knowledge 页已在 2.0 文档改版中删除。
6. 传言"arXiv 2406.12655 = Google 的 AI in SWE 论文"**有误**——该编号是他人的综述；Google 那篇的正式载体是 research.google 博客 + AIware 2024 受邀报告（[ACM DOI](https://dl.acm.org/doi/10.1145/3664646.3676277)）。
7. google.github.io/eng-practices（代码评审指南）经核查**无任何 AI 相关更新**。

---

## 附录：主要一手来源清单

**论文/研究**：arXiv 2501.06972（代码迁移）、2405.13565（AutoCommenter）、2501.07531（Passerine）、2502.01821（BRT agent）、2410.12944（RCT）、2510.03843（Smart Paste）、2601.19964（IDE 功能迭代方法论）、CHI EA '26 行为分类学

**research.google 博客**：ML-Enhanced Code Completion（2022-07）、Large sequence models / DIDACT（2023-05）、Resolving code review comments with ML（2023-05）、AI in SWE: Progress and the path ahead（2024-06）、Smart Paste（2024-06）

**财报/官方演讲**（blog.google）：Q3 2024、Q1/Q2 2026 财报讲稿；Cloud Next 2026 博文

**DORA/Google Cloud**：2025 年度报告 PDF（v2025.2）、AI Capabilities Model report PDF（v2025.1）、2024 年度报告 PDF、ROI 报告页、adopt-gen-ai insights、Acceptable Use Policy 指南、2025-12 落地博客

**产品文档**：github.com/google-gemini/gemini-cli（v0.53.0 docs）、github.com/gemini-cli-extensions/conductor（v0.4.1）、antigravity.google/docs、docs.cloud.google.com/gemini/docs（2026-07-17 更新）、jules.google/docs

（DORA 三份 PDF 及提取文本已留档于本机 scratchpad，供复查原文。）
