策略性决策：Agent Skills 的灵魂技术

在上期视频中，我为大家演示了在 Google 生态中 Agent Skills 的基础用法。视频发布后，很多朋友都在问：Agent Skills 是否有更高级的玩法，从而能够进一步提升开发效率？答案是肯定的，而且效果非常显著。本期视频我将为大家演示 Agent Skills 生态中被开发者称为“灵魂技术”的核心技巧——决策树（Decision Tree: 基于逻辑分支的自主判断系统）。

我们要讲的决策树并不是机器学习中那种需要海量训练数据的算法，而是一种需要在 .md 配置文件中嵌入的结构化 if-else 决策逻辑。这种逻辑能让 Claude Code、Antigravity 等 AI 智能体在执行任务时，具备真正的自主决策能力。我们在使用 AI 编程助手执行特定任务时，AI 经常会反问：“下一步该怎么做？”这让原本应该自动化的工作流变成了琐碎的人机问答。而决策树就是解决这个问题的终极方案。

结构化逻辑：实现 AI 智能体的自主化

根据官方文档，Agent 是通过 Markdown 文件教会 AI 如何完成特定任务的。而决策树优化，就是在这个 Markdown 文件中显式定义条件、分支优先级排序以及异常处理。通过这种方式，AI 编程助手能够自主判断并选择最佳方案，从而减少 50% 到 80% 的手动干预，大幅提升任务完成效率。

实现决策树是目前社区公认的最强大的 Agent Skills 高级技巧。本期视频演示的技巧不仅适用于 Antigravity，还适用于 Claude Code 以及 Codex 等任何支持 Agent 的 AI 助手。为了直观展示效果，我开发了一个使用决策树方式实现的“代码审查 Agent”。它可以让 AI 助手智能判断代码变更类型，并自动路由到最适合的代码审查工具。

实战演示：智能代码审查路由系统

在这个 Skill 中，我集成了 Gemini CLI 以及 Codex CLI。AI 助手会根据任务的复杂度自主决策：是选择 Gemini CLI 还是 Codex CLI 进行审查。在项目开发中，大家习惯使用这类工具对 Claude Code 或 Antigravity 写的代码进行二次把关。由于 Codex 的审查速度较慢，通常只在面对复杂变更或后端技术栈时才被选用；而前端代码则更适合使用 Gemini 进行快速审查。

通过决策树，我们不再需要手动指定工具，AI 会自主判断。这不仅让代码审查更专业，还解决了一个头疼的问题：Token 成本控制。如果所有任务都调用内置的大模型，会极快地消耗 Antigravity 的配额。将特定任务分配给外部的 Gemini CLI 或 Codex CLI，可以大幅节省核心模型的用量。简单来说，决策树就是通过层层的 if-then 条件判断，从根节点到叶节点逐步筛选，得出确定性的结果。

底层逻辑：从复杂度评分到故障转移

为了让大家理解这个 Skill 的运行机制，我们可以看一下执行流程图。当进行代码审查时，AI 首先会判断当前是否为 Git 仓库；如果是，接着判断 Gemini CLI 和 Codex CLI 是否可用。在两者都可用的情况下，AI 会分析 git diff 并根据评分规则计算复杂度。

路由决策规则如下：如果代码包含敏感文件、文件数大于 20、行数大于 500，或者涉及数据库迁移与 API 服务层修改，系统将强制匹配到 Codex CLI 进行深度分析。如果是纯前端、Python 生态或纯文档变更，且评分较低（小于 6 分），则由 Gemini CLI 进行快速反馈。此外，系统还具备异常处理能力：如果调用 Gemini 时遇到网络错误，决策树会引导 AI 自动切换到 Codex CLI 作为备选方案，确保流程不会中断。

配置指南：将 Skill 转化为工作流命令

在 Antigravity 的配置文件中，我们可以详细看到这个 Skill 的定义，包括环境检查、复杂度评分、路由决策、执行命令以及格式化输出等模块。为了方便日常调用，我们可以将这个 Skill 封装成斜杠命令。

具体操作非常简单：在 Antigravity 的设置中找到 Workflow（工作流），新建一个名为 review 的工作流。在描述中输入“代码审查，遵循团队标准”，并在内容中引用我们定义好的 Skill 标签（如 @code-review-skill）。这样，我们只需要在对话框输入 /review，AI 就会自动触发整套决策逻辑，完成从代码分析、工具路由到生成修复建议的全过程。通过将决策树应用于更多场景，你的 AI 助手将从一个“提问者”进化为一个真正的“执行者”。