Google Antigravity AI 编码助手使用问题技术分析

一、新闻概述

1. 标题

Google Antigravity 使用过程中遇到的问题：AI 编码助手的隐藏疲劳

2. 发布时间

2026 年 1 月 17 日

3. 来源

V2EX 技术社区

二、核心内容

1. 事件摘要

A. 主要内容

V2EX 用户 sn0wdr1am 分享了使用 Google Antigravity AI 编码助手过程中遇到的多个实际问题，引发社区广泛讨论。

B. 核心亮点

• 揭示了 AI 编码助手在实际开发中的隐藏缺陷
• 社区用户反馈普遍存在类似问题
• 反映了当前 AI 编码工具的发展瓶颈

2. 关键信息

A. 涉及产品

• Google Antigravity（AI 编码助手）
• Google Gemini 模型
• 相关竞品：OpenAI Codex、Anthropic Claude Code、字节跳动 TRAE、阿里通义千问

B. 问题类型

规范遵守、代码退化、幻觉问题、挤牙膏效应、无关代码修改

C. 用户反馈

30 条回复，多数用户表示遇到类似问题

3. 背景介绍

A. 相关上下文

Vibe Coding（语音编程）是新兴的开发方式，Google Antigravity 是其实现之一。

B. 行业现状

AI 编码助手市场竞争激烈，OpenAI Codex 和 Anthropic Claude Code 被认为体验较好。

三、详细报道

1. 主要内容

A. 规范遵守问题

用户反映，AI 在没有明确规范时会按照自己的方式编写代码。即使告知规范，AI 也会选择性忽略或忘记部分规范。需要反复纠正才能遵守，增加了开发成本。

B. 代码退化问题

在多轮对话修改后，AI 可能莫名其妙地删除之前添加的注释或代码逻辑。用户发现后询问原因，AI 会道歉并补回，但问题反复出现。

C. 幻觉问题

AI 会根据推理认为某个功能应该存在，但实际上并不存在。例如，引入不存在的包或模块，导致代码运行失败。

D. 挤牙膏效应

对于全局替换等操作，AI 无法一次性完成所有修改。需要多次重复相同指令，每次只修改少量文件，如同挤牙膏。

E. 无关代码修改

AI 每次修改代码时，会顺手修改无关内容，如修改变量名、函数名大小写、擅自拆分函数、导入无用包、重复判断等。

2. 技术细节

A. 问题架构分析

graph TD
    A[AI 编码助手问题] --> B[规范遵守]
    A --> C[代码退化]
    A --> D[幻觉问题]
    A --> E[挤牙膏效应]
    A --> F[无关修改]

    B --> B1[选择性忽略规范]
    B --> B2[反复纠正]

    C --> C1[删除注释]
    C --> C2[删除逻辑]
    C --> C3[反复道歉]

    D --> D1[推理存在性]
    D --> D2[引入不存在模块]
    D --> D3[运行失败]

    E --> E1[无法一次到位]
    E --> E2[多次重复指令]

    F --> F1[修改变量名]
    F --> F2[擅自重构]
    F --> F3[导入无用包]

B. 根本原因分析

1. 模型训练不足：Google 在 Code Agent 能力方面训练不足
2. 上下文管理缺陷：长对话中规范信息丢失
3. 推理能力局限：无法准确理解项目全貌
4. Agent 系统不完善：工具和模型协同存在问题

C. 竞品对比

根据用户反馈，各 AI 编码助手体验排序为：

• OpenAI Codex：最佳体验
• Anthropic Claude Code：优秀，但偶有错误
• Google Gemini：中等
• 字节跳动 TRAE：较差
• 阿里通义千问：最差

3. 社区反馈

A. 共性问题确认

多数用户反馈遇到相同问题，说明这不是个案，而是系统性问题。

B. 解决方案探讨

1. 拆分复杂功能：将复杂功能拆分为小步骤，逐步引导 AI 完成
2. 双模型协作：使用 Gemini 生成计划，Claude 进行审计，再由 Gemini 执行
3. 使用 OpenSpec：对复杂项目使用 OpenSpec 规范，体验会更好
4. 新建 Agent：每个新需求新建 Agent，避免上下文混乱
5. 不断质疑：持续质疑 AI 输出，要求搜索最佳实践

C. 技术反思

• AI 擅长架构和局部功能开发，但不适合全局范围操作
• 全局替换、规范修改等操作既浪费 Token 又无法一步到位
• 应该让 AI 编写规范文件，由规范文件驱动代码生成

四、影响分析

1. 技术趋势

A. AI 编码助手瓶颈

当前 AI 编码助手面临的主要瓶颈包括：规范遵守、上下文管理、推理准确性、代码一致性。

B. Vibe Coding 隐患

语音编程（Vibe Coding）虽然便捷，但隐藏疲劳问题。用户需要持续监控和纠正 AI 输出，实际效率可能低于预期。

C. 工程优化方向

需要更好的规范持久化机制、上下文管理策略、以及模型训练优化。

2. 用户影响

A. 开发效率

对于不熟悉 AI 编码助手的用户，可能因频繁纠正而降低效率。

B. 学习成本

用户需要学习如何与 AI 有效沟通，包括规范编写、问题拆分、结果验证等。

C. 工具选择

用户可能转向更成熟的工具，如 OpenAI Codex 或 Anthropic Claude Code。

3. 行业启示

A. 半成品问题

多位用户指出 Google Antigravity 是半成品，需要谨慎使用。

B. 竞争格局

OpenAI 和 Anthropic 在 AI 编码助手领域处于领先地位，Google 需要加快追赶。

C. 国产工具差距

字节跳动 TRAE 和阿里通义千问与国际领先产品存在较大差距。

五、各方反应

1. 用户评价

A. 正面评价

• 部分用户认为通过合理使用（拆分任务、使用规范）可以获得良好体验
• Opus 模型表现相对较好

B. 负面评价

• Agent 水平不如 Copilot
• 擅自修改代码逻辑，认为比用户更懂项目
• 与 Cursor 和 TRAE 相比仍有差距

C. 中立观察

• 现在程序员分为三派：手码至上、AI 这也不行那也不行、麦克风编程
• 需要客观看待 AI 编码助手的能力和局限

2. 技术建议

A. 使用策略

• 每个新需求新建 Agent
• 使用 OpenSpec 规范复杂项目
• 将复杂功能拆分为小步骤
• 让 AI 生成计划，人工审核后执行

B. 工具选择

• 简单任务：可以使用 Antigravity
• 复杂项目：建议使用 Codex 或 Claude Code
• 需要审计：使用双模型协作方案

六、相关链接

1. 原文链接

• V2EX 讨论帖：Google Antigravity 使用过程中遇到的一些问题

2. 相关资源

• GitHub: kofttlcc/quant-test（双模型协作示例）
• 微信文章：AI 编码助手根本原因分析（TRAE 团队）

3. 相关产品

• OpenAI Codex
• Anthropic Claude Code
• Google Gemini
• 字节跳动 TRAE
• 阿里通义千问

参考资料

1. V2EX - Google Antigravity 使用过程中遇到的一些问题