我在 macOS Monterey 系统上想跑跑最新的谷歌 antigravity-sdk-rust，结果一上来就踩了个大坑。

虽然 Antigravity 无论是 CLI 还是 IDE 都支持老款 Intel 芯片的 Mac，但是独立的 Rust SDK 却不支持。更具体地说，在 PyPI 上的 google-antigravity 包里，SDK 依赖的一个叫 localharness 的执行文件只支持 Linux 以及 M 芯片的 Mac。Windows 和老 Intel Mac 统统不在支持之列。

研究了两天，吃了不少瘪之后我才弄明白：因为这个文件里用了一些非公开的 API，为了向外提供独立的 SDK，谷歌把这个执行文件从 CLI 和 IDE 里拆了出来，但或许是因为不同系统下的拆分难度不同，Windows 和 Intel macOS 的版本就被谷歌搁置了。

现在 AI 时代的编程就像打传奇游戏，分“城内”和“城外”。城内情况已知，AI 训练充分，你在城内游荡毫无危险；城外是没探索过的未知区域，AI 虽然没有在城外被充分训练过，但凭着它极丰富的底子，也能给玩家提供巨大的帮助。这感觉，就如同你在城外探索时，手里拿了一把无限子弹的加强版加特林机枪。

既然被硬件卡死，那就硬核套娃

为了在本地运行和研究学习 antigravity-sdk-rust 的示例代码，我下载了 SDK 仓库。但在准备环境和尝试运行项目时，AI 提示我正在使用一个 mock 的沙盒执行引擎，并没有真正向 Gemini 服务器发出请求，甚至连个简单的 1+9=10 都算不出来。

既然本地跑不了，那就只能用 Docker 在 Mac 上模拟出 Linux 环境了。

我一开始安装了 Docker Desktop，基于 python:3.13-slim 镜像弄了个本地子环境。但运行速度慢到让人怀疑人生，甚至比线上的云主机还要卡顿。

无奈之下我改用了 Colima 方案。不过在安装虚拟化后端 Qemu 的时候，AI 默认使用 brew 安装，直接卡在了那。现在 Homebrew 在国内安装软件非常缓慢，即使用了魔法也很慢，即便使用禁止更新的方式也无济于事。后来，我尝试使用 MacPorts 重新安装 Qemu，居然一次就成功了。（注意这里我的经验参与了，AI 是协助我探索，并不是主导。）

换上 Colima 之后，容器的运行速度非常快，和在本机运行原生软件基本没有区别。我终于可以在 Linux Docker on Colima 中把 antigravity-sdk-rust 跑起来，并映射端口给宿主机的 macOS 正常使用。

面向 AI 编程已成潮流

上世纪 50 年代，最早计算机是面向机器编程；后来是面向过程编程，以 C 为代表，不要小瞧面向过程编程，觉得它落后，当时面向过程编程是极大的进步；再往后到 80、90 年代，软件开始复杂化，面向对象编程开始风靡世界；现在又变了，面向 AI 编程开始成为潮流。

回看我上面的整个探索过程，基本上是 AI 在带着我一路往前走，我的经验只占极小一部分。中间要装什么依赖、配什么库，全由 AI 帮我打理。那些被装上去的依赖项，我甚至连名字都没记住，更别提去深入了解它们了。

如果在以前的“古法编程”时代，我们为了搞懂这些环境配置、攻下这些技术山头，常常要自己折腾大半天甚至好几天。现在有了 AI，效率得到了质的飞跃，但也意味着，中间接触到的那些软件类库，对人类来说已经成了一个半隐藏的黑盒，已经不重要了。

这就引出了一个非常现实的趋势：开源软件、类库在很多时候已经没有必要特意面向人类编写了，只需要面向 AI 编写即可。

在这种全新的 AI 协同学习与探索的潮流下，开源类库不仅要提供源码，更重要的是提供一个可运行的实践场景。所有开源软件或类库都应该附带一个 examples 目录，那不是新手上手的开始，也是 AI 协助人类进行新领域学习的新方式。教员说，不要学好了再干，要边学边干，在干中学。AI 就是最好的在干中学的好帮手。

2026年05月31日