Superpowers：为AI编程智能体赋予工程化超能力

前言

随着Claude Code、Cursor、GitHub Copilot等AI编程工具的广泛普及，开发者的生产力得到了显著提升。然而，随之而来的问题也逐渐清晰：AI能生成代码，却不知道该"先做什么"；AI能回答问题，却不遵循团队的工程规范；AI能修复Bug，却常常改完一处又破坏另一处。

AI编程工具缺少的不是智能，而是工程纪律。

Superpowers 正是为解决这一问题而生的开源项目。它为AI编程智能体提供了一套完整的、可组合的软件工程工作流技能库，让AI不仅会写代码，更懂得如何"正确地"开展软件工程实践。

背景与痛点

AI编程工具的工程管理困境

当前主流的AI编程工具在代码生成层面已经相当出色，但在工程管理层面却普遍存在以下问题：

痛点	具体表现
直接跳入实现	收到需求后立即写代码，跳过需求澄清和设计阶段
缺乏测试意识	先写实现代码，测试是事后补写的"装饰品"
上下文漂移	长对话中逐渐偏离最初目标，产出越来越偏
验证不充分	声称"已完成"但未实际运行测试验证
调试方法随意	遇到问题凭感觉猜测，缺乏系统性排查流程
代码质量无保障	没有代码评审环节，质量依赖`AI`的"自觉"

从"能用"到"好用"的鸿沟

以一个典型的功能开发场景为例：开发者说"帮我实现一个用户认证模块"，AI往往会立即开始写代码。但这种行为模式存在严重问题：

没有确认具体使用场景（Web？CLI？API？）
没有确认技术栈约束（使用哪种加密方式？会话管理方案？）
没有确认验收标准（怎样才算"完成"？）
直接产出的代码缺乏测试，后期维护困难

这本质上是AI缺乏软件工程的工程纪律——不是能力问题，是流程问题。

Superpowers的解题思路

Superpowers的核心洞察是：好的工程实践可以被编码为可复用的"技能"（Skill），并在合适的时机自动触发。

就像给工程师提供了一本详细的"工程手册"，Superpowers通过技能文件（SKILL.md）将最佳实践结构化，然后通过一套触发机制确保AI在合适的时机自动应用这些实践——不是建议，而是强制执行。

这一思路的本质是：Process over Prompt（流程大于提示）。

大多数人面对AI质量问题的本能反应是：换一个更好的模型，或者写一段更精妙的提示词。Superpowers的选择恰恰相反——它不依赖AI能力的提升，而是用可重复的工程流程约束AI的行为模式。

Superpowers不会让AI变得更聪明，但会让AI的聪明变得可控。 同一个模型，在没有工程流程约束之前可能产出杂乱的代码、跳过测试、声称完成却没有验证；加上Superpowers之后，同一个模型会先做设计、再做计划、再按批次执行、完成后用证据验收——产出质量的差异不来自模型本身，而来自流程是否在场。

什么是Superpowers

Superpowers是一个完整的软件开发工作流框架，构建于一套可组合的"技能"（Skills）之上。其官方定义是：

A complete software development workflow for your coding agents, built on top of a set of composable "skills" and some initial instructions that make sure your agent uses them.

核心设计原则

Superpowers的设计体现了以下几个核心原则：

技能强制触发（Mandatory Skill Invocation）： 技能不是可选建议，而是强制执行的工作流。只要有1%的可能某个技能适用，智能体就必须调用它。这种强硬的设计避免了AI"理性化跳过"最佳实践的情况。

Superpowers技能的强制触发原理是通过Skill提示词+上下文注入实现。

可组合性（Composability）： 每个技能是独立的Markdown文件（SKILL.md），描述了特定场景下的最佳实践流程。技能之间通过触发关系串联，形成完整的工作流链路。

子智能体驱动开发（Subagent-Driven Development）： 通过为每个实现任务分配独立的子智能体，避免长对话中的上下文污染，同时通过两阶段评审（规格符合性检查 + 代码质量检查）确保输出质量。

证据优先（Evidence Over Claims）： 任何声称"已完成"的任务都必须有可验证的证据——测试通过的截图、命令输出等，不能仅凭AI的断言。

技能库一览

Superpowers当前提供以下技能：

协作与工作流

技能名称	触发时机	功能描述
`brainstorming`	任何创意性工作开始前	苏格拉底式设计精炼，生成设计文档
`writing-plans`	拥有规格/需求，准备编码前	编写详细的实现计划
`executing-plans`	执行实现计划时	批次执行，带人工检查点
`subagent-driven-development`	执行含独立任务的实现计划时	每任务分派独立子智能体，两阶段评审
`dispatching-parallel-agents`	需要并行执行多个独立任务时	并发子智能体工作流
`requesting-code-review`	提交代码评审前	预评审清单检查
`receiving-code-review`	收到代码评审反馈时	系统性响应评审意见
`using-git-worktrees`	开始需要隔离的功能开发前	创建隔离的`Git`工作树
`finishing-a-development-branch`	开发任务完成后	验证测试、选择合并/`PR`/保留/丢弃

测试驱动开发

技能名称	触发时机	功能描述
`test-driven-development`	实现任何功能或修复`Bug`前	强制执行红绿重构（`RED-GREEN-REFACTOR`）循环

红绿重构（RED-GREEN-REFACTOR）是TDD（测试驱动开发）的核心执行循环，分为三个阶段：

红（RED）：先编写一个会失败的测试，明确定义"完成"的标准，此时测试必须处于失败状态

绿（GREEN）：编写最少量的实现代码，使测试刚好通过，不追求代码质量，只追求让测试变绿

重构（REFACTOR）：在测试全部通过的保护下，对代码进行整理和优化，消除重复、改善命名、提升可读性，同时确保测试仍然通过

这个循环的核心价值在于：测试先于实现，确保每一行代码都有明确的目的和可验证的行为约束。Superpowers的test-driven-development技能强制要求智能体遵循此循环，不允许跳过任何阶段。

调试与验证

技能名称	触发时机	功能描述
`systematic-debugging`	遇到难以定位的问题时	四阶段根因分析流程
`verification-before-completion`	声称任务完成前	确认问题真正修复而非表面通过

工程规范与最佳实践

技能名称	触发时机	功能描述
`writing-skills`	创建新技能时	遵循最佳实践创建自定义技能
`using-superpowers`	任何对话开始时	建立如何查找和使用技能的基础规则

完整工作流

Superpowers的核心工作流按照以下步骤依次触发：

阶段一：头脑风暴与设计（brainstorming）
- 用户表达需求想法
- AI通过交互式提问澄清需求（每次一个问题）
- AI提出2-3种实现方案及权衡分析
- 分段展示设计方案，用户逐段确认
- 保存设计文档到docs/plans/YYYY-MM-DD-<topic>-design.md
阶段二：使用Git工作树（using-git-worktrees）
- 在独立Git工作树中开展开发
阶段三：编写实现计划（writing-plans）
- 将设计拆解为2-5分钟的细粒度任务，每个任务包含：文件路径、完整代码、验证步骤
阶段四：子智能体驱动开发（subagent-driven-development/executing-plans）
- 每个任务由独立子智能体执行，执行后经历两阶段评审：规格符合性 → 代码质量
阶段五：测试驱动开发（test-driven-development）
- 每个实现任务遵循RED-GREEN-REFACTOR循环
- 任务会按照批次执行，每批次完成2-3个任务，并在完成后使用git提交，然后等待用户确认继续下一批次
阶段六：请求代码评审（requesting-code-review）
- 任务间进行代码评审，按严重程度分类问题
阶段七：完成开发分支（finishing-a-development-branch）
- 验证测试，选择合并策略，清理工作树

这个流程的关键特性在于：智能体会在合适时机自动调用对应技能，开发者无需手动指挥每一步。😲

安装与配置

Claude Code

Claude Code通过插件市场安装，是目前支持最完善的平台：

# 注册 Superpowers 插件市场
/plugin marketplace add obra/superpowers-marketplace

# 安装 Superpowers 插件
/plugin install superpowers@superpowers-marketplace

安装后，启动新会话时技能库会自动加载。更新：

/plugin update superpowers

Cursor

在Cursor的Agent聊天中直接安装：

/plugin-add superpowers

Codex

克隆仓库并创建技能软链接：

# 克隆 Superpowers 仓库
git clone https://github.com/obra/superpowers.git ~/.codex/superpowers

# 创建技能发现软链接
mkdir -p ~/.agents/skills
ln -s ~/.codex/superpowers/skills ~/.agents/skills/superpowers

OpenCode

# 克隆仓库
git clone https://github.com/obra/superpowers.git ~/.config/opencode/superpowers

# 注册插件
mkdir -p ~/.config/opencode/plugins
ln -s ~/.config/opencode/superpowers/.opencode/plugins/superpowers.js \
      ~/.config/opencode/plugins/superpowers.js

# 创建技能软链接
mkdir -p ~/.config/opencode/skills
ln -s ~/.config/opencode/superpowers/skills \
      ~/.config/opencode/skills/superpowers

VSCode GitHub Copilot

暂不支持VSCode GitHub Copilot😨。

实践示例

以下通过一个完整的绿地项目（Greenfield Project）示例，展示如何使用Superpowers在Claude Code中从零到一构建一个用户服务：使用GoFrame框架，创建一个HTTP RESTful风格的用户服务，实现基本的增删改查（CRUD）功能。

本示例采用Claude Code作为AI编程工具，同时配合安装了goframe-v2 Agent Skill - 一个专为GoFrame框架开发提供完整参考文档与最佳实践的技能包。

项目目标：使用SQLite作为数据库（学习/演示用途），实现以下接口：

方法	路径	说明
`POST`	`/api/v1/users`	创建用户
`GET`	`/api/v1/users`	分页查询用户列表
`GET`	`/api/v1/users/{id}`	按`ID`查询用户
`PUT`	`/api/v1/users/{id}`	更新用户（支持部分更新）
`DELETE`	`/api/v1/users/{id}`	删除用户

阶段一：头脑风暴与设计（brainstorming）

向Claude Code发出如下提示词：

我想从零开始，用 GoFrame 框架实现一个用户服务，提供 RESTful CRUD 接口，请帮我开始。

AI自动触发brainstorming技能，采用苏格拉底式提问逐步澄清需求：数据库选型、字段设计、接口规范、错误处理策略、验收标准……双方确认每个设计决策后，AI将设计方案分段呈现，用户逐段确认。

最终生成设计文档：docs/plans/2026-03-03-user-service-design.md（示例文件），内容包含目录结构、API规范、数据流图、错误处理策略等。

阶段一：头脑风暴与设计（brainstorming）

阶段二：编写实现计划（writing-plans）

AI自动触发writing-plans技能，将设计文档拆解为粒度为2-5分钟的细粒度任务，每个任务包含：文件路径、完整代码、验证步骤和git提交命令。

最终生成实现计划：docs/plans/2026-03-03-user-service-impl.md（示例文件），共13个任务：

注意

Superpowers会生成任务列表，但不会为每个任务生成勾选确认框，因为任务的完成状态需要通过实际验证来确定，而不是AI的主观判断。

任务	说明
`Task 1`	安装`gf CLI`并验证环境（`CGO`、`Go`版本）
`Task 2`	使用`gf init`初始化项目脚手架
`Task 3`	添加`SQLite`驱动依赖（`go get`）
`Task 4`	配置数据库（`manifest/config/config.yaml`，`SQLite DSN`）
`Task 5`	编写`entity`模型（`internal/model/entity/user.go`）
`Task 6`	编写`DO`模型（`internal/model/do/user.go`）
`Task 7`	编写`DAO Internal`层（`internal/dao/internal/user.go`）
`Task 8`	编写`DAO Index`文件（`internal/dao/user.go`）
`Task 9`	编写`API` `Request/Response`结构体
`Task 10`	执行`gf gen ctrl`生成控制器脚手架
`Task 11`	实现业务逻辑层（`internal/service/user/user.go`）
`Task 12`	实现控制器处理函数
`Task 13`	注册路由、初始化`SQLite`建表、启动验证

阶段三：执行实现计划（executing-plans）

AI自动触发executing-plans技能，按批次顺序执行计划，每批次完成2-3个任务后进行git提交并等待用户确认，再继续下一批次。

以Task 11（业务逻辑层）为例，展示执行过程：

[AI] 开始执行 Task 11: Write Service Layer
  读取任务描述与设计文档
  → 创建 internal/service/user/user.go
  → 实现 Create/GetList/GetOne/Update/Delete 共 5 个方法
  → 密码使用 SHA256 哈希处理（生产环境建议使用 bcrypt）
  → 通过 gerror 传递带业务语义的错误
  → 所有方法正确透传 ctx 至 DAO 层
  → go build ./... → 编译通过
  → git commit -m "feat: implement user service layer"

任务会按照批次执行，每批次完成2-3个任务：

Superpowers任务执行，每批次完成2-3个任务

在任务批次完成后使用git提交，然后等待用户确认继续下一批次：

Superpowers任务执行，在任务批次完成后使用git提交，然后等待用户确认继续下一批次

实际的git提交历史完整记录了每个任务的开发过程：

$ git log --oneline
ee26913 fix: correct SQLite DSN format and GetList count query
c13744b feat: wire routes and SQLite init in cmd
1739219 feat: implement controller handlers
14efeb1 feat: inject service into controller
8bec4fd feat: implement user service layer
c56ed39 feat: generate controller scaffold via gf gen ctrl
2fcf1bf feat: add user API request/response structs
ae42a15 feat: add DAO index file
ace2409 feat: add DAO internal layer
385a3c8 feat: add User DO model
f754e96 feat: add User entity model
e380b30 feat: configure SQLite database
4091b82 feat: add SQLite driver dependency
3963031 feat: init GoFrame project scaffold

阶段四：验证（verification-before-completion）

所有任务完成后，AI自动触发verification-before-completion技能，启动服务进行集成验证，用实际输出为"已完成"提供证据：

# 启动服务（端口 :8080，SQLite 文件自动创建于 data/user.db）
cd user-service && gf run main.go

# 创建用户
curl -s -X POST http://127.0.0.1:8080/api/v1/users \
  -H "Content-Type: application/json" \
  -d '{"username":"alice","email":"alice@example.com","password":"secret123"}'
# {"code":0,"message":"","data":{"id":1}}

# 查询用户列表（分页参数为 pageSize）
curl -s "http://127.0.0.1:8080/api/v1/users?page=1&pageSize=10"
# {"code":0,"message":"","data":{"list":[{"id":1,"username":"alice","email":"alice@example.com",...}],"total":1,"page":1}}

# 按 ID 查询
curl -s http://127.0.0.1:8080/api/v1/users/1
# {"code":0,"message":"","data":{"id":1,"username":"alice","email":"alice@example.com","createdAt":"...","updatedAt":"..."}}

# 部分更新用户（只传需要修改的字段）
curl -s -X PUT http://127.0.0.1:8080/api/v1/users/1 \
  -H "Content-Type: application/json" \
  -d '{"username":"alice2"}'
# {"code":0,"message":"","data":{}}

# 删除用户
curl -s -X DELETE http://127.0.0.1:8080/api/v1/users/1
# {"code":0,"message":"","data":{}}

响应体中password字段因entity层配置了json:"-"标签而始终不出现在任何接口响应中，符合设计规范。

阶段五：收尾（finishing-a-development-branch）

Superpowers阶段五：收尾（finishing-a-development-branch）

总结

Superpowers为AI编程工具带来了真正意义上的工程纪律。它解决的不是AI的能力问题，而是AI的工程行为模式问题：

从"直接写代码"到"先设计后实现"——brainstorming技能确保每次开发都有清晰的设计共识
从"测试是可选的"到"测试优先"——TDD技能将红绿重构循环变为不可绕过的强制流程
从"声称完成"到"验证完成"——verification-before-completion技能要求用证据而非断言说话
从"单一上下文污染"到"子智能体隔离执行"——subagent-driven-development技能通过并行子智能体保持上下文纯净

Superpowers的核心理念可以用一句话概括：Process over Prompt——流程大于提示。当所有人都在追问"哪个模型更聪明"时，Superpowers给出了一个不同的答案：AI不需要更聪明，它需要更可控。一套结构化的工程流程，比任何精心调校的提示词都更能保证输出的稳定性与可预测性——因为流程约束的是行为本身，而不是某一次对话的结果。

在AI编程工具快速演进的今天，工程纪律与技术能力同等重要。Superpowers提供的不只是一套技能库，更是一种在AI时代践行严谨软件工程的方法论。

参考资料

Superpowers GitHub 仓库

前言​

背景与痛点​

AI编程工具的工程管理困境​

从"能用"到"好用"的鸿沟​

Superpowers的解题思路​

什么是Superpowers​

核心设计原则​

技能库一览​

协作与工作流​

测试驱动开发​

调试与验证​

工程规范与最佳实践​

完整工作流​

安装与配置​

Claude Code​

Cursor​

Codex​

OpenCode​

VSCode GitHub Copilot​

实践示例​

阶段一：头脑风暴与设计（brainstorming）​

阶段二：编写实现计划（writing-plans）​

阶段三：执行实现计划（executing-plans）​

阶段四：验证（verification-before-completion）​

阶段五：收尾（finishing-a-development-branch）​

总结​

参考资料​

前言

背景与痛点

AI编程工具的工程管理困境

从"能用"到"好用"的鸿沟

Superpowers的解题思路

什么是Superpowers

核心设计原则

技能库一览

协作与工作流

测试驱动开发

调试与验证

工程规范与最佳实践

完整工作流

安装与配置

Claude Code

Cursor

Codex

OpenCode

VSCode GitHub Copilot

实践示例

阶段一：头脑风暴与设计（brainstorming）

阶段二：编写实现计划（writing-plans）

阶段三：执行实现计划（executing-plans）

阶段四：验证（verification-before-completion）

阶段五：收尾（finishing-a-development-branch）

总结

参考资料