Superpowers 详解：给 AI 编程装上「工程纪律」
一、什么是 Superpowers？
Superpowers 是一套给 AI 编码代理用的开发方法论。不是代码框架，不是新模型，就是一堆 Markdown 文件加上一些钩子规则，让 AI 写代码时不能瞎来，得按工程规范走。
- 官方仓库：github.com/obra/superp…
- 核心理念： Process over guessing
核心思路：解决 AI 代码问题，不是靠写更精妙的提示词，而是建立一套 AI 必须遵守的标准化流程。
二、解决了什么问题
用 AI 写代码，大概率会遇到这三种情况：
- 跳过设计，上来就写：你说一句需求，AI 立刻输出代码，但需求边界、异常处理全靠猜，后期返工成本高
- 上下文污染，越写越偏：长会话里 AI 会忘掉早期的决策，前后代码矛盾、命名风格混乱
- 重实现，轻验证： 生成的代码看起来逻辑通顺，但边界条件、异常场景普遍缺失，一跑就出问题
Superpowers 的解法很直接：不追求让 AI 更聪明，而是让 AI 守规矩。把程序员几十年沉淀的工程实践，变成 AI 无法跳过的强制流程。
三、四条核心原则
整个体系建立在四条原则之上：
- 测试驱动开发：先写测试，再写实现，严格走「红→绿→重构」的循环
- 系统化优于临时决策：任何开发动作都要走标准流程，禁止凭直觉跳步骤
- 复杂度消减：简洁是第一目标，遵循 YAGNI 原则，不做不必要的抽象
- 证据优于声称：不能说「我做完了」，必须拿出测试通过的实际证据
四、技术实现
实现很简单，就是 Markdown 技能文件加上轻量的会话启动钩子。
- 每个 Skill 就是一个
SKILL.md文档，定义了对应场景的执行流程、检查规则和输出标准 - 会话启动时，通过平台的钩子机制，把总引导规则注入 AI 的上下文
- AI 每次响应前，会自动判断当前场景匹配哪个技能
- 匹配成功后，必须读取对应技能文档，严格按流程执行
这种设计的好处是平台无关：不依赖特定编程语言、不绑定特定模型、不需要独立运行时，只要支持上下文注入的 AI 编码工具都能接入。
五、完整技能体系
官方稳定核心技能共 14 个，覆盖从需求澄清到交付验收的完整开发闭环。
测试（1 个）
- test-driven-development：强制执行「写失败测试→验证失败→写最简代码通过→重构」的循环。如果检测到 AI 先写实现再补测试，会主动叫停。
调试（2 个）
- systematic-debugging：四阶段排错流程（收集现象→定位根因→假设验证→修复回归），杜绝盲目试错。内置「三次规则」：连续三次修复失败必须停止，重新分析。
- verification-before-completion：任务收尾前的强制检查清单，覆盖测试通过率、边界条件、文档更新等维度，没全部通过不能宣称完成。
协作（9 个）
- brainstorming：框架的核心入口。通过苏格拉底式提问澄清需求，一次只问一个问题；输出 2-3 套方案并分析权衡；用户确认前不写一行代码。
- writing-plans：把设计文档拆解成 2-5 分钟可完成的原子任务，每个任务包含精确的文件路径、实现内容和验证步骤。
- executing-plans：轻量批量执行模式，按计划逐批执行，设置人工检查点，适合中小规模需求。
- dispatching-parallel-agents：针对多个无依赖任务，同时派发多个子代理并行处理，提升开发速度。
- subagent-driven-development（SDD）：核心重型开发模式。每个任务派发一个全新子代理执行，上下文完全隔离；每个任务完成后经过「规格合规性→代码质量」两阶段审查，不通过直接打回。注意：SDD 是串行执行，目标是保证质量，不是提速。
- requesting-code-review：自动生成 Diff，按严重程度分级输出审查报告，严重问题直接阻塞后续。
- receiving-code-review：接收审查反馈后，先验证意见合理性再修改，不盲目照做。
- using-git-worktrees：自动创建隔离的工作分支和独立工作区，确保开发过程不污染主分支。
- finishing-a-development-branch：全量验证通过后，提供合并、提 PR、保留、丢弃四种选项，自动清理临时工作区。
元技能（2 个）
- using-superpowers：元技能，相当于内置使用说明书，告诉 AI 如何发现和调用整个技能体系。
- writing-skills：教 AI 按规范创建自定义技能，实现能力扩展。
14 个技能，日常我反复用的就三个：brainstorming → writing-plans → executing-plans。先把需求聊清楚，再拆成可执行计划，然后照着跑。剩下的 TDD、debugging、SDD、code review，碰到了自然知道该用。别上来就想着全流程跑满。
六、标准工作流
这是 Superpowers 最核心的价值——把一个模糊的需求，变成可交付的高质量代码：
第 1 步：需求澄清与方案设计 AI 不会立刻写代码，而是通过提问逐步对齐需求，输出多套技术方案对比，最终生成设计文档。设计文档未获用户确认前，不允许写实现代码。
第 2 步：创建隔离开发环境 通过 Git Worktree 创建独立工作分支，初始化项目环境，运行现有测试确认基线正常。
第 3 步：拆解原子化执行计划 把设计文档拆分成极小的可执行任务，每个任务都有明确的交付物和验证标准。
第 4 步：选择执行模式
- 中小需求：用
executing-plans批量执行，更轻量 - 大型/高可靠需求：用
subagent-driven-development，每个任务隔离执行 + 双重审查
第 5 步：强制 TDD 开发循环 每个实现任务内部，严格走测试先行的红-绿-重构循环。
第 6 步：全量代码审查 整批任务完成后，全局代码审查，输出分级问题清单。
第 7 步：分支收尾与交付验证 运行完整测试套件确认全部通过，提供分支处理选项，清理临时工作区。
真实走一遍
你说"我要做 X" → AI 先追问 X 到底是什么、边界在哪、有什么限制 → 讨论出设计文档你点头 → 建隔离分支、跑基线测试 → 拆成原子任务 → 一个个执行（每个任务内部走红绿重构）→ 全量审查 → 全测试通过 → 交付。
比"AI 直接写代码"慢。慢不少。但返工少，上线不慌。
我是那种喜欢快速见到东西的人，所以这套流程刚上手时浑身不舒服。但跑过两次完整的之后，发现之前省下来的时间全补到后面修 bug 和解释"为什么不对"上去了，那个更累。
七、支持平台与安装
官方支持平台
官方原生适配多款主流 AI 编码工具：Claude Code, Antigravity, Codex App, Codex CLI, Cursor, Factory Droid, Gemini CLI, GitHub Copilot CLI, Kimi Code, OpenCode, Pi。项目生态持续扩张，第三方社区已衍生出适配更多平台的版本。
常用平台安装命令
Claude Code
官方市场安装（最稳定）：
/plugin install superpowers@claude-plugins-official
第三方社区市场安装：
/plugin marketplace add obra/superpowers-marketplace
/plugin install superpowers@superpowers-marketplace
八、两种使用方式
自动触发（日常最省心）
直接用自然语言描述需求，Superpowers 会自动识别场景并启用对应技能。比如你说「给项目加一个用户数据批量导出功能」，AI 会自动启动头脑风暴技能，先和你对齐需求，而不是直接写代码。
手动指令精准调用
通过斜杠命令直接指定技能，适合明确需要某类能力的场景：
/superpowers:brainstorm # 启动需求梳理与方案设计
/superpowers:write-plan # 生成开发执行计划
/superpowers:tdd # 强制以TDD模式开发
/superpowers:debug # 系统化排查问题
/superpowers:review # 发起代码审查
九、优缺点与适用边界
优点
- 流程固化，大幅减少返工
- 强制测试，提升代码可靠性
- 需求对齐，减少理解偏差
- 跨平台通用，能力可迁移
- 高度可扩展，支持自定义技能
缺点
- 轻量任务性价比低：只改一行配置、写一个一次性小脚本，走完整套流程反而更慢
- 依赖强模型能力：弱模型经常无法完整理解技能规则，需要中高级别模型
- 只保代码质量，不保需求方向：如果设计阶段需求就定错了，再严谨的流程也只是精准地做错事
适合谁
- 中大型项目、长期维护的代码库的开发者
- 单人独立开发者，需要 AI 补齐设计、测试、评审的角色缺口
- 技术团队管理者，希望统一 AI 编码规范
- 想学习软件工程最佳实践的入门开发者
不适合谁
- 只需要快速写一次性脚本、临时工具的场景
- 探索性原型、快速试错阶段
- 完全不接触代码的非技术岗位
十、写在最后
Superpowers 不是什么革命性的东西，它就是把优秀程序员的工作方法论提炼出来，变成 AI 可以严格执行的标准流程。
如果你已经在用 AI 写代码，但总觉得返工多、心里没底，可以试试。它会让你慢下来，但慢下来，是为了走得更远。
