Superpowers 是如何工作的

Database and Ruby, Python, History

我最近在折腾 AI 编程助手的工程化落地，遇到了一个非常有意思的框架：Superpowers。

1. 什么是 Superpowers？

简单来说，Superpowers 是一个为 AI 编程助手（如 Claude Code、Cursor、Gemini）设计的智能体技能框架与软件开发方法论。

如果把原生的 AI 助手比作一个“极其聪明但随性妄为的天才实习生”，那么 Superpowers 就是给这个实习生发了一本“资深架构师的 SOP 手册”。它通过一套可组合的自动化技能（Skills），强制 AI 遵循严格的工程规范，把随性的“盲盒式”代码生成，变成了严谨的工业级软件工程实践。

2. 为什么我们需要 Superpowers？

在日常使用 AI 写代码时，你肯定遇到过这种痛点：你丢给 AI 一个稍微复杂点的需求，它二话不说直接开始“狂飙”代码。结果写了几百行之后你发现，它完全理解错了你的意图，或者漏掉了关键的边界条件。这时候你只能让它推倒重来，不仅浪费 Token，还让人血压飙升。

相比于传统的“一语成谶”式 Prompt，Superpowers 解决了以下问题：

  • 拒绝盲目开工：强制 AI 在写代码前先和你对齐需求。
  • 流程约束替代随机猜测：用标准的软件工程流程（需求 -> 设计 -> 计划 -> TDD）来兜底代码质量。
  • 高自主性与低返工率：通过子智能体（Sub-agents）分工，让 AI 自己 Review 自己的产出。

3. Superpowers 是如何工作的？

Superpowers 的核心工作流完全模拟了真实世界中高级研发团队的开发节奏。我们可以把它拆解为以下几个关键步骤：

步骤 1：需求头脑风暴 (Brainstorming)

当你抛出一个需求时，Superpowers 不会立刻写代码，而是调用 brainstorm 技能。它会像一个资深产品经理一样，反问你几个关键问题，探索不同的技术方案。 这其实就是在对齐需求，避免最后做出来的东西不是你想要的。

步骤 2：编写与确认 Spec

需求对齐后，Agent 会自己去起草一份详细的技术规格说明书（Spec）。它会自我 Review 这份 Spec，直到你最终 Approve。白纸黑字，绝不含糊。

步骤 3：制定执行计划 (Plan)

Spec 完成后，AI 会将其拆解为可执行的步骤，生成一份 Plan。同样，这份 Plan 需要经过 Review 和你的 Approve。

步骤 4：TDD 驱动的自治开发

确定 Plan 之后，基本就不需要人为介入了。Superpowers 会基于测试驱动开发（TDD）的原则，自己写测试用例，自己写业务代码，自己跑测试，陷入“红-绿-重构”的循环，直到最后所有测试通过。

4. 优缺点

客观来说，Superpowers 并不是银弹，它有明确的适用场景：

  • 优点：
    • 极高的代码可靠性：通过 TDD 和严格的 Spec 约束，产出的代码质量远超普通对话。
    • 解放开发者精力：在 Plan 确认后，你可以去喝杯咖啡，让 AI 自己去折腾测试和实现。
    • 可组合性极强：技能（Skills）可以像乐高积木一样自由组合。
  • 缺点：
    • 前期沟通成本高：如果你只是想写个 20 行的 Python 脚本，走这套流程纯属杀鸡用牛刀。
    • Token 消耗大户：反复的 Review 和 TDD 循环会消耗海量的上下文 Token。200K 的上下文窗口，一下就占据了 120K。

5. 真实世界的验证：它是如何串联的？

我最初非常惊讶于这套复杂的工程方法是如何串联起来的。通常我们会认为，这需要像 Airflow、Dify 或 n8n 那样用复杂的 DAG（有向无环图）去编排。

但当我打开它的 SKILL.md 源码时，我才恍然大悟：它纯靠 Prompt 里的上下文交接（Handoff）来驱动下一步。

每个 Skill 在执行完毕时，都会明确告诉 AI 下一步该调用哪个 Skill。比如下面这段截取自 Plan 完成后的交接配置：

## Execution Handoff

After saving the plan, offer execution choice:

"Plan complete and saved to docs/superpowers/plans/<filename>.md. Two execution options:

1. Subagent-Driven (recommended) - I dispatch a fresh subagent per task, review between tasks, fast iteration
2. Inline Execution - Execute tasks in this session using executing-plans, batch execution with checkpoints

Which approach?"

If Subagent-Driven chosen:
REQUIRED SUB-SKILL: Use superpowers:subagent-driven-development
Fresh subagent per task + two-stage review

If Inline Execution chosen:
REQUIRED SUB-SKILL: Use superpowers:executing-plans
Batch execution with checkpoints for review

这就好比流水线上的工人，干完自己的活后，直接把工单和下一步的指令贴在产品上递给下一个人，极其优雅且轻量。

6. 排错 / 常见冲突

在实际使用 Superpowers 时，你可能会遇到以下边缘情况：

  • TDD 死循环：有时候 AI 会卡在某个无法通过的测试用例上，反复修改代码但依然报错（比如遇到了底层依赖的 Bug）。
    • 解决方案：及时介入，输入 Stop 中断执行。手动检查测试用例是否合理，或者引导 AI 换一种实现思路，甚至允许它暂时跳过该测试（skip test）。
  • 上下文爆炸 (Context Limit)：由于流程极长，如果项目较大，很容易触碰模型上下文上限。
    • 解决方案：强烈建议使用 Subagent-Driven 模式（如上文代码块所示）。这种模式会为每个子任务派发一个全新的子智能体（Subagent），从而有效隔离上下文，避免主会话被垃圾信息撑爆。