给 AI 编程助手装上大脑：209K 星的项目教它先想后做

你还在让 AI 直接写代码然后擦屁股？Superpowers 的做法是：让它在写第一行代码之前，先花 30 秒想清楚你到底要什么。

读完本文你将了解：它和其他 prompt 包有什么本质区别 | 技能自触发系统怎么做到的 | 子代理驱动开发的二阶审查机制 | 为什么 209K 开发者愿意试用

🎯 不用 Superpowers 的 AI 编程助手，像是没有项目经理的开发

你有没有过这样的经历：让 Claude 写一个 React 组件，它 3 秒就啪地输出一坨代码——看上去挺像那么回事，但一跑就报错。你告诉它错了，它说"抱歉，让我修正"，然后输出另一坨，又错。来回 5 轮后你发现它根本没理解你要什么，只是根据关键字猜了一个最常见实现。

这不是 AI 能力不够，是缺少一个项目管理的环节。

传统 prompt 集合的做法是：塞一堆规则到 system prompt——“你要先分析需求”、“写测试再写代码”、“代码要优雅”。问题是这些规则写进去了，AI 记不记得看心情，执行不执行看状态，没人监督没人提醒。

Superpowers 的选择截然不同：把方法论做成技能，让 AI 在正确的时机自动触发正确的工作流。不是告诉 AI “你应该怎么做”，而是让它在特定场景下不得不这么做。

它的核心是一个包含 14 个技能的系统。每个技能是一份 SKILL.md 文件，描述了某个工作流的完整流程。但关键不是文件本身，而是触发机制——AI 在开始任务前会自动检测当前场景是否匹配某个技能的触发条件。匹配上了，技能自动激活，不匹配，AI 跳过它直接执行。

Superpowers 和普通的 prompt 集合不是竞争关系——后者告诉你方向，前者替你规划路线。如果你已经有一套 prompt 用着顺手，加 Superpowers 只是让执行落地更稳。

🔧 3 行命令给任何 AI 编程助手装上系统

安装分两步：装框架，然后它自己跑起来。

Claude Code（最推荐，体验最完整）

# 方法一：官方插件市场安装 /plugin install superpowers@claude-plugins-official

这是最干净的安装方式，不像其他方法需要注册外部 marketplace。安装完立马可以用，不需要额外配置。

Codex CLI 和其他平台

# Codex CLI# 打开插件搜索界面/plugins# 搜索 "superpowers"# Gemini CLIgemini extensionsinstallhttps://github.com/obra/superpowers# Cursor# 在 Agent chat 中输入/add-plugin superpowers

所有平台安装完后，你只需要做一件事：给 AI 下达一个开发任务。

⚠️ 不要跳过第 0 步直接说"帮我写一个函数"。Superpowers 的工作流全程依赖你一开始的描述——越模糊，它 brainstorm 阶段问你的问题就越多。我的经验是花 30 秒说清楚"做什么+为什么+不做什么"，它后面 20 分钟完全不需要你干预。

预期效果

安装完 Superpowers 后，你对 Claude 说"让我们做一个 React 待办列表"，它不会直接写代码。它会先触发brainstorming技能，问你一系列问题：

• 这个待办列表的核心用户是谁？
• 需要支持离线吗？
• 数据持久化用什么方案？
• 移动端要适配吗？

你回答完后，它生成设计文档让你确认。你点头了，它才会进入writing-plans阶段把任务分解成每个 2-5 分钟的子任务。最后通过subagent-driven-development逐步执行。

如果你不回答面试官问题而是直接甩一份代码出去——Superpowers 上的 agent 最后会自己意识到"我没有走完流程，得重来"。

⚙️ 技能自触发：不是 AI 听话，是它别无选择

Superpowers 的技术核心不是有多少条 prompt 规则，而是那套让技能自动激活的引导系统。

自触发原理

Superpowers 利用每个 AI 编程助手的"系统引导"机制——Claude Code 有CLAUDE.md，Codex 有AGENTS.md，Gemini CLI 有GEMINI.md。这些文件在 session 启动时被注入 AI 的上下文中。

Superpowers 在引导文件中写了一条铁律：开始任何任务前，先检查 skills 目录中是否有匹配当前上下文的技能。匹配规则很简单——通过技能名和触发关键词做模糊匹配。比如说，你提到"写代码"或者"实现"等词，brainstorming技能的触发条件就匹配了。

如果匹配了多条技能，它们的执行优先级是固定的：

1. brainstorming（最高）—— 项目开始前
2. writing-plans —— 设计确认后
3. subagent-driven-development / test-driven-development —— 实施时
4. requesting-code-review —— 任务间
5. finishing-a-development-branch —— 完成时

如果选了另一种方案——把所有规则塞进一个超大 system prompt——结果是 token 溢出和注意力稀释。Anthropic 自己的内部测试表明，prompt 超过 8K token 后，越靠后的规则被遵循的概率呈指数下降。Superpowers 把方法论拆成独立技能文件，每个不到 3K token，只在需要时才被加载，解决了这个根本矛盾。

所以：不是 Superpowers 的 AI 更聪明，是它的信息加载方式更高效。你的 AI 还是那个 AI，但它每次思考时只看到跟当前任务最相关的 3K token，而不是 20K 的废话。

这个机制妙的地方是冷启动——不需要 API 额外调用，不需要 AI 理解复杂的调度逻辑。所有决策在 AI 的注意力窗口内自然发生。

🏗️ 架构分析：14 个技能的分层协作体系

模块划分

Superpowers 的 14 个技能分为四个层次，每个层解决一类问题：

每个技能在流程中有明确的触发点和退出条件，形成一个闭环工作流。如果某个环节失败了（比如测试不通过），流程不会继续推进，而是回退到问题定位阶段。

设计亮点：二阶代码审查

这是最让我觉得巧妙的设计。Superpowers 的subagent-driven-development不是简单地让 AI 执行完任务就完事。每个子任务完成后，会启动两个独立审查环节：

1. 规范审查（Spec Review）：检查输出是否符合设计要求
2. 代码质量审查（Code Quality Review）：检查代码风格、测试覆盖率、性能

两个审查由不同的 AI 实例执行（每次调用都是独立 session），确保审查者不会"帮作者圆谎"。如果不这样——让写代码的 AI 自己审查自己的代码——它大概率觉得自己的产出完美无缺。

不够好的地方

当然有缺点。Superpowers 的强流程设计在简单任务上显得笨重——改一行配置也要走 brainstorm → plan → implement → review 的完整流程，浪费的成本比收益高。所以它更适合中大型项目，而不是 quick fix。

✅ 优缺点 & 适用场景

优点

1. 自触发系统真正解决了"AI 不听话"的问题。不是靠不停地改 prompt，而是从架构层面让 AI 别无选择。
2. 多平台覆盖让学习成本降低。学会一套流程，Claude Code、Codex、Cursor 都能用同一套方法论。
3. TDD + 子代理二阶审查的组合把代码质量提到了团队协作水平。不再是单人 solo 的代码质量。

缺点

1. 简单任务的开销不可忽视。改一个变量名也要走完整流程，简单粗暴。
2. 越狱/绕过成本低。如果用户明确说"不用 Superpowers，直接写代码"，AI 可以选择不触发技能。依赖的是 AI 的服从性，不是硬限制。

适合谁

• 立刻试试：团队用 AI 写核心模块但代码质量不稳定的
• 再等等：项目以零散修复和配置修改为主，很少从头写功能

竞品一句话

跟市面上杂乱的 prompt 工厂相比，Superpowers 的独特之处是用方法论替换了规则列表。代价是简单任务上你会多花 2-3 分钟走流程。