写代码的人，谁没被 AI 编程助手坑过？
你说“帮我加一个用户导出功能”，AI 立刻开始输出代码。写得飞快，看起来也像那么回事。但十分钟后你发现：它没问你要导出什么格式，自作主张选了 CSV；它顺手“优化”了旁边一个不相关的函数，把别的功能改挂了；它没写测试，或者写了几个永远为真的假测试。
这不是模型能力问题。2026 年的旗舰模型，单论写代码的“手速”和“知识面”早已超过大多数工程师。问题出在工作方式上——模型被训练成“尽快给出让用户满意的回答”，而软件工程恰恰要求“先慢下来”：澄清需求、评审设计、小步提交、测试先行。
7 月的 GitHub Trending 上，有一个项目以每天 900+ Star 的速度持续霸榜——obra/superpowers。它不是模型，不是 IDE，甚至不是一个可以 import 的库。它是一堆 Markdown 文件。
但这堆 Markdown 正在改变 AI 编程代理的工作方式：从“拿到需求就狂写代码”，变成“先提问、再设计、后拆解、TDD 落地、子代理互审”。
📌 先看结论
🔹 Superpowers 是什么？
一套完整的 AI 编程代理软件开发方法论，建立在可组合的“技能”（Skills）之上。核心思想：流程大于提示词（Process over Prompt） 。
🔹 核心数据：
• GitHub Stars：204K+ （截至 2026 年 7 月）
• Forks：18.2K
• 日均增速：900+ Star，持续霸榜
• Anthropic 官方插件市场安装量：超过 68 万次，是 Claude Code 生态里增长最快的插件
• 支持平台：10+ 种，包括 Claude Code、Codex、Cursor、Gemini CLI、GitHub Copilot CLI、Kimi Code 等
• 开源协议：MIT
🔹 一句话： 不是让 AI 更聪明，是让 AI 更守规矩——像给 AI 请了一个“项目经理”，强制它先思考、再计划、后编码、再审查。
🤔 它解决什么问题？
AI 编程助手有天赋但没纪律。它们像那种聪明但从来不写测试的同事——代码出活快，出问题也快。
用 Claude Code 写过超过 500 行代码的人，多半都遭遇过同一件事：你描述一个需求，Claude 给你生成了一大段看起来很合理的代码。代码能跑，测试也写了几个，功能对了。但两周之后，你往同一个模块加功能，发现之前那段代码的假设是错的——没有测试覆盖那个边界条件，修起来比重写还难。
不是 Claude 写得烂。是你们两个从一开始就没有共识过“这段代码要对什么负责”。
Superpowers 要解决的问题就是这个。不是让 AI 更聪明，是给 AI 一套工程纪律。
🧠 核心设计：它不是插件，是方法论
很多人第一次听说 Superpowers 时的反应是：“哦，又一个 Claude Code 插件。”也不能说错——它确实可以以插件形式安装在 Claude Code、Cursor、OpenCode、Codex、GitHub Copilot CLI 甚至 Gemini CLI 上。但把它理解成“插件”就太亏了。
Superpowers 的 README 第一行是这么写的：
Superpowers is a complete software development methodology for your coding agents, built on top of a set of composable skills.
翻译过来：这是一套完整的软件开发方法论，由一组可组合的“技能”构成。不是工具，不是库，不是框架——是方法论。
14 个核心技能
当前版本包含 14 个核心技能，分三类：
开发流程类：
- brainstorming（需求澄清）——写代码前先通过问答细化需求
- writing-plans（任务拆解）——将工作拆分为 2-5 分钟的小任务
- executing-plans（计划执行）——启动子 Agent 驱动开发
- subagent-driven-development（子 Agent 并行）——每个任务派发全新子 Agent
- using-git-worktrees（工作区隔离）——创建隔离的 Git worktree 工作区
- finishing-a-development-branch（分支收尾）——验证测试、合并或清理
质量保证类：
- test-driven-development（TDD 强制执行）——严格的红-绿-重构循环
- requesting-code-review（发起代码评审）
- receiving-code-review（处理评审意见）
- verification-before-completion（完成前验证）
调试与元技能类：
- systematic-debugging（系统化调试）——4 阶段根因分析
- writing-skills（编写新 Skill）
- using-superpowers（Superpowers 激活恢复）
- dispatching-parallel-agents（并行 Agent 调度）
渐进披露：几十个技能只占千把 Token
Superpowers 建立在 Anthropic 的 Agent Skills 机制之上。每个 Skill 的物理形态就是一个目录加一个 SKILL.md 文件。
关键在 frontmatter 里的 description 字段——它是技能的触发器。代理启动时只加载所有技能的名字和描述（每个大约几十 token），当对话内容命中某个描述的场景时，才把完整的 SKILL.md 读进上下文。
这就是所谓的渐进披露（Progressive Disclosure） ：几十个技能常驻时只占千把 token，用到哪个才展开哪个。
💡 和 MCP 的本质区别：
很多人第一反应是：这不就是 MCP 吗？不是。MCP 解决的是“Agent 如何调用外部工具”，Superpowers 解决的是“Agent 如何按照工程规范工作”。一个是“手脚”，一个是“大脑里的纪律”。
⚙️ 工作流程：6 个阶段
Superpowers 的工作流程有 6 个阶段，自动激活：
第一阶段：头脑风暴（Brainstorming）
Agent 不直接跳转到代码。它会提问、探索替代方案，生成一份设计文档。Jesse Vincent 在发布文章中将其描述为“从对话中梳理出一份规范”。
第二阶段：工作区隔离（Worktree）
设计获批后，创建 git worktree。这是一个真正的架构决策：并行任务获得隔离的工作区，不会互相覆盖。
第三阶段：编写计划（Writing Plans）
设计被拆分为小任务，每个任务 2 到 5 分钟 的工作量。Vincent 形容这些计划“清晰到让一个热情但品味差、没有判断力、没有项目背景、厌恶测试的初级工程师都能照着做”。每个任务都有精确的文件路径、完整的代码需求和验证步骤。
第四阶段：子 Agent 驱动开发（Subagent-driven Development）
这是 Superpowers 的标志性功能。不是由一个 Agent 完成所有工作，而是为每个任务派发一个全新的子 Agent。然后由任务审查者检查规范合规性和代码质量。关键问题会阻塞进度。
第五阶段：测试驱动开发（TDD）
严格执行红-绿-重构（RED-GREEN-REFACTOR） 循环。先写一个会失败的测试，确认它失败，写最少的代码让它通过，重构。在测试之前写的代码会被删除。
第六阶段：代码审查（Code Review）
在任务之间，对照计划进行审查，并按严重程度报告问题。
📦 怎么装？
环境要求
- Claude Code / Codex / Cursor / Gemini CLI / GitHub Copilot CLI 等任一款 AI 编程工具
- 能正常访问 GitHub
Claude Code（推荐）
Superpowers 可通过官方 Claude 插件市场获取：
/plugin install superpowers@claude-plugins-official
或通过 Superpowers 市场安装：
/plugin marketplace add obra/superpowers-marketplace /plugin install superpowers@superpowers-marketplace
Codex CLI
/plugins → 搜索 superpowers
安装后技能会被自动发现并生效。
Cursor
/add-plugin superpowers
或在插件市场中搜索。
Gemini CLI
gemini extensions install github.com/obra/superp…
安装完成后，在 Gemini CLI 中技能会通过扩展自动激活。
GitHub Copilot CLI
copilot plugin install superpowers@superpowers-marketplace
验证安装
在 AI 编程工具中启动一个新会话，Superpowers 的引导文档会自动注入，Agent 应该会先问“你想做什么？”而不是直接写代码。
💡 提示：
如果使用多个编程工具，需要分别为每个工具安装 Superpowers。
🔍 实际效果
用上这套方法论之后，AI 在编程任务中的表现会高度接近生产级的工程师团队。它会强制 Agent 先问聪明的问题，生成可读的 spec 供人类审批，然后拆分成精确的 2-5 分钟小任务，每个任务有确切的文件路径、完整的代码需求和验证步骤。
你可以把一个 20 步的实现计划交给 Agent，然后去喝杯咖啡。它会自主工作数小时，任务独立时并行派发子 Agent，逐个审查，只在遇到阻塞或歧义时才停下来。
📊 同类对比
Superpowers 的 Stars 是第二名的 6 倍以上。这不只是热度的差距，更是“系统化方法论”相比“单点技巧”在市场上的胜利。
| 项目 | Stars | 定位 |
|---|---|---|
| Superpowers | 204K | 方法论框架 |
| CLAUDE.md best practices | 32K | 提示词指南 |
| Cursor rules | 18K | 规则配置 |
| windsurf-rules | 8K | AI 编程规范 |
⚠️ 避坑指南
坑 1：2000 tokens 的引导注入很省，但子 Agent 不继承
会话启动时，框架通过 Claude Code 的 hook 机制注入一个引导文档（小于 2000 tokens）。但子 Agent 启动时不会自动继承这个上下文注入，导致子 Agent 有时会跳过 TDD 这类约束直接开写。
建议：遇到时手动触发 using-superpowers skill 可以把它拉回来。
坑 2：框架透明可改，但需要适配自己的项目
你可以修改任何 Skill 来适配自己团队的规范——这是刻意的设计决策，把工程文化编码成文件，而不是锁进平台。
建议：先使用默认配置熟悉流程，再根据团队习惯调整 Skill 文件。
坑 3：有些开发者反馈“越来越臃肿”
有用户指出 Superpowers 的完整流程对于一行代码的 Bug 修复来说显得太重。也有开发者因为 Token 消耗问题选择卸载。
建议：对于小改动可以跳过部分流程，或在需要深度工程时再启用完整方法论。
📝 总结
Superpowers 不是让 AI “更聪明”的工具，而是让 AI “更守规矩”的工具。
它把几十年的软件工程经验——需求澄清、任务拆解、TDD、系统化调试、代码审查——全部封装成 AI 能自动执行的 Markdown 指令。
204K Star 不是凭空来的——是被 AI“乱写代码”坑过的开发者用脚投票的结果。
但也要清楚它的定位：它适合中大型开发任务，不适合“改一行代码”这种小修小补。它适合追求工程质量的团队，不适合追求“越快越好”的个人实验。
装一下试试，也就 5 分钟。不行就卸掉——反正开源，没有损失。
评论区聊聊： 你用 AI 编程的时候，最头疼的是什么？是 AI 乱改代码，还是从来不写测试？
知澈Datalab
专栏「开源黑盒观察」来自公众号**「知澈Datalab」**
每天一份 GitHub 开源项目深度评测
数据来源：GitHub、腾讯云开发者社区、SegmentFault、DEV Community 等（截至2026年7月29日）
