最近好几个朋友跑来问我同一个问题总是在各种AI编程圈子里刷到的superpowers到底是什么装它有什么用里面那些skills具体又是干嘛的。正好我前阵子把整套流程从零跑了一遍从安装到日常使用到现在自己动手写新技能算是踩了不少坑也攒了些体会。这篇就把整个项目拆开来讲清楚包括它的核心设计思路、怎么安装、内置技能怎么用以及我自己总结的一些扩展经验。如果你正在用Claude、Cursor这类AI编程工具并且觉得AI经常“懂个大概但不出细活”那这篇文章应该能帮你省下不少折腾时间。1. 为什么会有superpowersAI辅助开发在落地时的真实痛点1.1 背景AI助手“懂套路但不懂规则”先说一个所有重度AI辅助开发的人都会遇到的问题。平时我们用Claude Code这类工具表面上看它什么都能聊写代码、改bug、重构、写文档样样都沾边。但真把它放到一个具体项目里问题就出来了它不懂你的项目结构不知道你习惯的目录组织方式不清楚你团队约定的代码风格也不了解不同文件之间的依赖关系。结果就是你和它来回对话好几轮它产出的东西还是要大改。这个现象背后的原因并不复杂。AI模型本身知道的是一大堆通用知识但每个项目都有大量“地方性知识”。这些知识往往散落在README、架构说明、注释、历史提交记录甚至老同事的脑子里模型没有路径去读取自然就只能在通用层面猜测。而superpowers这个项目本质上就是在AI和你的项目之间补上一条“规则通道”把那些不可见的约束、流程、模板变成AI可以直接读取和执行的技能文件。1.2 它到底改变了什么从“对话式提问”到“技能式装配”传统用法里我们和AI的协作方式是“提问—回答”质量完全取决于你每一次提问的精细程度。同一个任务描述得粗还是细结果可以相差十万八千里。但提问本身是有成本的而且每次都要重新组织语言换一个任务又得重新开始。superpowers的核心思路完全不同。它把常见任务固化成一个个独立的“技能包”每个技能包里包含一套明确的执行规范、操作步骤、判断标准甚至示例。需要什么功能就直接调用对应的技能AI会自动按照技能里定义好的标准流程来执行而不是临时在脑子里“即兴发挥”。打个比方这就像你去餐厅吃饭。平时找AI帮忙相当于给私厨随便描述一道菜做出来什么味道全靠当天发挥。而superpowers是把菜单固定下来每一道菜都有标准菜谱、固定配料、统一出品标准你只需要点菜剩下的交给后厨按照SOP执行。对AI来说这套菜谱就是它每次执行任务的“操作手册”。1.3 为什么值得开发者关注我的真实感受是这套东西的价值不在于帮你写更多代码而在于帮你的AI统一干活的路数。它更像是一个工作流框架约束AI在特定场景下按成熟套路输出。对个人开发者来说这意味着你不再需要每次重复写一大堆上下文说明对团队来说这意味着你有办法让所有人的AI都按团队规范来干活而不是各干各的。尤其现在很多团队已经开始把AI辅助开发纳入日常流程最大的难点反而不是模型能力而是怎么让AI稳定地符合团队预期。superpowers这类技能库提供的就是这样一个抓手想让它按你的标准干活就把标准写成技能喂进去。2. 核心机制拆解skills系统是怎么工作的2.1 一个skill本质上是“规则文本执行指引”很多人第一次听说superpowers会以为里面是什么高级程序其实拆开看每个skill对应的是一个结构化目录核心文件是SKILL.md。这个文件用Markdown写成头部有一段YAML格式的元信息包含技能名称name、一句话说明description、以及“什么时候该用这个技能”when_to_use。下面才是正文具体描述执行的步骤、规则、产出格式、注意事项等。这种设计有一个很聪明的点它不依赖任何特定的编程语言或框架就是一个纯文本约定。所以无论你用的是Claude Code、Cursor还是其他支持Markdown技能文件的AI编程工具这套思路基本都通用。它还意味着任何人都能写自己的技能门槛低到和写一篇笔记差不多。举个例子如果我要定义一个“代码审查”技能SKILL.md开头大概是这个感觉--- name: code-review description: 对指定代码文件进行系统性审查覆盖正确性、性能、可维护性、安全问题 when_to_use: 当用户要求检查代码质量、提交前审查、或指出潜在bug时 --- 1. 先阅读目标文件及其依赖文件建立上下文 2. 按安全、正确性、性能、可维护性顺序逐项排查 3. 输出问题清单每条必须附具体代码位置和修改建议 4. 不允许空泛评论所有判断必须基于实际代码这段文本看起来简单但它对AI输出的约束力比你在对话里说的十句话都管用。因为技能文件是预加载的AI在执行任务前就会读取这套规则等于一开工就知道边界在哪里。2.2 触发与调度AI如何知道该用哪个技能你可能好奇装了上百个技能之后AI怎么知道当前任务该调哪一个这里靠的就是when_to_use字段。当用户发出指令时AI会先根据当前任务内容去匹配技能列表如果某个技能的when_to_use描述吻合就自动加载这个技能的执行流程来干活。这个机制的好处是支持“按需加载”。AI不会被几百个技能同时干扰而是在合适的场景里只加载匹配的那一个减少上下文噪音。你可以把每个技能理解成一本专业手册手册不会摆在桌上但当你处理对应类型问题时AI会自己从书架上抽出来翻到对应章节。2.3 与CLAUDE.md这类全局规则的关系用过Claude Code的人应该知道项目根目录下放一份CLAUDE.md里面写的项目级规范AI会全程遵守。那它和skills到底什么关系我的理解是CLAUDE.md管的是“这个项目是谁、有什么约束”是全局性的静态背景而skills管的是“具体任务怎么做”是场景化的动态流程。两者的颗粒度不同。举个例子CLAUDE.md里会写“本项目使用TypeScript禁止引入any类型单元测试必须通过”这是项目底线。而一个名叫“重构代码”的skill里写的是“第一步梳理依赖、第二步制定改动计划、第三步分步实施、第四步验证回归”这种执行流程。项目底线告诉你不能踩线技能流程告诉你完成任务的最优路径两者配合才完整。理解了这层关系你就能明白为什么单独装一个superpowers并不会让你的项目自动变好。它提供的是通用技能框架真正的项目规范仍然需要你配置在全局规则文件里。两者各司其职缺一不可。3. 实操落地安装superpowers并跑通第一个skill3.1 安装前置条件你至少得有一个支持技能文件的AI工具动手之前先确认你的环境。superpowers并不是一个独立的软件它本身是一套技能集合需要通过AI编程工具来加载执行。我这边主要以Claude Code为例实测因为它的插件机制最成熟其他支持SKILL.md或类似约定的工具原理也差不多。我的建议是先确认三件事安装了最新版本的Claude Code或者你选定的同类工具确认终端环境能正常访问GitHub因为安装过程会拉取项目仓库准备一个干净的测试目录避免一上来就在真实项目里折腾3.2 两种常见安装方式插件市场安装与手动拉取官方推荐的安装方式是直接通过插件机制引入。以Claude Code为例在插件管理界面输入superpowers对应的仓库地址确认后工具会自动下载并注册技能目录。整个过程和装一个VS Code扩展差不多。另一种方式是手动拉取仓库后做软链接。我一开始走的就是这个路线因为它更直观也方便我随时查看源码。大致命令是这样git clone https://github.com/obra/superpowers.git ~/superpowers mkdir -p ~/.claude/plugins ln -s ~/superpowers ~/.claude/plugins/superpowers然后重启AI工具让它重新加载插件列表。这里有个小坑如果你之前配过自定义插件目录路径要对准你自己的配置文件硬套别人的路径容易找不到目录。至于哪条路更好我的观点是如果你只是想把技能跑起来直接用插件市场安装是最省心的如果你后续打算自己编写和调试技能那手动拉一份源码到本地反而更方便因为你可以随时翻技能源码学习官方的写法。3.3 验证安装是否成功装完之后不要急着干活先确认技能列表是否真的加载进来了。我常用的验证方式是在对话里直接发一条指令请列出当前环境里所有可用的技能给出名称和一句话说明即可。如果系统里已经注册了几十个技能说明加载成功。如果你得到的是“没有可用技能”之类的回复那大概率是安装路径或者目录结构出了问题。这个时候先检查插件配置路径是否包含superpowers的目录再确认技能目录里有没有SKILL.md文件别急着怀疑网络或者环境。3.4 跑通第一个实际任务安装成功之后第一次完整跑一个技能任务相当有仪式感。我选了一个最基础也最能看出效果的场景——让AI根据图片生成SVG图形。这个技能在很多设计类任务里都会用到。我在测试目录放了一张简单的手绘草稿图然后对AI说“这张草图想表达一只正在奔跑的猫帮我用SVG实现。”按正常对话流程AI可能会直接给一段SVG代码但加载了superpowers的图形技能之后它的表现完全不一样它会先拆解草图里的几何元素确认每个部位的位置关系再开始写代码并在代码里对每个形状的关键坐标做注释最后还会问我是否需要调整配色和线条风格。这种结构性差异非常直观。同样是生成SVG普通模式像“凭感觉画”技能模式像“按图纸施工”。后者在复杂任务里的稳定性和修改便利性都高出一大截。这个测试跑通之后我对整套机制就有了比较清晰的体感。4. 自带技能盘点有哪些skills分别解决什么问题跑通第一个任务之后很多人会想知道这包里到底装了多少“家伙”。superpowers目前内置的技能数量已经非常可观涵盖了从日常文件处理到深度代码重构的多个维度。下面按类别梳理一下我实际用下来最能感受到价值的几组。4.1 通用效率类文档处理与信息整理这一类技能的使用频率是最高的。比如处理PDF、生成Excel表格、整理Markdown文档结构、将网页正文内容提取成干净文本等。过去这些工作我可能要靠Python脚本或者各种在线工具现在直接让AI调用对应技能就能完成而且输出的格式一致性很好。拿PDF处理举例AI会先检查PDF的结构判断是文本型还是扫描型再选择合适的提取策略而不是看到PDF就闷头用字符串硬切。这个“先诊断再动手”的行为模式正是技能文件约束出来的结果。类似的还有Excel生成AI会很自觉地按照“表头、数据类型、默认值、格式”的顺序构建表格导出的文件基本不需要二次调整。4.2 内容与媒体处理类SVG绘图、排版与视觉设计这个类别我个人认为是整个技能包里最惊艳的一部分。除了前面提到的SVG绘图之外还有配色方案生成、中英文排版美化、甚至简单的图形艺术创作。这些技能的标准动作都非常明确比如生成SVG前先根据图形复杂度选择合适的画布尺寸再设计图层的组织方式。比较有意思的是这类技能还会引导AI遵循一些基础设计原则而不是无脑堆视觉元素。比如做封面图时AI会考虑留白、对比度、信息层级而不是把文字全塞进一个大色块。这种“设计感”很难通过几句对话提示词获得但一套定义良好的技能可以很稳定地输出。4.3 工程与代码质量类重构、调试与项目分析如果你是个程序员这一组技能才是真正的核心。它里面有专门负责逐文件探索代码库的技能通过分析目录结构、依赖关系和数据流来构建项目地图有负责重构的技能会把重构拆成“先分析、再计划、后实施、最后验证”四个阶段还有专门做代码审查的技能会从安全漏洞、边界条件、性能隐患这些维度逐个检查。这个设计思路我非常认同。很多人在用AI改代码时最大的痛点就是“改了一处崩了三处”。有了这套技能做约束AI在做重构之前会强制自己先列出依赖关系找出所有调用方再动手修改。等于说它替你把“随便搞”的路堵上了逼着它走正经开发流程。4.4 项目管理与深度研究类任务拆解与信息调研最后一类我称之为“把AI当实习生用”的技能。它包含帮助把模糊需求拆成可执行任务列表的项目规划技能也有在动手写代码前先搜索资料、比较不同方案的技术调研技能。这类技能适合在产品方案设计、新技术探索这些场景里使用。我最近一次用它做技术选型要求AI对比两个开源库的优缺点。正常情况下AI给出的建议大多是大而化之的通用说法但加载了调研技能之后AI会先列出对比维度主动检查两个库的维护活跃度、已知问题、社区讨论节选然后才给出带权重的结论。这个完整度已经接近一份外包咨询报告了。4.5 如何查看完整技能清单说了这么多建议你安装之后自己先浏览一遍完整清单。这里给你一个查看技巧与其直接问“有什么技能”不如按类别问效果更清晰。比如分别问“有没有适合处理图片和图形的技能”“有没有适合做前端布局重构的技能”这样AI给出的列表更聚焦你能更快发现自己感兴趣的部分。用多了之后你自然会对技能分布形成一个记忆地图。5. 实测效果与踩坑记录哪些场景真的值哪些场景是坑5.1 明显改善的三个场景用了一个多月之后我对这套系统的评价是有真有假得分开说。先讲真正值回时间成本的三个场景。第一个是代码重构。之前让AI帮忙重构一个大函数最怕的就是它改完不跑测试直接给你一个新版本看起来清爽用起来全是bug。有了重构技能之后AI会先做依赖分析、改动风险评估、分步实施计划这一套流程对中型项目的实用性极强。第二个是SVG与前端图形工作流。我自己做技术文档经常需要配示意图。过去手写SVG非常费时现在让AI根据我的描述生成近似图形然后我用技能里定义好的坐标规范微调细节效率提升非常可观。第三个是多人协作项目的标准化输出。团队用同一个技能库之后AI生成的代码风格、注释密度、文档结构都趋近一致新的项目成员上手AI辅助开发的成本会低很多。简单说技能库本身就是一种可以把团队开发经验“代码化”的载体。5.2 踩过的坑安装路径、上下文过载与预期管理再讲几个我实打实踩过的坑给你提个醒。第一个坑就是插件路径。我之前为了方便把它软链到了一个自定义目录结果AI工具没有递归读取子目录导致技能列表一直加载不全。排查了半天最后发现是目录层级太深。解决方案很简单把技能目录直接放在插件根目录下让AI工具能一层就扫到所有SKILL.md就行。第二个坑是上下文窗口浪费。虽然技能是“按需加载”但有些任务会同时匹配多个技能比如既匹配了代码审查又匹配了安全扫描AI会尝试同时加载导致上下文占用陡增。解决方式是在提问时主动限定范围比如“只用代码审查技能安全相关先跳过”这个限制对上下文控制很有帮助。第三个坑是不要对陌生任务抱不切实际的期望。superpowers里的技能覆盖很广但并不是每个任务都能被某个技能完美解决。遇到一个冷门场景AI可能匹配不到合适的技能这时候它会退化成普通对话模式输出的质量回到一般水平。这不是BUG而是设计使然别因此怀疑它坏了。5.3 从“用skill”到“调skill”的思维转变我最大的心得体会其实在最后这个部分。装好superpowers、正常用了两周之后你会逐渐习惯“AI按技能卡执行”的干活方式。但真正让我觉得这东西上瘾的时刻是我开始自己动手调整技能规则。因为它本质上是文本文件任何你觉得AI执行得不好的地方都可以直接改技能描述把规则写得更细、更明确然后它下次就会按新规则干活。这种“改文档就是改AI行为”的体验和传统编程完全不同它让AI的调教变成了一件不那么专业、但非常个人化的事情。用久了你会发现你已经不再关心它能做多少事而是在想怎么让它更好地做你想做的事。6. 进阶玩法编写自己的skill把团队规范塞进AI脑子里6.1 自制skill的基本目录结构等内置技能已经满足不了你的时候就该自己动手了。一个标准的自定义技能目录非常简单就是在技能目录下新建一个文件夹里面放一个SKILL.md文件。别追求花哨先跑通最小结构比什么都强。举个例子我给自己建了一个“日志排查”技能--- name: log-troubleshooting description: 通过分析日志文件定位系统异常输出根因假设与验证步骤 when_to_use: 用户提供日志文件或粘贴日志片段时或要求排查系统错误时 --- 1. 先读取日志识别时间范围、错误级别和关键异常栈 2. 按时间线整理相关事件找出异常前后关联的上下文 3. 列出最可能的3个根因假设每个假设附对应日志证据 4. 为每个假设给出验证步骤优先推荐最廉价的验证方式写完之后重启加载然后在对话里粘贴一段客户报错日志你会发现AI的输出不再是天马行空的猜测而是有证据链的分析报告。整个过程的成就感很强因为你实际上是在打造一个越来越懂你的AI助理。6.2 用具体示例增强技能的执行力纯文本规则在很多时候依然不够AI执行时会遇到“规则我都懂但没有标准模板可参考”的情况。这个时候我的经验是在技能文件里加入一个例子区块直接给一个输入与输出的对比样例。例如在日志排查技能的末尾加上一段模拟日志和对应的标准分析示例。AI在读取技能时会把示例当成范本输出时就默认往这个风格和质量水平靠拢。这也是很多内置技能不太大的体量里依然保持高质量执行的原因——好的技能文件从来不只是写规矩还会给出“做出来长什么样”的参考。6.3 一个实战案例给团队写代码审查规范最后分享一个真实项目里的自定义技能。当时我所在的团队经常在代码审查上争论每个人对“代码质量”有自己的理解但AI辅助审查又不能兼顾所有维度。我就写了一个“团队代码审查”技能把团队成员公认的审查点全写进去安全方面检查所有用户输入是否经过校验性能方面循环内是否有重复计算或N1查询可维护性方面命名是否表意、函数是否过于冗长测试方面新增逻辑是否覆盖关键分支技能文件写好之后团队所有人针对同一个PR让AI做审查得到的反馈维度统一起来了不再出现“有人让AI查安全有人让AI查风格”的混乱局面。这个方式的威力在于它把团队里大家本来就认可的隐性共识变成了AI能长期遵守的显性规则。6.4 编写自定义skill的三个注意事项写技能有三点提醒都是我自己吃过亏之后总结的。第一description和when_to_use要写得精准。如果过于宽泛AI会在错误场景触发技能过于狭窄则该触发时不触发。这里的分寸需要反复调试。第二别写AI做不到的要求比如“识别用户的情绪”这类主观判断规则越客观可执行越好。第三技能之间要避免规则冲突。如果两个同时匹配的技能对同一个步骤有不同的指令AI的执行会变得混乱。这时候要想办法在技能头部加“不适用场景”的说明主动规避冲突触发。我现在日常工作的习惯是每隔一两周检查一次自己写的技能把这段时间里AI做得不理想的地方再优化一遍规则或者把新总结出来的经验追加进去。这个过程不需要编程能力却会让AI越用越顺手。很多人问我superpowers最好的使用方式是什么我的答案始终是先把它自带的那套东西用熟然后从你自己的真实需求出发开始写第一个连他人都不一定能用得上的技能。那个时刻它才真正算是你自己的工具。