我一直觉得AI 编程助手这两年最尴尬的地方不是“不会写代码”而是“写得太快”。你问它一个需求它刷刷刷给你整出一大段语法没错、结构也对但你仔细一看——全是套路代码变量命名莫名其妙边界条件一个没处理测试更是想都别想。你让它改它又刷地给你重写一遍改了开头坏结尾。这种“看起来很能干、实际上要你返工”的状态业内现在有个专门的说法叫slopAI 垃圾产出。最近我上手了一套叫superpowers的技能包专门治这种病。它本质上是一组给 AI 编程助手用的“操作手册级”技能文件通过一套强约束的工作流让 AI 先规划、再动手、每步自检而不是上来就放飞自我。目前它已经能直接安装在 codex CLI、workbuddy、trae work cn 这些主流工具上GitHub 上热度和讨论度都很高。这篇文章就围绕我实际安装和使用的过程来写从核心设计思路、安装步骤到踩坑记录一次性讲清楚这套东西到底值不值得装。先说结论如果你受够了 AI 给你生成“四不像”的样板代码或者你想让 AI 从“代码生成器”变成“能和你一起做事的协作者”superpowers 值得花半小时折腾一下。它改变的不是模型能力而是你调用模型的方式——让散兵游勇式的 AI 写作变成有组织、有纪律的工程流程。1. 理解 superpowers它不是插件是一套“工作方法论”在讲安装之前我觉得有必要先搞明白一件事superpowers 到底是什么。因为如果你只把它当成一个普通的插件或者工具包来装装完之后大概率会觉得“就这”然后就搁置了。1.1 AI 编程“快而烂”的根源在于缺少流程约束我们平时用 AI 写代码默认的模式是“你问我答”你给一个 prompt它回复一段代码。这种模式对简单功能没问题但一旦需求稍微复杂一点问题就暴露了。首先是上下文碎片化。你让 AI 改 A 模块它根本不记得 B 模块和 A 模块之间的耦合关系你让它新增一个功能它不知道你项目里已经有的工具函数、命名规范、错误处理风格。所以它生成出来的代码单看好像还行放回项目里就是一股“外来的味道”。其次是缺乏规划。人类开发者接到一个复杂需求会先拆解任务、梳清依赖、评估风险然后才动手。AI 没有这个习惯它会直接跳到写代码那一步把所有逻辑在一大段回复里全部倒出来。结果就是代码冗长、结构混乱、注释还写得特别“AI”——满屏“这是一个用于计算总价的函数”这种毫无信息量的话。superpowers 的核心思路就是针对这两个痛点做了一套约束。它用 Markdown 文档定义了一个个“技能”每个技能本质上是一套 AI 可以遵循的指令流程。比如其中一个核心技能叫deep-planning深度规划它强制 AI 在写代码之前先和用户反复确认需求、拆解任务、输出一份详细的实施计划等用户点了确认才开始动手。用大白话说这就是给 AI 立规矩。你不再问它“给我写一个登录功能”而是让它先花十分钟搞清楚你的用户体系、数据库结构、安全要求、已有代码风格然后列一个三步五步的计划你审核完了它再动手。这个体验上的差异用过一次基本就回不去了。1.2 “手把手的操作手册”比“灵光一现”更可靠superpowers 这套技能包还有一个很特别的设计它把“技能”做成了文件。每一个技能就是一个带有特定格式的 Markdown 文档里面写了完整的触发条件、执行步骤、输出格式、质量要求。AI 在对话中读到这些文档就像人拿到了一本 SOP标准作业程序手册知道什么场景该走什么流程。我举一个实际的例子。它的code-editing代码编辑技能里明确要求AI 在修改代码前必须先找出所有受影响的调用点并且列出测试计划修改完之后要逐条对照需求给出变更清单而不是一句“已完成修改”就糊弄过去。这个约束本身不涉及具体技术栈但它在所有项目里都适用。这也是为什么它能适配多个不同的 AI 工具——因为它不依赖某个特定工具的 API 或 UI纯粹靠“喂给模型的文本指令”来工作。你可以在 codex CLI 里用可以在 workbuddy 里用也可以在 trae work cn 里用原理一模一样。1.3 核心收益减少返工、提升代码质量、建立项目上下文我实际用了两周最大感受是返工率明显下降。以前让 AI 写一个接口它直接丢过来一大段我看完还要逐行改。现在它先问清楚参数校验规则、错误码规范、日志输出格式然后给出计划我再让它动手。写完的代码基本一次通过偶尔有问题也是小修小补。另一个隐形收益是项目上下文被真正带起来了。superpowers 里有一套约定叫conventions项目约定你可以把项目的编码规范、目录结构、命名规则写进去AI 在每次任务开始前会自动加载这些约定。也就是说它对“你项目的规矩”是有记忆的不会这次用 camelCase、下次用 snake_case。所以我理解 superpowers 的本质不是“更聪明的 AI”而是一套“把 AI 当人看”的管理方法。它假设 AI 的能力是有边界的但通过规范流程可以把边界内的能力发挥到最大。你不需要反复念咒一样地给 AI 补充背景信息它会自己去读该读的文件问该问的问题做该做的计划。2. 核心技能拆解deep-planning、code-editing 和规范约定如果说 superpowers 是一个工具箱那这个工具箱里最常用、最核心的几件工具就是deep-planning、code-editing以及绑定的规范约定机制。我在实战里几乎每一次任务都会触发这三个技能所以想单独拿出来拆开讲讲它们各自怎么工作以及为什么它们能提升 AI 的产出质量。2.1 deep-planning先让 AI 学会“想清楚再动手”我先讲讲 deep-planning。这是 superpowers 里我最喜欢也是改动最明显的一个技能。以前我让 AI 干活最怕它“听不懂人话还硬干”你明明说先看一下 xxx 文件再改它根本不看直接按通用模板给你写一段。deep-planning 的运作方式是什么我简化描述一下它的执行流程AI 收到一个任务时先不着急写代码它会先向你提澄清问题。比如“这个功能需要兼容哪些浏览器”“这个接口的鉴权方式是 token 还是 cookie”“需要新增数据库字段吗还是复用已有字段”等关键信息确认后它会输出一份分步骤的实施计划包括每一步要改哪些文件、涉及哪些函数、需要哪些测试。计划里还会标注“依赖风险”比如某个改动会影响其他模块或者某项需求目前还不明确、需要进一步确认。计划得到你的确认后它才会进入执行阶段。听起来很简单对吧但这套流程放在 AI 编程里效果是革命性的。因为绝大多数 AI 代码翻车都翻在“需求理解不准”上。你让 AI 改 A 逻辑它顺手把 B 逻辑也改了你想做分页查询它默认给你按 ID 倒序排。这些问题的根子都在于 AI 没有形成“先对齐需求再编码”的习惯。deep-planning 把这种习惯变成了强制的流程AI 不遵守流程就无法进入下一阶段。有一次我让它写一个数据导入功能它按惯例先问了三个问题导入的数据来源格式是 CSV 还是 Excel重复数据是覆盖还是跳过导入过程要不要支持断点续跑我一看这三个问题就知道这套流程是真的在帮我省时间因为它问的全是我容易忽略的需求细节。2.2 code-editing改代码也有“纪律要求”如果说 deep-planning 管的是“动手前”那 code-editing 管的就是“动手时”和“动手后”。这个技能设计了一套非常严格的代码修改纪律核心有这么几条动手改代码之前必须先定位所有可能受影响的调用点。也就是说你不能只盯着自己要改的那一个函数看必须全局搜索一下谁调用了它、依赖了它把影响面先摸清楚。修改完成后要输出一份“变更清单”逐一列出改了哪些文件、每个文件改了什么、为什么这么改。这有点像我们平时提 MR 时的描述但 AI 会做得更细。如果不是专门处理测试任务改动后还必须补充或更新相关的测试。这不是可选项是必选项哪怕改动很小。这套纪律解决了我一个很头疼的问题AI 改代码像“打地鼠”。你让它修 bug它修好了但多了一个新 bug——原来它只盯着出错那一行没看上下游。code-editing 强制它做影响面分析这个“只看局部”的问题就被从流程层面规避掉了。而且它输出的变更清单非常有用等于帮你免费做了一轮代码审查。以前我让 AI 改一个方法它洋洋洒洒改了一大堆我还得自己 diff 一下看到底改了什么。现在它自己会列出来我扫一眼就知道是不是有越权改动审查效率高了一大截。2.3 规范约定把项目规矩写进技能里最后是conventions规范约定。这个机制虽然不像前面两个那么“抢戏”但它是整个 superpowers 体系能够跨项目复用的基础。你可以把它理解成给 AI 写的一份“入乡随俗”手册。比如我手头有个后端项目我就把这么几条写进项目约定的文件里项目使用 Python 3.11代码风格遵循 Black 格式化规范。所有新增接口必须遵循 RESTful 风格并补充 OpenAPI 文档。数据库操作使用 SQLAlchemy 2.x 的 ORM 方式禁止写裸 SQL。错误处理统一返回 { code: xxx, message: xxx } 结构。日志使用 loguru禁止使用 print 输出。写完之后AI 在这个项目里工作每次动手前都会先去读这个约定文件。它生成的代码就会自动符合你项目的风格不需要你每条都写在 prompt 里反复强调。这个机制在多个项目之间切换时尤其好用——每个项目有自己独立的一份约定AI 会识别当前项目并自动加载对应的规范。所以总结下来deep-planning 管“想清楚再做”code-editing 管“做的时候有章法”conventions 管“做的结果符合项目习惯”。三个技能叠加起来AI 的输出质量从一个“不稳定发挥的实习生”变成“遵守流程的资深工程师”差的就是这套规范和流程的距离。3. 实操记录codex CLI、workbuddy、trae work cn 的安装与验证讲完理念该动手了。我前后分别在三个环境里装过 superpowerscodex CLI、workbuddy、trae work cn。如果你用的是其中某一个工具可以直接跳到对应小节。三个环境里安装方式不完全一样但核心逻辑是相通的。3.1 准备阶段检查环境与必备条件安装前我建议你先确认三件事你的 AI 工具版本是否支持自定义技能加载。以 codex CLI 为例需要比较新的版本才支持 skills 机制workbuddy 也是一样旧版本可能没有 marketplace 或 skill 目录选项。本地是否安装了 Git。因为主流安装方式是从 GitHub 拉取超级技能仓库没有 Git 就得手动下载压缩包稍微麻烦一点。你的模型需要支持比较长的上下文窗口。superpowers 的技能文件本身不长但它会引导 AI 进行多轮规划和逐项实施如果模型上下文窗口太小很容易聊着聊着就“失忆”。我个人建议至少 128K 以上再低的效果会打折扣。准备好之后下一步就是拉取 superpowers 的仓库到本地。在任意一个目录下执行git clone https://github.com/obra/superpowers.git这个仓库里就是全部的技能文件里面会有 skills 目录包含我们要用的 deep-planning、code-editing、conventions 等技能。接下来要做的就是让各个工具能“看到”这个目录。3.2 codex CLI 安装 superpowers 的完整流程我自己日常主力就是 codex CLI所以先讲它。codex CLI 加载技能的方式是通过skills 目录来发现的。你需要把这个仓库里的 skills 目录链接或复制到 codex 的全局技能目录下。我的做法是进入 codex CLI 的配置目录并在里面创建一个软链接# 进入 codex 配置目录 mkdir -p ~/.codex/skills ln -s /path/to/superpowers/skills/* ~/.codex/skills/注意把/path/to/superpowers换成你实际克隆的路径。如果你用的是 Windows可以用命令提示符的管理员模式执行mklink /D来做目录链接或者直接把整个 skills 文件夹复制到对应目录效果相同。配置好之后验证是否加载成功。在 codex CLI 里输入codex command list或者直接起一个新会话问一句“你现在可以使用哪些超级技能”如果 AI 能列出 deep-planning、code-editing、conventions 等名称就说明安装成功了。另一个更精准的验证方式是直接让 AI 执行一个简单的规划任务比如“帮我规划一下给某个函数增加缓存功能的步骤”。如果它能按 deep-planning 的流程先反问你几个需求问题说明技能是真的加载生效了而不只是“看到了文件”。3.3 workbuddy 安装 skill superpowers 的注意事项如果你用的是 workbuddy安装流程稍微有点不同。workbuddy 对 skill 的支持是通过marketplace 或本地导入来做的我更推荐用本地导入。workbuddy 的安装界面上通常有一个“添加 skill”或“导入 skill”的入口你直接选择克隆下来的 superpowers 仓库目录它会自动识别里面的 skill 结构并导入。如果你的版本没有这个入口也可以手动把它仓库里的 skills 目录放到 workbuddy 的工作区自定义技能目录里再重启一下工具就能识别。我这个环境的实际操作中唯一遇到的坑就是路径问题。workbuddy 有时候不认带~符号的路径需要你用完整的绝对路径。比如C:\Users\你的用户名\.workbuddy\skills或者 mac 上的/Users/你的用户名/.workbuddy/skills。放好之后重启 workbuddy然后在对话里输入类似“/skills 列表”这样的命令看能不能列出 superpowers 的技能。这里我额外提一句workbuddy 安装成功后最好在项目的默认设定里写一行“开始每个任务前请先加载 deep-planning 技能”这样能强制每次对话都走规划流程而不是偶尔被模型“跳步”。3.4 trae work cn 安装与验证一次走通的清单式记录trae work cn 是很多国内开发者用得比较多的环境它的技能加载机制和 codex 类似也是通过目录识别。安装过程我总结成了一串清单你照着走就行克隆 superpowers 仓库git clone https://github.com/obra/superpowers.git找到 trae work cn 的技能目录。一般在用户目录下的.trae/skills或者项目目录下的.trae/skills具体以你本机实际路径为准。把仓库中的 skills 文件夹里的内容复制或链接到上述目录。重启 trae work cn确保主进程重新扫描技能目录。新建一个对话输入“使用 deep-planning 技能来规划这个任务给订单模块添加导出功能”。观察 AI 是否会先问澄清问题而不是直接写代码。我在这套流程里有一次卡了很久原因是我把整个 superpowers 仓库直接复制到了 skills 目录导致技能嵌套了一层子目录trae work cn 扫不到。后来改成只复制仓库里skills这个子目录下的内容就正常了。所以这里特别提醒一下复制的是skills目录内的内容而不是superpowers仓库本身。三个环境我都装完之后日常使用体验上没有感觉到明显差异因为底层调用的是同一批技能文件差异主要体现在入口和配置方式上。核心逻辑记住就行让 AI 工具能找到技能目录技能就生效。4. 实战过程我从需求到代码完整跑了一遍 superpowers为了让你更直观地看到这套技能包是怎么工作的我拿自己最近一个真实的小需求来做演示给项目里的用户模块增加一个“批量导出 CSV”的功能。不用复杂的技术栈重点看流程。4.1 第一步AI 开始反问需求而不是先写代码我在 codex CLI 里输入使用 deep-planning 技能我需要给用户模块增加一个批量导出 CSV 的功能。如果没装 superpowersAI 大概率会直接说“好的我来为你添加导出功能”然后哐哐哐写一堆代码。但装完之后它先返回的是几个问题我贴一下我当时收到的提问大意导出范围是支持按条件筛选后的导出还是只支持导出全部用户CSV 文件需要的字段有哪些导出字段和列表展示字段是否一致这个功能需要做权限控制吗比如只允许管理员导出导出的文件是直接在浏览器下载还是先生成到服务器再提供下载链接这四个问题每一个都命中我之前容易忽略的细节。比如我之前做导出经常会遇到超大数据量导出的问题但 AI 提前问了“范围”和“方式”就逼着我把方案想清楚而不是等到代码写一半再返工。4.2 第二步输出了分步实施计划我确认后才动手我逐个回答了问题告诉它支持按条件筛选导出、字段包含姓名/邮箱/注册时间/状态、仅管理员可操作、先写到服务器再提供链接下载。它接着输出了一份实施计划大致是创建导出任务数据表用于记录导出操作的任务状态。新增后端接口/api/admin/users/export接收筛选参数和用户 token。在接口内部先用筛选条件查询用户 ID 列表再批量生成 CSV 文件到临时目录。生成完成后创建一个下载链接记录并返回给前端。前端在用户管理页添加“导出 CSV”按钮调用接口并轮询任务状态。补充单元测试覆盖权限校验、筛选条件、CSV 生成格式三个场景。我对比了一下自己的方案发现它比我原本想象的还多考虑了一层“导出任务表”——因为大数据量导出可能是耗时操作不能同步返回文件必须先建任务异步处理。这个细节在我以前让 AI 直接写代码时它很少主动想到。计划确认后它才开始分步执行。每执行完一步它会停下来汇报“已创建任务表结构下一步创建接口”然后继续。整个过程我可以随时打断、提意见而不是一次性把代码全吐出来让我在长长的对话流里翻找中间的逻辑。4.3 第三步变更清单与测试收尾不拖泥带水全部代码写完后它按 code-editing 的纪律输出了一份变更清单新增文件migration/2025_xxx_add_export_task.py创建导出任务表修改文件controllers/admin/user.py新增导出接口修改文件services/export.py新增 CSV 导出逻辑修改文件frontend/src/pages/UserList.vue新增导出按钮新增测试tests/test_admin_export.py覆盖三个场景我照着这份清单快速 code review发现它把 CSV 的 Excel 兼容处理都想到了——在 BOM 头前面加了\ufeff避免 Excel 打开乱码。这个细节以前我都要自己加注释提醒它这次它主动处理了。整个流程跑下来我最大的感受是AI 的产出质量和“可控感”完全不一样了。它不再是黑盒里冒出一大段代码而是像团队里的一个同事先问清楚需求、给出计划、按部就班地执行、最后交一份清晰的变更说明。5. 常见问题与防坑指南我安装使用中踩过的坑任何工具都不是完美的superpowers 也不例外。我在安装和使用过程中遇到过一些比较典型的问题单独整理出来希望能帮你少走点弯路。5.1 技能加载不生效AI 还是“裸奔”状态这是最常遇到的问题。你已经把技能文件放到对应目录了但 AI 的行为完全没变化还是你问一句它答一段根本不走规划流程。我的排查顺序是这样的第一步确认技能文件路径是否正确目录结构不能多嵌套一层。第二步确认工具的版本是否支持 skills 机制有些旧版本根本不扫描技能目录你放再多文件也没用。第三步看工具是否有独立的技能开关或者命令比如 codex 里有时需要执行codex command list刷新一下。最后还有一个最容易忽略的即使技能加载了模型也可能不走流程因为它把这当成“建议”而非“指令”。解决办法是在项目约定文件里写死一句“执行本项目的任何编程任务前必须先调用 deep-planning 技能没有例外。”用强指令约束模型就会老实很多。5.2 模型忽视频繁提问直接开写有些模型为了追求“效率”会跳过澄清问题直接按默认假设开写。这通常是模型自己的行为偏好superpowers 的技能文件只能引导不能完全控制。这种情况下我会在 codex CLI 的配置里把温度调低一些并把“严格遵循技能流程”写进系统提示词。实测下来像 Claude 和 GPT 系模型在低温度下会更愿意遵循流程而 DeepSeek 等开源模型则需要你在对话里稍微盯紧一点如果发现它跳步了就明确说“按照 deep-planning 的流程重新来”。5.3 自定义技能如何把团队规范做成专属 skillsuperpowers 的魅力在于它不只是别人定义的技能你也可以把自己团队规范做成一个专属技能。我建议你把团队的 Code Review 清单、上线检查列表、部署规范这些内容做成一个team-rules技能放到 skills 目录下内容用 Markdown 写好开头备注触发条件就行。比如我给自己团队写过一个database-review技能内容是要求 AI 在改动数据库表结构前必须列出影响表、索引变更、数据迁移脚本、回滚方案然后再动手。这个技能运行起来比我开十个评审会都管用。做自定义技能的门槛很低会写 Markdown 就会写。核心就是要把“步骤”“要求”“输出格式”写清楚尽量不要留模糊地带。5.4 踩坑后的总结我实际用下来的体会是superpowers 不是“装上就有魔法”的工具它更像是一个流程管理的框架。它的上限取决于你怎么用它如果你只是装完不管AI 还是会偷懒如果你配合项目约定、配合自定义技能、配合流程引导它就能把你的标准执行得很好。另外提一个建议别一开始就把所有技能全部启用很容易造成冲突和混乱。我的做法是先只用 deep-planning等习惯了这个节奏再把 code-editing 加上最后再根据项目情况补自定义技能。循序渐进比一步到位稳得多。如果你也是被 AI 代码“又快又烂”困扰的人我建议你花一个下午把 superpowers 装上别急着让它写业务代码先拿一个小功能跑一遍流程。我敢说你体验过“先规划、再动手、带变更清单”的协作方式之后就很难再回去用那种“一句话生成一百行”的用法了。这套东西目前在 GitHub 上迭代也很快社区还在不断给它的场景加新技能后续能玩出什么花样我挺期待的。