★ FEATURED ARTICLE 1. AI编程越帮越忙屎山的真面目和代价1.1 先给屎山画个像我见过太多团队代码量蹭蹭涨程序员却没觉得自己变轻松。Git提交记录密密麻麻可每次改个需求心里都打鼓这次会碰坏哪个模块编译过了不代表没事跑起来才是真的吓人。这种状态行内话叫屎山。它不是一个严谨的技术词汇却精准击中每个开发者的痛点代码能跑但谁也说不清它为什么能跑业务逻辑越压越多可注释和文档比濒危物种还稀罕新增一个字段要翻遍六个文件才能确定有没有漏删一个废弃接口得祈祷没有幽灵调用在背后等着。屎山不是一天堆起来的。它的典型特征包括重复代码四处蔓延同一个校验逻辑在controller、service、util里各写一遍函数长得像老太太的裹脚布几百行不带换气命名随心所欲data1、temp2、handleIt满天飞魔法数字散落各处没人知道86400是超时时间还是缓存周期最要命的是没有测试兜底改一行代码全靠肉眼排查和祷告。1.2 AI生成代码的三个原罪大模型编程助手普及之后屎山问题不但没缓解反而有了新的加速器。我半开玩笑地说过AI编程把堆屎的效率提升了十倍。第一个原罪是上下文失忆。大语言模型天生没有持久记忆每次对话窗口一关它就把这个项目的前因后果忘得干干净净。你上午让它定义了一套订单状态的枚举下午问它为什么这里要判断status 5它一脸无辜甚至会给出一个和上午完全矛盾的方案。代码库对AI来说永远是初见它不可能像资深程序员那样凭职业直觉维护一致性。第二个原罪是局部优化。AI最擅长的是给定眼前问题产出局部解法。你问它这个函数性能不行怎么办它就盯着这个函数优化完全不管调用方的契约也不管隔壁模块有没有同样的问题。这种头痛医头的修法短期爽快长期就是在给系统埋雷。第三个原罪是幻觉式自信。AI生成的代码语法上常常无可挑剔逻辑上却可能引用一个根本不存在的API、漏掉一个关键的异常分支、对并发场景想当然。它不会像人一样说这块我不确定它只会用非常笃定的语气输出一段看似严谨、实则危险的代码。开发新手拿到这种代码审查能力跟不上真就敢往主干上推。1.3 开发者亲手把AI喂成屎山推土机说句公道话屎山加速器最大的操作者还是人自己。我见过太多团队把AI编程工具当成了免检代码供应商。代码评审时看到AI生成的一坨改动心里想的是反正它写的凑合能跑就行于是直接Accept All。提示词也写得极其敷衍就一句帮我优化下这段代码——没有背景说明没有约束条件没有验收标准。AI在信息真空里只能自由发挥而你拿到手的自然也就是一份自由过头的代码。还有个现象叫AI屎山循环发现AI写的代码有问题开发者懒得去改底层逻辑加一个if判断把异常绕过下次AI看到这段绕过代码以为这就是业务规则继续在此基础上叠加新的补丁。两层、三层改造越叠越厚最终连亲妈都认不出这块逻辑想干什么。1.4 乱账的经济账屎山是有真实成本的。最直观的是迭代速度需求排期从三天变成五天再从五天变成一周因为工程师大量的时间不是写新功能而是和旧代码搏斗。第二是团队摩擦新人接手老模块光读懂前任的思路就要半个月问老同事吧人家也忘了三个月前为什么这么写。第三是故障风险没有测试覆盖的屎山代码每一次发布都像在拆炸弹指不定哪个用户量大的夜里线上就给你炸出个大新闻。这些代价加起来足以让一个创业公司的技术负责人夜不能寐。也正因为痛才需要想办法解决。而Superpowers这个项目正是冲着这个痛点来的。2. 8万星标背后Superpowers到底是在解决什么问题2.1 它从哪里来Superpowers是GitHub上一个现象级的开源项目star数一路冲到8万级别在AI编程领域引发了不小的震动。它的背后是Workbrew团队这个团队之前做过Claude Code相关的工具链对AI编程助手的短板有相当深入的理解。Superpowers的定位非常清晰它不是又一个AI代码生成器而是一套让AI编程助手具备工程化职业素养的技能包和工作流框架。它最早是围绕Claude Code打造的一套外围增强体系通过给AI配置结构化的技能插件、子智能体管理机制、记忆沉淀规则把原本一问一答的AI变成了会规划、会记忆、会分工的虚拟团队成员。为什么它能在开源社区快速引爆我理解是它踩中了两个时机一是Claude Code这类终端式AI编程工具逐渐成熟开发者已经不满足于聊天补全代码开始追求更深度的工程化落地二是大家对AI生成的代码质量失控普遍焦虑急需一套能管住AI的约束框架。Superpowers恰好提供了一种可落地、可复制、可扩展的范式。2.2 不是再给你一个会写代码的嘴而是给AI装上项目管理脑如果你把Superpowers理解成能让AI写得更快那就太小看它了。它的核心价值在于让AI从单次对话工具升级为可持续的项目参与者。普通AI编程工具的工作方式本质上还是你说一句它答一句。它不知道项目背景不记得昨天的决策不考虑下个月的演进方向。Superpowers则试图扭转这件事它要求AI在动手前先规划把大的目标拆解成可验证的子任务它要求AI做决策时留下record把为什么这么写沉淀下来它还允许你给AI定义多个角色子智能体让不同的AI分身分别承担规划、编码、审查、测试等职责模拟一个真实团队的分工协作。这一套下来AI就不再是一个只会敲代码的手而是一个有章法、有记忆、有协作能力的虚拟同事。它对告别屎山的意义正在于此代码质量问题的根源往往不在编码技巧而在过程管理。Superpowers做的恰恰是给AI编程加上过程管理。2.3 和主流AI编程工具摆在一起看为了把Superpowers的定位说清楚我把它和几款主流AI编程工具有个对比工具/方案主要形态核心能力短板Superpowers的关系CursorIDE插件/编辑器代码补全、对话修改、跨文件编辑上下文仍受限缺乏项目级记忆可以借鉴其交互方式但Superpowers强在流程层GitHub CopilotIDE插件智能补全、简单代码生成偏向写代码缺少规划与审查两者互补Copilot管写Superpowers管怎么写得规范Claude Code原生终端工具自然语言编程、文件级操作记忆短暂、任务一多就失控Superpowers是它的增强外挂补上记忆和分工SuperpowersClaude Code技能包工作流规划、记忆、子智能体、技能扩展配置门槛中等依赖Claude Code生态本篇文章主角这个对比看起来Superpowers做的事情更像是一个项目经理架构师测试负责人的外部脑力补充。它不直接生产代码却通过规范和流程让代码生产变得更可控。2.4 一句话概括它的价值如果要用一句话来概括Superpowers的出发点是不再信任AI的单次发挥而是通过可重复、可约束、可积累的工作流把AI编程从即兴表演推向工程生产。这句话看着简单背后其实撬动了一个关键认知AI编程的质量上限很大程度上取决于你给AI搭建的工作环境。Superpowers就是那个环境。明白了这一点后面拆解它的三大支柱时就顺理成章了。3. 拆开看Superpowers的三大支柱规划、记忆、分工3.1 规划写代码前先逼AI交出一份作战计划Superpowers最典型的实践是要求AI在正式动工之前先产出一份结构化的任务规划。这个规划不是敷衍的我将分三步完成而是带着验收标准、风险点、依赖关系的完整文档。举个例子。你让AI给一个订单模块增加运费险功能。普通AI会直接开写改这个文件、新增那个类一气呵成。Superpowers模式下的AI会先做需求澄清运费险是下单时选择还是售后触发赔付金额上限是多少是否对接外部保险公司如果这些问题你没回答它会主动给出假设并标注风险。然后它会拆解任务数据模型变更、接口开发、前端状态管理、单元测试用例、在线文档更新每一步都对应一个可验证的里程碑。这在工程上意味着什么意味着可审查。代码评审时不再是面对一大坨diff无从下手而是按规划逐项核对这一步的代码实现对应哪条任务验收标准是否满足偏差出现在哪里屎山最怕的就是不清不楚而规划机制天然把清楚变成了强制要求。我在实际试用的感受是Superpowers的规划能力不像是一个提示词模板的效果更像是一套思考脚手架。它会把问题拆解的维度固化成模板——背景、目标、非目标、约束条件、涉及模块、测试策略、风险预案。AI被这些维度逼着走了一圈产出的方案深度明显高于凭感觉直接生成。3.2 记忆让AI不再是鱼的记忆Superpowers在记忆层面的设计是我认为最值钱的部分。它的记忆系统不是简单的把对话存下来而是结构化、分层级的项目知识沉淀。一种是会话日志。每次AI执行的完整过程包括用户需求、AI的规划、最终生成的代码、改动涉及的文件都会被记录到项目本地的日志里。下次新的会话启动时AI可以读取这些日志快速重建对项目的理解。这个能力解决了最要命的AI每次都是第一次的问题。另一种是决策日志。这个更接近工程实践里的ADR架构决策记录。当AI在某次开发中做了一个关键的技术选型例如订单金额用decimal而非float存储、缓存策略选择Redis的string结构而非hash它会主动记录下原因和考虑过的替代方案。若干周后如果有人追问当初为什么这么设计不光是人哪怕是AI自己也能从决策日志里给出有依据的回答。这个特性对告别屎山的意义是决定性的——屎山的核心成因之一就是代码没有记录为什么。决策日志等于给代码库装了一本预防性病历,记录每次手术的前因后果后续维护就有了依据。在我个人看来这个机制甚至比代码注释还重要因为注释只能解释这一段是干什么决策日志解释的却是整个项目为什么长成现在这个样子。3.3 分工用子智能体模拟团队作战第三大支柱是子智能体体系。Superpowers允许你创建多个专职的AI角色每个角色有自己的职责说明书和行动准则。常见的典型配置包括规划智能体负责任务拆解和方案设计输出结构化计划。编码智能体按计划执行代码编写专注于实现细节。审查智能体检查代码风格、潜在缺陷、测试覆盖扮演严格Code Reviewer角色。测试智能体编写和运行测试用例验证功能正确性。重构智能体专门识别重复代码、过长函数等坏味道负责局部优化。这些子智能体之间不是简单的前后序关系而是可以形成循环。比如编码智能体写完代码审查智能体提出修改意见编码智能体再调整调整完测试智能体跑测试发现问题再打回。这套流程和真实团队的开发-审查-测试迭代如出一辙。我还发现一个细节子智能体的定义文件本质上是一份提示词规范的复合体它不只是告诉AI你要审查代码还定义了审查的具体维度、输出的报告格式、甚至临界值的判断规则。这意味着团队的审查标准可以被显式编码而不是依赖每个工程师的个人自觉。这种把工程规范代码化的思路对规模化协作来说价值非凡。3.4 技能包生态优秀工作流变成可安装的插件Superpowers的第四个机制是技能包。简单说它允许你把一系列提示词、规范、子智能体定义、工作流脚本打包作为可复用的技能安装包。官方提供了一套核心技能包社区也在不断扩展。别人验证过的优秀实践——比如前端重构指南API设计规范TypeScript迁移检查清单——你直接装上就能用不用自己摸索。这个生态思路很像开源世界的库和框架关系库给你能力框架给你纪律。Superpowers的技能包体系倾向于后者。它让工程化协作的经验可以复制团队的优秀实践不会因为某个人离职而流失而是沉淀为技能包被永久保存、持续迭代。对于希望在公司内部推广AI编程工程化的团队来说这几乎是量身定做的机制。这一节拆完三大支柱的轮廓已经很清楚了规划负责想清楚记忆负责记得住分工负责管得住技能包负责传得开。这四件事合起来正是一套工程化协作的基本盘。4. 实操视角Superpowers落地后的工程化协作闭环4.1 安装和初始化的那些坑理论说得再多落地才有说服力。Superpowers的安装过程如果之前没有接触过Claude Code生态第一次上手可能会踩几个坑。我把关键步骤理了一下。前置条件通常是本机已经安装了Claude Code并完成账号登录Node.js环境版本要达标本地代码项目初始化过Git仓库。这三个条件是基础缺一个都会在后续步骤中报出莫名其妙的错。安装Superpowers本身在Linux/macOS上通常是一段命令行脚本搞定Windows环境需要借助兼容层。装完之后它会往你的项目目录里写入一组配置文件包括技能定义、子智能体角色、日志目录结构等。我第一次安装时遇到的坑是技能包没有生效。排查后发现是项目根目录的识别问题——Superpowers会读取当前工作目录下的配置但你如果在一个子目录里启动Claude Code它可能根本加载不到技能包。这个问题的解法很简单一定要在项目根目录启动。还有一个容易忽略的点Claude Code的版本更新频繁而Superpowers技能包有时会跟新版本存在兼容性缝隙。建议安装后先跑一个自带的示例任务验证环境不要直接拿生产需求做试验。4.2 一次完整的告别屎山重构演练我还是拿一个具体的场景来讲。假设有一个老模块需求方要求新增一个批量导出订单功能。传统AI编程模式下AI大概率会直接写一个导出方法用循环查数据库、拼Excel跑完拉倒。而Superpowers模式下完整流程会分成七个阶段规划阶段规划智能体读取项目记忆库理解现有订单模块的数据结构、已有导出工具类、接口风格约定输出一份改造计划涉及改动文件清单全部列出。方案评审主智能体把方案呈现给你你要确认几个关键决策点——比如大数据量是否走异步任务、文件格式兼容性要求、权限校验放在哪一层。你的回答会进入决策日志。编码执行编码智能体按方案动手。它不会一上来就写全部代码而是分步骤提交每一步都在日志里注明改动理由。自测验证测试智能体补上单元测试用例覆盖空数据、超大数据量、权限不足等边界场景。代码审查审查智能体按团队预设的规范检查——命名是否清晰、是否有重复逻辑、是否遵循现有分层架构、有没有破坏其他模块的依赖关系。缺陷修复如果审查发现问题流程会回退到编码阶段带着审查意见进行修改再重新走验证。这个循环直到审查通过为止。记忆沉淀所有关键决策、踩坑记录、验收结果写入项目记忆库供未来AI和新同事参考。这七个阶段走下来最直观的感受是有章法。你不会看到一个AI在那自由发挥而是看到它在一条纪律严明的流水线上工作。最终提交的代码质量未必比资深工程师手写的高多少但它的过程可追溯、决策有记录、结果可验证这正是工程化协作追求的东西。4.3 团队级协作的正确姿势个人用了顺手团队推广就是另一回事了。我有几点实践体会。第一技能包要纳入版本管理。Superpowers的技能包文件应该放进Git仓库里统一版本管理。团队成员拉下代码时技能包自动到位避免每个人本地装一套、版本五花八门的乱象。技能包的改进通过Pull Request流程走和普通代码一样接受评审。第二记忆库的维护要有专人负责。我见过不少团队装了Superpowers但跑一段时间后发现AI记忆越来越乱。原因在于记忆库不是自动长出来的需要有人定期清理、整理标签、归档过期决策。建议指定一个技术负责人兼任知识管理员每周抽时间合并、去重、修订记忆内容。第三vscode/JetBrains等IDE配合使用体验更佳。Superpowers底层依赖Claude Code的终端交互能力但平时的代码浏览、断点调试还得靠IDE。我个人的习惯是IDE负责看代码和调试Superpowers的终端会话负责规划、重构、批量编辑两边通过文件系统共享项目上下文。这种双屏工作流用习惯了效率很高。第四明确人机边界。Superpowers可以让AI干很多活但不是所有活都适合交给它。涉及敏感账务逻辑、核心架构调整、依赖升级这类高风险的改动建议以人为主导AI负责辅助分析和方案推演而不是反过来。谁来决策、谁来执行这个边界要在实践里不断校准形成团队共识。4.4 从工具到制度的延伸Superpowers真正迷人的地方是它给你提供了一套把工程文化制度化的抓手。以前团队提倡写代码要写注释要做代码审查重大决策要记录,这些靠的是人的自觉很难落地。现在你把这些要求部署进Superpowers的技能包里AI会默认执行。你等于给自己配了一个纪律监督员而且这个监督员不知疲倦、只有三条命——错了就去改改了还错就继续改永远不会因为情绪撂挑子。我们团队在实际运营中已经把Superpowers的规划-记忆-分工模式反向移植到了纯人工协作流程人工开发也要先写任务分解再动工、解重大的决定要在文档里留决策记录。工具是入口制度是延伸这种方式对整个团队工程素养的提升是肉眼可见的。5. 冷静侧写Superpowers的边界、软肋与适用人群5.1 它不是万能药上限在哪里吹完优点还是要泼几盆冷水。Superpowers确实大大改善了AI编程的过程质量但离告别所有屎山还有相当的距离。第一它解决不了架构层面的问题。如果现有系统的分层本身就是混乱的模块边界本身就是错误的Superpowers也无力回天。它会让在错误架构上做微小改动变得更规范但不会帮你重塑整体设计。真正的大规模架构演进仍然需要资深技术负责人来主导。第二它依赖代码库本身的可读性。AI规划得再好也得先读懂现有代码。如果老代码烂到不可直视、模块间耦合如同蜘蛛网、没有测试、没有文档AI的规划能力也要打折扣。Superpowers可以防止新屎但对清理老屎的能力是有限的。第三它的质量上限受限于底层模型能力。规划、审查、子智能体的判断最终都建立在大模型的推理能力基础上。模型本身理解不到位规划再漂亮也可能是纸上谈兵。所以别指望一套技能包能把笨模型变聪明。5.2 你以为的优点可能是坑还有几个地方在实践中容易被过度乐观。记忆库如果无人维护会从资产变成债务——失去时效性的决策记录、过期的模块说明反而会误导AI。规划流程如果被滥用什么小功能都要先写一份长篇方案效率不升反降AI变成了PPT工程师。子智能体的分工协作如果配置不当还会出现任务在编码和审查之间反复横跳、迟迟收不了口的死循环。另外学习曲线是真实的。团队里如果有成员对CLI操作不熟、不习惯看终端输出第一次用Superpowers会觉得破终端有什么好玩的。这个东西的价值要建立在一定使用门槛之上不是开箱即爽的工具。5.3 到底谁该用、谁可以再等等那什么样的团队适合引入Superpowers我给出一个参考坐标适合用的团队团队规模5人以上代码库有一定复杂度版本管理和代码评审制度已经比较成熟有明确的技术负责人愿意维护技能包和记忆库团队成员对CLI工具不排斥。可以先等等的团队一个人单干的小项目、纯框架学习、经常废弃的试验性代码、团队尚无基本工程规范连代码评审都没有的队伍。这种情况下Superpowers属于杀鸡用牛刀更核心的问题是把基础工程习惯先立起来。明确不适合的团队对AI输出结果没有验收能力、完全指望AI独立交付的生产项目。工具再强也替代不了人的判断这一点一定要清醒。5.4 后续观察Superpowers的火反映了AI编程从能用走向好用的一个必经阶段大家在意的重心已经从AI会不会写代码变成了AI能不能按工程规范把代码写好。这是行业走向成熟的标志。未来这类AI工作流框架大概率会越来越多Superpowers也许未必是最后赢家但它把工程化协作这个话题引爆了贡献就已经足够。我个人的判断是短期内的演进方向会集中在三块更强的自动上下文理解能力让AI不用手动读日志也能跟上项目状态更聪明的子智能体任务调度减少循环空转以及更细粒度的记忆淘汰机制让记忆库自动去重、自动过期减少人工维护成本。最后聊一点个人体会。我接触Superpowers有一段时间了最大的感受不是说它让AI变聪明了多少而是它提醒了我一件事AI编程的下半场拼的不是模型的智商而是工程化约束的密度。约束不是限制约束是保护。一个在清晰规则下工作的AI产出的不是最惊艳的代码却是最靠谱的代码——而这正是告别屎山真正需要的东西。如果你也被AI生成的代码质量困扰过不妨装上Superpowers跑一个周末把之前一个半吊子模块交给它重构一次。多数情况下你会第一次觉得AI写代码居然真的有点团队味道了。
阅读完成 · 觉得有帮助？
