摘要本文从 Superpowers 开源项目出发拆解它背后的「AI 软件开发方法论」如何通过技能Skills、子代理Sub-agents、规则Rules和 Git 工作流让 AI 编码代理不再只是“会写代码的实习生”而是遵循需求澄清、设计拆解、TDD、Code Review 的完整工程流程。文中结合 Python AI 平台 API 示例演示如何把这套思路迁移到任意支持大模型的环境中。一、背景介绍AI 编程的真正瓶颈不在“模型有多强”如果你用过一段时间的 AI 编码工具Claude Code、Cursor、各种 CLI 助手会发现一个共同问题大多数代理的默认行为是“你说需求 → 它马上开始写一大坨代码 → 输出时极度自信 → 后续问题再补丁式修”。这类“快手实习生式”行为会带来几个典型痛点需求理解不清晰导致返工频繁缺乏整体设计代码结构难以扩展没有系统性测试和 TDD 思维对 Git 工作流分支、Worktree支持弱难以融入团队工程实践Superpowers 这个仓库的价值不在于“又一个 Prompt 包”而是把一套可复用的软件工程工作流压缩成一组可移植的 AI 技能 / 规则让任何支持 Skills / Rules / 子代理的 AI 工具都能“被训练”成有流程的工程师。官方 README 已给出了对 Claude Code、Cursor、Codex、Open Code、Gemini CLI 等多环境的集成路径。更重要的是这套方法论与具体模型无关可以迁移到任意 LLM 平台。二、核心原理把工程实践编码成「AI 的操作手册」2.1 Superpowers 的本质可移植的工程行为从视频内容总结Superpowers 试图让 AI 代理遵循这样一套流程在写代码之前开始工作先进行头脑风暴Brainstorm主动澄清需求规格Clarify Spec输出设计草案而不是直接上手 coding分解与规划把需求拆成可消化的小块Design in digestible chunks制定实现计划Implementation Plan规划 Git 分支 / worktree利用工作流工具使用 Git worktree 做隔离开发调度子代理完成子任务Sub-agents严格遵循 Red-Green-Refactor 的 TDD 流程工程化收尾主动请求 Code Review合并、清理分支保持仓库整洁这套行为被封装为 Skills / Rules并通过各工具自身的「技能发现机制」激活对 Codex利用原生 Skills 目录不是 hack而是正规扩展对 Claude Code通过官方插件市场安装任务匹配时自动触发这些技能对 Gemini CLI通过配置和扩展点迁移这套流程对 Verdant把方法论映射到其 Rules、Sub-agents、基于 Git 的 workspace 等原语关键点魔法不在模型本身而在工作流的可复用性。2.2 模型无关 工具无关为什么这很重要今天的 LLM 生态变化极快Claude、GPT、Gemini、各种开源模型轮番迭代。如果你把全部生产力押在“某个模型有多聪明”那么模型更新 → 你的使用习惯 / Prompt 需要重调换平台 → 生产力方法几乎要重来多模型协同 → 不同模型的“性格”导致行为不一致而 Superpowers 提供的是**“可移植的工程习惯”**你可以在不同模型上复用同一套「需求澄清 → 规划 → TDD → Review → Clean Branch」的流程只要工具支持技能 / 规则 / 子代理就能迁移这套方法而不是从零设计三、实战演示在任意 LLM API 上实现「Superpowers 风格」开发代理视频中主要讲的是 IDE / CLI 集成但很多团队是在「自建 LLM 服务」或「统一 API 网关」上做开发。下面用一个最接近实战的场景演示用 Python 薛定猫 AI 平台xuedingmao.com实现一个简化版“Superpowers 风格”的编码代理让它按需求澄清 → 设计拆分 → 计划 → TDD → 代码实现 → 自我 Review 的流程工作。3.1 为什么选择xuedingmao.com从工程视角这个平台有几个特点非常契合 Superpowers 这种“方法论优先”的思路聚合 500 主流大模型包括 GPT-5.4、Claude 4.6、Gemini 3 Pro 等可在同一 API 之上快速做 AB Test新模型实时首发适合持续优化工作流而不被单一模型锁死统一 OpenAI 兼容接口代码层几乎零改动即可在多模型之间切换便于迁移 / 对比不同模型在同一工作流上的表现这样你可以专注“如何让代理遵循工程流程”而不是被各家 SDK 的差异消耗精力。3.2 Python 实战构建一个 “Superpowers 风格”编码代理下面是一个可直接运行的示例假设你已经在 xuedingmao.com 获取了 API Key。importosimportrequestsimportjsonfromtypingimportList,Dict# 基础配置 API_KEYos.getenv(XUEDINGMAO_API_KEY)# 在环境变量中配置你的 keyBASE_URLhttps://xuedingmao.com/v1# OpenAI 兼容模式MODELclaude-sonnet-4-6# 默认使用 Claude 4.6 等价模型defcall_llm(messages:List[Dict])-str: 调用薛定猫 AI 的通用对话接口OpenAI Chat Completion 兼容 :param messages: 聊天消息列表包含 role / content urlf{BASE_URL}/chat/completionsheaders{Authorization:fBearer{API_KEY},Content-Type:application/json,}payload{model:MODEL,messages:messages,temperature:0.2,}resprequests.post(url,headersheaders,datajson.dumps(payload),timeout60)resp.raise_for_status()dataresp.json()returndata[choices][0][message][content]# Superpowers 风格系统提示 SYSTEM_PROMPT 你是一个遵循严谨软件工程流程的 AI 开发代理不是只会写代码的实习生。 在收到需求后你必须严格按照以下步骤工作 1需求澄清Clarify Spec - 主动用条目列出你不确定的点并给出你自己的理解假设。 - 如果用户没有更多说明也要显式写出你采纳了哪些默认假设。 2设计与拆分Design Decomposition - 输出系统设计/模块划分用 Markdown 标题组织。 - 把任务拆成多个小的实现步骤并标注依赖关系。 3实现计划Implementation Plan - 给出一个线性执行计划Step 1, Step 2... 每步说明要改动的文件、函数以及预期行为。 4TDD 流程Red-Green-Refactor - 先说明你打算写哪些测试用例。 - 先给出测试代码Red再给出实现代码Green 最后再考虑是否有必要重构Refactor。 5自我 Code Review - 在最终输出前用列表形式自查 - 需求是否完全覆盖 - 是否有明显的边界情况遗漏 - 是否有潜在的异常/错误处理问题 - 是否有可以简单重构提高可读性的地方 所有输出都要结构清晰便于复制到实际项目中使用。 defsuperpowers_style_dev(user_requirement:str)-str: 使用 Superpowers 风格工作流处理一个开发任务 :param user_requirement: 用户自然语言需求描述 messages[{role:system,content:SYSTEM_PROMPT},{role:user,content:f请按照你的软件工程流程为以下需求编写代码\n\n{user_requirement},},]returncall_llm(messages)if__name____main__:# 示例给代理一个具体开发任务requirement 使用 Python 编写一个命令行工具从指定目录递归扫描所有 .py 文件 统计每个文件的代码行数、空行数和注释行数并以表格形式输出汇总结果。 要求有基础的异常处理和简单的单元测试。 resultsuperpowers_style_dev(requirement)print(result)代码说明对应 Superpowers 方法论SYSTEM_PROMPT用文本把 Superpowers 的核心工作流编码为“行为规范”需求澄清设计与拆分实现计划TDD先测试后实现自我 Code Reviewsuperpowers_style_dev则是一个最薄的“代理壳”仅负责把需求转给模型底层调用的是https://xuedingmao.com/v1/chat/completionsOpenAI 兼容方便后续切换模型例如测试 GPT-5.4、Gemini 3 Pro 在同一工作流下的表现差异在实际项目里你可以沿着这个思路继续演化把设计 / 计划 / 测试 / 实现拆成多次调用配合你自己的 Git 操作脚本实现真正的“AI 驱动工作流”把自我 Review 的部分接入你的 CI静态检查、单元测试报告形成反馈闭环四、实践中的注意事项与工程经验4.1 不要把方法论变成“冗长输出”Superpowers 强调“严谨而不是臃肿”。在工程实践中可以考虑对于简单任务可以只开启「需求澄清 设计 轻量测试」模式将 TDD/Review 的详细程度配置为“等级”按任务复杂度调节对输出结构进行约束例如必须用固定的 Markdown 标题结构方便后续自动解析/脚本处理4.2 与现有工具结合IDE / CLI / Orchestrator从视频中提炼出的几类典型集成方式Claude Code / Cursor通过插件或技能配置即插即用是体验 Superpowers 的最快路径Codex / Open Code / Kilo CLI利用原生 Skills 目录或者复用 Open Code 配置Kilo CLI 作为 Open Code fork兼容性很好适合终端优先用户Verdant把方法论翻译为其自身的 building blocksrules、agents.md、plan.md、Git workspace 等更像是“高阶编排”场景而不是单一代理如果你团队已经有自己的 orchestration 系统比如基于 LangChain、LlamaIndex、或自研 Agent 框架可以借鉴 Verdant 的思路不用逐字照抄 Superpowers 的安装而是把它的“工程纪律”翻译成你系统的规则 / 流程节点。4.3 模型与平台选型把“模型崇拜”变成“多模型对比”由于 Superpowers 方法论本身是模型无关的选择底层平台时应更多从以下角度考虑是否易于切换模型统一接口 / SDK是否能快速体验新模型响应新版本的速度是否稳定且易于监控请求日志、 quota 管理等这也是为什么在示例中使用薛定猫 AIxuedingmao.com通过一个 OpenAI 兼容接口你可以快速对比同一工作流在 GPT-5.4、Claude 4.6、Gemini 3 Pro 等不同模型上的效果从而把精力放在「工作流设计」而不是「对单一模型的微调」上。五、技术资源结合本文内容如果你想进一步实践 Superpowers 风格的 AI 开发流程可以从以下路径入手阅读 Superpowers 官方 README理解其 Skills 设计和针对各工具的安装路径在 Claude Code / Cursor 中试用官方集成感受一下“有流程的代理”与传统“快手实习生”的行为差异在终端里使用 Kilo CLI / Open Code如果你偏好命令行按 Open Code 风格接入 Superpowers 非常顺畅在自研系统中落地方法论参考本文的 Python xuedingmao.com 示例把需求澄清、设计、计划、TDD、Review 等步骤拆成多个 Agent / Workflow 节点平台层推荐薛定猫 AIxuedingmao.com聚合 500 大模型统一 OpenAI 兼容接口适合做多模型 AB Test新模型几乎实时可用便于你在保持工作流不变的前提下验证不同模型对工程流程的执行能力对于需要统一对接多个模型、减少运维成本的团队是一个合理的底层能力选择结语Superpowers 之所以值得被称为“当前最重要的 AI 编码仓库之一”不在于它提供了多少“聪明提示词”而在于它把一套高质量的软件工程流程编码成了可以迁移、可以复用的「代理行为模式」。当我们不再迷信“某个模型有多聪明”而是认真对待「AI 也需要工程纪律」时AI 编码工具才会从“炫技玩具”真正变成“可依赖的团队成员”。#AI #大模型 #Python #机器学习 #技术实战