Claude Code Superpowers -“让 AI 像资深工程师一样工作,而不是像只会写代码的实习生。”‌

Claude Code Superpowers -“让 AI 像资深工程师一样工作,而不是像只会写代码的实习生。”‌

1、什么是Superpowers

Superpowers不是独立工具,是Claude Code的插件系统。 装上之后,Claude Code会自动多出一套”技能树”:

brainstorming:帮你理清需求再动手,不是瞎写

test-driven-development:强制TDD流程,先写测试

systematic-debugging:4步调试法,找根因

writing-plans:把需求拆成2-5分钟的小任务

subagent-driven-development:子代理流水线干活

核心就一句话:让AI不要瞎搞,按照专业开发流程来。

2、核心价值

“让 AI 像资深工程师一样工作,而不是像只会写代码的实习生。”‌ 它认为,AI 编程的主要问题不是“不会写”,而是“没有流程”。它通过一套可组合的“技能”(Skills),将传统开发中容易被跳过的关键环节变成不可绕过的自动化节点,从而解决 AI 编程中常见的“方向跑偏”、“忽略测试”、“代码质量不稳定”等问题。

其核心价值体现在:

  • 强制测试驱动开发 (TDD)‌:严格执行“红-绿-重构”循环,先写测试用例,再写实现代码,单元测试覆盖率可稳定维持在 80% 以上。
  • 结构化需求澄清‌:通过“苏格拉底式”多轮提问,将模糊的需求转化为清晰、可验证的设计文档。
  • 任务原子化与并行执行‌:将大型开发任务拆解为多个 2-5 分钟内可完成、可验证的原子任务,并由独立的“子代理”(Sub-agent)并行执行与审查。
  • 自动化质量门禁‌:在关键节点(如代码提交前)自动触发代码审查和测试验证,未通过则阻断流程,确保“验证后再宣布成功”。

3、工作流程

Superpowers 将一个完整的开发周期划分为以下几个强制阶段:

  1. 头脑风暴 (Brainstorming)‌:当你提出一个功能需求(如“我想做一个用户登录”)时,Superpowers 会自动触发。AI 不会直接写代码,而是像一位经验丰富的架构师一样,通过多轮提问,帮你厘清需求边界、技术选型(JWT 还是 Session?)、非目标和验收标准,并生成一份结构化的设计文档。
  2. 工作区隔离 (Using Git Worktrees)‌:设计确认后,Superpowers 会自动为你创建一个独立的 Git 分支和工作树(Worktree),确保你的开发环境与主分支完全隔离,避免污染项目主干。
  3. 编写计划 (Writing Plans)‌:AI 会将设计文档拆解为一系列详细的、原子级的任务清单。每个任务都精确到需要修改的文件路径、预期的代码片段以及如何验证该任务是否完成(例如:“修改 src/utils/validation.js 第 42 行,插入邮箱正则表达式,并运行 npm test -- --testPathPattern=validation.test.js”)。
  4. 子代理开发 (Subagent-Driven Development)‌:Superpowers 会派遣多个独立的“子代理”来并行执行这些原子任务。每个子代理在完成任务后,会进行‌两阶段审查‌:第一阶段检查是否 100% 符合计划规范,第二阶段评估代码质量(如圈复杂度、无硬编码、覆盖率提升等)。
  5. 系统化调试与验证 (Systematic Debugging & Verification)‌:在开发过程中,AI 会主动使用系统化的调试方法定位问题。在所有任务完成后,会自动运行所有测试用例进行最终验证,确保功能稳定。
  6. 代码审查与交付 (Code Review & Ship)‌:最终,Superpowers 会生成一份完整的审查报告,提供“合并”、“创建 Pull Request”、“保留分支”或“丢弃”等选项,完成标准化的交付流程。

4、技能介绍

4.1、核心工作流技能

这些技能构成了 Superpowers 的主干流程,通常按顺序自动触发:

  1. 头脑风暴 (brainstorming)‌:在编写任何代码之前激活。AI 会通过一系列深入的“苏格拉底式”提问,帮助你澄清需求、探索技术方案、定义目标与非目标,并生成一份结构化的设计文档,确保双方理解一致。‌12
  2. 编写计划 (writing-plans)‌:在设计方案获得确认后激活。AI 会将整个功能拆解为一系列独立、可执行的小任务(每个任务目标为 2-5 分钟内完成),并为每个任务指定精确的文件路径、代码变更内容和验证步骤。‌12
  3. 执行计划 (execute-plan / executing-plans)‌:根据“编写计划”生成的任务清单,AI 会启动子代理(subagents)来逐个执行任务。每个任务完成后,系统会自动进行审查,确保符合规格。‌12
  4. 使用 Git 工作树 (using-git-worktrees)‌:在设计方案通过后激活。AI 会自动创建一个独立的 Git 分支和工作区进行开发,确保主分支的稳定性,开发完成后可选择合并、创建 PR 或丢弃。‌

4.2、质量保证技能

这些技能确保代码的高质量和可靠性,是流程中的关键检查点:

  1. 测试驱动开发 (test-driven-development, TDD)‌:在实施阶段强制激活。AI 必须遵循“红-绿-重构”循环:先编写一个会失败的测试用例(红),然后编写最少量的代码使测试通过(绿),最后进行重构以优化代码结构,同时确保测试仍能通过。‌12
  2. 系统化调试 (systematic-debugging)‌:当遇到问题时激活。提供一套四步法(如基于条件的等待、根因追踪、防御性编程)来系统性地定位问题根源,而非依靠猜测。‌16
  3. 请求代码审查 (requesting-code-review)‌:在任务执行期间或完成后自动触发。AI 会对照计划和最佳实践,从功能、质量、安全、性能等多个维度进行自我审查,关键问题会阻塞流程。‌23
  4. 完成开发分支 (finishing-a-development-branch)‌:在所有任务完成后激活。AI 会验证所有测试是否通过,提供选项(合并到主分支、创建拉取请求、保留分支或丢弃),并清理工作环境。‌2

4.3、其他相关技能

  • 子代理驱动开发 (subagent-driven-development)‌:这是“执行计划”技能背后的机制,指为每个小任务分配一个独立的子代理来执行,避免上下文污染,实现并行处理和双重审查。‌26
  • 验证前完成 (verification-before-completion)‌:这是一个核心理念,强调在宣布任务完成前,必须有明确的验证证据(如测试通过日志),而非仅凭 AI 的口头保证

5、Git地址

6、安装步骤

第一步安装: /plugin marketplace add obra/superpowers-marketplace /plugin install superpowers@superpowers-marketplace /plugin update superpowers

如果网络原因安装失败:手动下载 ZIP,将 skills/ 目录复制到 ~/.claude/skills/,技能仍会自动触发 



第二步验证:/help

你应该看到这三个命令,这是技能触发的标志 /superpowers:brainstorm – 交互式需求精炼/superpowers:write-plan – 生成实施计划/superpowers:execute-plan – 批量执行计划

备注:

brainstorm(头脑风暴):写代码前,AI会问你一堆问题,把需求搞清楚,避免理解偏差

write-plan(写计划):把需求拆成具体小任务,每个任务2-5分钟能完成

execute-plan(执行计划):按照任务清单逐个完成,边做边验证

subagent-driven-development (执行包含独立任务的实施计划):在当前会话中执行包含独立任务的实施计划时使用

using-superpowers(使用superpowers技能

7、案例【注册功能】

7.1、执行 Brainstorming 会话(头脑风暴)

/superpowers:brainstorm


然后输入这段提示词

我要根据这张设计图开发注册功能。

【设计图描述】
1. 布局结构:
   - 左右分栏,左侧是品牌展示区(渐变背景+产品名称+欢迎语)
   - 右侧是表单区,白色卡片,圆角24px,内边距32px
   - 移动端:768px以下堆叠,左侧缩短为顶部横幅

2. 表单字段(从上到下):
   - 昵称:输入框,占位符“请输入昵称”,非必填
   - 邮箱:输入框,占位符“[email protected]”,必填,需验证格式
   - 密码:输入框,占位符“至少8位”,必填,右侧有眼睛图标切换显示/隐藏
   - 确认密码:输入框,占位符“再次输入密码”,必填,需与密码一致
   - 注册按钮:宽度100%,高度48px,渐变背景色(#6366F1 → #8B5CF6),悬停加深
   - 已有账号?登录(链接跳转)

3. 视觉规范:
   - 主色:#6366F1(靛蓝),辅色:#F59E0B(琥珀)
   - 字体:标题 Inter Bold 28px,正文 Inter Regular 16px
   - 错误提示:红色(#EF4444),12px,显示在输入框下方
   - 输入框聚焦:边框变为主色,加外发光

4. 交互状态:
   - 注册按钮有点击loading效果(旋转加载图标)
   - 密码可见性切换
   - 表单提交前实时验证
   - 提交失败保留已填信息

5. 技术栈要求:
   - Next.js 14 (App Router)
   - Tailwind CSS
   - React Hook Form + Zod
   - 无需对接真实后端,模拟API响应即可

请开始你的 Brainstorming 流程。

你发送后,AI不会直接写代码,而是逐条提问确认

AI

我已理解注册页面的设计需求。在开始规划前,我想确认几个细节:

问题1:密码复杂度规则
设计图只标注“至少8位”,是否还需要包含字母+数字组合?这是常见的增强安全方案。

A) 仅长度8+,无其他限制
B) 至少1个字母 + 1个数字
C) 大小写字母+数字+特殊字符

问题2:邮箱验证
您希望实时验证(每输入一次字符都校验),还是失焦(blur)时验证?

A) 失焦时验证
B) 实时验证
C) 仅提交时验证

问题3:模拟API
注册成功/失败的模拟逻辑需要:成功:返回 { success: true, message: "注册成功" }失败:假设什么条件?例如“邮箱已被注册”

A) 邮箱为 [email protected] 时模拟失败
B) 密码为 12345678 时模拟失败
C) 随机失败(50%概率)

你只需要回复(选择题式确认,极省时间):

B, A, A

此时,设计图已完整“翻译”成结构化需求。
AI 会自动生成 docs/plans/YYYY-MM-DD-register-design.md 

7.2、生成实施计划

/superpowers:write-plan

AI 会自动输出一份任务清单(这是关键产出,每个任务都可测试、可验证

📋 注册页面实施计划(共8个任务,总预估45分钟)

【Task 1】项目初始化与依赖安装
文件路径:
- Create: package.json(如不存在)
- Modify: tailwind.config.js
执行步骤:
1. 安装依赖:npm install react-hook-form zod @hookform/resolvers
2. 配置 Tailwind 主题色(添加 design tokens)
验证:npm run dev 正常启动,无报错

【Task 2】注册表单 UI 组件(静态结构)
文件路径:
- Create: src/app/register/page.tsx
- Create: src/components/register/RegisterForm.tsx
执行步骤:
1. 实现左右分栏布局(响应式)
2. 实现所有输入框 + 按钮(无交互)
验证:访问 /register 能看到与设计图一致的结构

【Task 3】表单验证 Schema (Zod)
文件路径:
- Create: src/lib/validations/auth.ts
执行步骤:
1. 定义 RegisterSchema(邮箱格式、密码8位+字母数字、确认密码匹配)
2. 导出 TypeScript 类型
验证:编写临时测试文件验证 schema 行为

【Task 4】集成 React Hook Form + 实时验证
文件路径:
- Modify: src/components/register/RegisterForm.tsx
执行步骤:
1. 引入 useForm + zodResolver
2. 绑定各输入框到 form 状态
3. 实现失焦验证、错误信息展示
验证:输入无效数据,下方显示红色错误文案

【Task 5】密码可见性切换
文件路径:
- Modify: src/components/register/RegisterForm.tsx
执行步骤:
1. 添加 useState 控制 password 和 confirmPassword 的 type
2. 添加眼睛图标(SVG / Heroicons)
验证:点击眼睛图标,密码明文/密文切换

【Task 6】注册按钮 loading 状态
文件路径:
- Modify: src/components/register/RegisterForm.tsx
执行步骤:
1. 添加 isSubmitting 状态
2. 提交时按钮文字变为“注册中...” + 旋转动画
3. 禁用重复提交
验证:点击提交,按钮状态变化

【Task 7】模拟 API 交互
文件路径:
- Create: src/app/api/register/route.ts
- Modify: src/components/register/RegisterForm.tsx
执行步骤:
1. 创建模拟 POST 接口,延迟 1.5s 响应
2. 邮箱为 [email protected] 时返回 409 冲突
3. 前端处理成功/失败提示
验证:提交 [email protected] 看到错误提示

【Task 8】端到端验证
执行步骤:
1. 完整跑通注册流程(成功/失败)
2. 检查无障碍(ARIA labels)
验证:无控制台报错,所有功能符合设计图

你的操作:看一眼,没问题 → 输入 plan confirmed, proceed

7.3、子代理驱动开发:自动派工+双审查

/superpowers:executing-plans

加载技能成果后,会进行计划审查

执行 docs/plans/2026-02-13-register-form.md 中的实施计划

AI 会为每个任务创建一个全新的子代理,互不干扰,每个任务都遵循 TDD 工作流

7.4、最终验收:设计图 vs 实现

/verify

AI 会:

  1. 启动开发服务器
  2. 逐项比对设计图描述(你最初输入的5大类需求)
  3. 输出符合度清单
✅ 布局结构: 左右分栏 + 移动端堆叠 ✓
✅ 表单字段: 全部存在,顺序一致 ✓
✅ 视觉规范: 主色 #6366F1,错误红 #EF4444 ✓
✅ 交互状态: 
   - 密码可见切换 ✓
   - 加载按钮 ✓
   - 失焦验证 ✓
✅ 模拟API: 按约定返回成功/失败 ✓
✅ 无障碍: 表单区域均有 aria-label ✓

⚠️ 差异项:
   - 设计图中“已有账号?登录”为右侧对齐,目前是左对齐
     建议修复: 添加 `text-right` 类

是否自动修复?(Y/n)

输入 Y,AI 直接改代码,二次验证通过。

7.4、完整流程复盘

你真正做的

  • 描述了设计图
  • 选了3个选项
  • 看了几眼任务清单
  • 最后点了“自动修复”

AI 全程遵循强制流程,没有一步“偷跑”写代码

Read more

FPGA实现高效FFT/IFFT变换:IP核优化与Verilog测试验证

1. FFT与FPGA的完美结合 在数字信号处理领域,快速傅里叶变换(FFT)就像是一把瑞士军刀,能够将时域信号快速转换到频域进行分析。而FPGA凭借其并行计算能力和可编程特性,成为实现FFT算法的理想平台。我曾在多个无线通信项目中采用FPGA实现FFT/IFFT处理,实测下来发现相比DSP处理器,FPGA方案在实时性方面能提升3-5倍性能。 FFT IP核是FPGA厂商提供的预封装模块,相当于一个"黑盒子",开发者只需要配置参数就能直接使用。Xilinx的FFT IP核支持从64点到65536点的变换规模,吞吐量最高可达400MS/s。记得我第一次使用时,仅用半小时就完成了256点FFT的配置,比从零编写Verilog代码节省了至少两周时间。 2. FFT IP核的配置技巧 2.1 关键参数设置 在Vivado中配置FFT IP核时,这几个参数需要特别注意: * 变换长度:根据信号带宽选择,常见256/512/1024点 * 数据精度:16位定点数适合大多数应用,高精度场景可用24位 * 架构选择:流水线架构(Pipelined)适合高速应用,突发架构(Burst

机器人、机械臂能听话,全靠这门被低估的神技:逆动力学

🧱 逆动力学核心概念与本质 逆动力学是已知机器人末端执行器的运动轨迹,求解各关节所需驱动力矩的过程,是机器人运动控制的关键技术之一。其技术本质是在复杂多体系统中解决"运动输入-动力学建模-力矩输出"的映射问题,为机器人的精准运动控制提供理论基础。 🔍 逆动力学核心算法原理 🔹 牛顿-欧拉法(Newton-Euler) * 核心思想:递归计算每个连杆的动力学信息,从末端执行器回溯到基座(正递归),再从基座计算到末端执行器(逆递归) * 优势:计算效率高,适合实时控制场景 * 适用场景:工业机器人、机械臂等多自由度运动系统 * 关键公式: * 正递归:计算各连杆的速度、加速度和惯性力 * 逆递归:计算各关节的驱动力矩 🔹 拉格朗日法(Lagrange) * 核心思想:基于能量守恒原理,建立系统的拉格朗日函数,通过对时间求导得到运动方程 * 优势:物理意义清晰,便于分析系统特性 * 适用场景:机器人动力学建模、轨迹规划等离线计算场景 * 关键公式:τ=M(q)q¨+C(q,

Docker 安装 Neo4j 保姆级教程

Docker 安装 Neo4j 保姆级教程 本教程适用于零基础用户,详细讲解如何在 Windows 或 Linux 环境下通过 Docker 安装并配置 Neo4j 图数据库。 Neo4j 官方 Docker 文档 1. 环境准备 * 已安装 Docker(Docker Desktop 官网) * Linux 和 Windows 均可 2. 创建挂载目录 在宿主机上新建以下目录,用于数据持久化和配置挂载(以 Linux 为例,Windows 可用资源管理器新建文件夹): mkdir -p /home/neo4j/data /home/neo4j/logs /home/neo4j/conf /home/

FPGA实现双线性插值缩放:代码与实现详解

FPGA实现双线性插值缩放:代码与实现详解

fpga实现双线性插值缩放代码及资料 在数字图像处理领域,双线性插值是一种常用的技术,用于图像的缩放、旋转和剪切等操作。而在硬件加速方面,FPGA(现场可编程门阵列)因其高度的并行处理能力和灵活的架构,成为实现这些算法的理想选择。本文将详细介绍如何在FPGA上实现双线性插值缩放,并附上相应的VHDL代码及分析,帮助读者更好地理解和实现这一功能。 一、背景介绍 图像缩放是图像处理中的基础操作,常见的缩放方法包括最近邻插值、双线性插值和双三次插值等。其中,双线性插值因其均衡的计算量和插值质量,广泛应用于各种场合。在FPGA上实现双线性插值,可以极大地提高图像处理的速度和效率,尤其是在实时处理和嵌入式系统中。 二、双线性插值的基本原理 双线性插值是一种通过线性插值实现二维数据点的估计方法。对于一个缩放后的像素点 (x, y),我们首先找到与之最邻近的四个像素点 (x1, y1)、(x1, y2)、(x2, y1) 和 (x2, y2)。接下来,分别在x轴和y轴方向上进行线性插值,计算出该点的像素值。 具体步骤如下: 1. 找到与目标点相邻的四个像素点。 2. 计算目标点在x