编程语言AIjava
使用 Superpowers 将 Claude Code 转化为按流程交付的 AI 工程搭档
Superpowers 通过固化工程流程纪律，使 Claude Code 从单纯写代码转变为可验证的工程交付伙伴。核心流程涵盖需求澄清、计划生成、执行、审查、验证及交付，解决了传统 Prompt 方式不可验证、不可复用的问题。实战案例展示了如何为后端服务新增接口，强调分步验证与系统化调试。该方案适合中大型工程及长期维护项目，帮助团队将 AI 纳入现有开发规范。
Superpowers 通过固化工程流程纪律，使 Claude Code 从单纯写代码转变为可验证的工程交付伙伴。核心流程涵盖需求澄清、计划生成、执行、审查、验证及交付，解决了传统 Prompt 方式不可验证、不可复用的问题。实战案例展示了如何为后端服务新增接口，强调分步验证与系统化调试。该方案适合中大型工程及长期维护项目，帮助团队将 AI 纳入现有开发规范。
在大多数人的日常体验里，「会写代码的 AI」已经不是新鲜事，但「能按工程流程交付的 AI」依然很少见。很多团队在把 Claude、GPT 接入开发工作流后，会发现一个相同的问题：它们写代码很快，却很难真正撑得住一个严肃项目的长期演进。
接下来我会系统讲讲一个近两年非常有代表性的方案——Superpowers：它不是让 Claude Code 写得「更聪明」，而是给它加上一整套工程流程纪律，让它按照「brainstorm → plan → implement → review → verify → ship」这样的节奏稳定输出可验证的交付物。
参考仓库：https://github.com/obra/superpowers
在真实团队里，用 Claude / GPT 辅助开发经常会遇到这些情况：
这些问题的本质，并不是「模型不够聪明」，而是缺乏可重复的工程流程：即使换一个人类初级开发在没有规范的流程下工作，也会踩类似的坑。
很多团队一开始会尝试通过「写大 prompt」来解决问题，例如给模型一段巨长的指令：「你是一个资深工程师，要先分析需求，再写设计，再写代码，再写测试……」。
这类方法有几个现实局限：
要把 AI 真正纳入工程体系，就需要把「流程本身」编码成可复用的技能/工具，而不是只写在说明文档和 prompt 里。
Claude Code 可以看作是「面向工程项目」的一种用法，它通常具备这些能力：
在这种场景下，「怎么写」已经不是最大问题，真正的问题是「按什么过程写」，以及「如何保证最后的结果可验证」。
Superpowers 是一个围绕 Claude Code 的技能库，用来把工程实践流程做成「可调用的技能」，而不是停留在口头约定上。
它有几个关键特征：
换句话说，Superpowers 不直接让模型「变聪明」，而是让模型「按规矩办事」。
Superpowers 的设计目标可以用一句话概括：
让 Claude Code 像一个受过严格训练的工程师那样工作：每个步骤有产出、有验证、有记录，而不是一通「灵感输出」。
它关注的核心问题包括：
Superpowers 背后的典型工程流程可以抽象为这一串：brainstorm → plan → implement → review → verify → ship。
注意：Superpowers 并不强制你永远走完整的长流程，它支持根据任务风险适度简化，但默认假设「严肃变更应该走完流程」。
这一部分我们结合典型技能，按顺序走一遍完整工作流。具体命令名、调用方式会因集成方式不同略有差别，但思路是一致的。
第一步是帮 Claude 把「你脑中的需求」变成「结构化的规格」。
你可以给出一个相对粗糙的目标，例如：
「在现有的后端服务中增加一个导出报表的接口，支持按时间范围和用户等级过滤。」
调用 brainstorming 类技能后，它会引导生成一个包含以下要素的规格草案：
好处在于：
当规格基本达成共识后，就可以调用 writing-plans 类技能，让 AI 把需求拆解成一系列执行步骤。
一个典型的计划会包含：
这里有一个重要原则：
没有写明「如何验证」的计划步骤，视为不完整。
这可以强迫 AI 在计划阶段就思考「证明自己没写错」的方法，而不是等出问题再补救。
计划确认后，就可以使用 execute-plan / executing-plans 之类的技能按步骤推进实现。 特征包括：
在实践中，你可以选择「全自动」或「半自动」：
对于多文件重构、接口门面调整这类高风险改动，分批执行 + 分步验证的收益非常明显。
修改过程中或者线上出现问题时，可以启用 systematic-debugging 类技能来替代「猜测式调试」。
典型的调试流程包括：
这一系列动作的关键，不是「一次就猜对」，而是「每一步都有记录、有验证」，你甚至可以回放 AI 的调试过程，查出哪一步的假设是错误的。
在传统 AI 使用方式里，模型很容易在代码写完后马上说「完成了」，却不给任何证据。verification-before-completion 类技能的目标，就是在「宣布完成」前强制走验证步骤。
常见的验证项包括：
通过 skill，可以要求 AI：
这一步可以大大减少「完成了，但其实没跑起来」的情况。
Superpowers 还鼓励将「实现」与「审查」分离，通常由不同的技能/agent 完成：
这种拆分有两个好处：
下面我们用一个相对简单但足够完整的例子，把上面的流程串起来。这里不会贴出大段代码，而是重点展示流程和关键交互。
假设你有一个基于某主流框架（例如 Spring Boot）的后端服务，需要新增一个导出报表的接口，支持按时间范围和用户等级过滤，并输出 CSV 文件。
你的目标是：
你向 Claude Code 描述大致需求，然后调用 brainstorming 技能。输出的规格草案可能包含：
你可以在这个基础上进行增删，然后让 AI 更新一版最终规格。
确定规格后，调用 writing-plans，让 Claude 生成带验证步骤的实现计划。
可能的计划结构：
ReportController 中新增 /reports/export 路由与参数解析逻辑，验证方式：编写一个简单集成测试，调用该接口并检查 HTTP 状态与响应头。ReportService 中新增 exportReport 方法，封装业务逻辑，验证方式：编写单测，对不同参数组合检查返回数据集合。ReportRepository 中新增查询方法，支持按时间与用户等级过滤，验证方式：使用测试数据构建几个典型场景，编写单测。每一步都有对应的「怎么验证」，后续执行过程就有据可依。
接下来可以按计划逐步执行，每完成一步就做对应的验证。
例如执行步骤 1：
ReportController 的改动 diff，你审查后应用。/reports/export 的请求，检查路由是否工作。依次推进，直到所有计划步骤都完成并通过各自的验证。
假设在大数据量场景下，接口响应超时。你可以启用 systematic-debugging，让 AI 根据日志和代码行为分析瓶颈来源：
确认根因后，将「分页查询 + 流式写出」纳入新的实现计划，再通过 execute-plan 执行与验证。
在你准备合并改动前，调用 verification-before-completion 类型技能，让 AI 汇总本次改动经历的所有验证步骤：
你可以要求它输出类似「验证报告」的小结，作为 PR 描述的一部分，让团队成员一眼看到这次改动的质量保障措施。
下面用一个表格，对比几种常见的 AI 编程使用方式。
| 方式 | 流程显式程度 | 验证是否强制 | 是否支持分步执行 | 是否有独立审查环节 | 适合场景 |
|---|---|---|---|---|---|
| 纯自然语言 prompt 写代码 | 极低 | 否 | 否 | 否 | 小脚本、一次性工具 |
| 一条长 prompt 带「请按流程做」 | 中（文字描述） | 否 | 有限 | 否 | 对流程要求不高的个人项目 |
| 任务规划师（Planning Agent） | 中高（有任务拆分） | 视实现而定 | 是 | 部分 | 中等复杂度任务 |
| Superpowers for Claude Code | 高（流程被编码为技能） | 是（可配置） | 是（execute-plan） | 是（多 agent 协作） | 中大型工程、长期维护项目 |
| 自研复杂多 Agent 系统 | 最高（可完全定制） | 是 | 是 | 是 | 大团队、需要深度定制工作流的场景 |
Superpowers 的位置，大致介于「通用规划工具」和「完全自研 Agent 系统」之间：
具体安装方式会依赖你使用的工具链（例如 CLI、编辑器扩展、云端 Agent 平台等），但整体思路类似：
你可以从官方仓库和示例配置入手，然后根据自身项目特点调整技能参数和默认行为。
一个实用的小技巧是：不要让 brainstorming 的输出「只活在聊天记录里」。
这样，Superpowers 不仅帮你写代码，还在持续产出结构化的设计文档。
在成熟团队里，验证逻辑往往已经包含在 CI 流水线中，例如运行单测、静态分析等。
你可以：
这样可以让 AI 的本地验证和团队的 CI 流程形成闭环。
并不是每个任务都需要完整的 Superpowers 流程，否则成本过高。
可以参考以下粗略分级：
关键是：默认要有一个清晰的「流程等级」约定，而不是临时凭感觉决定。
一些团队在实践类似工作流时，容易踩到这些坑：
对应的防御性策略包括：
Superpowers 代表的一类实践，把焦点从「模型多聪明」移到了「工程流程多扎实」。在这个视角下，Claude Code 不再只是一个会写代码的聊天机器人，而是一个被编排在工程工作流里的「流程参与者」：
对于个人开发者，这意味着你可以在一个人身兼「产品 + 开发 + 测试」的情况下，借助 AI 把流程跑得更像一个小团队。对于团队来说，Superpowers 这样的技能库则是一条更现实的路径：先用可控的方式把 AI 纳入现有流程，再逐步演化出更复杂的多 Agent 系统。
如果你已经在用 Claude Code 写代码，不妨从最简单的一步开始：下次不要直接说「帮我写」，而是先让它和你一起 brainstorm 与写计划，再实施和验证。你会很直观地感受到，从「能写」走向「能交付」的差别。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
查找任何按下的键的javascript键代码、代码、位置和修饰符。 在线工具，Keycode 信息在线工具，online
JavaScript 字符串转义/反转义；Java 风格 \uXXXX（Native2Ascii）编码与解码。 在线工具，Escape 与 Native 编解码在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
使用 Prettier 在浏览器内格式化 JavaScript 或 HTML 片段。 在线工具，JavaScript / HTML 格式化在线工具，online
Terser 压缩、变量名混淆，或 javascript-obfuscator 高强度混淆（体积会增大）。 在线工具，JavaScript 压缩与混淆在线工具，online