企业官网建设流程全解析

如果你最近在折腾 Codex CLI 这类终端里的 AI 编程助手，大概率已经发现一个现象：同一个模型，在别人手里能一个上午重构一个模块，到你手里却经常答非所问、改东坏西。问题往往不在模型，而在你没有给 AI 一套稳定的“超能力”。superpowers 就是这么个东西——它不是某个大模型，而是围绕 Codex CLI 打造的一套技能增强方案。这篇文章不讲广告词，只讲我在本地环境里把 superpowers 装好、跑通、真正用到 Java 项目里的全过程，以及和 worbuddy 这类工作流工具搭配时踩过的坑和最终的组合方式。适合已经接触过 Codex CLI、想让输出质量再上一个台阶的开发者参考。

1. superpowers 是为解决什么问题出现的

1.1 裸 Codex CLI 的三大痛点

先说结论：不是 Codex CLI 不强，是大多数人没用出它的上限。我在连续用了一个月“裸”Codex 之后，发现它有三类非常典型的问题。

第一，上下文不稳定。同一个仓库、同一个需求，今天问它是这个方案，明天换一种措辞它可能给你另一种方案。不是模型抽风，而是你对任务的描述没有形成一个稳定的“标准作业程序”，每次对话的隐含约束不一样，输出自然漂移。

第二，多步骤任务容易断档。让 AI 改一个方法很容易，但让它“先梳理依赖、再设计重构方案、再动手改、最后补测试”就很容易在某一步丢失之前的上下文。尤其是代码量超过几百行的时候，经常改到一半它忘了最初的目标约束，开始自由发挥。

第三，输出质量不可控。裸 Codex 生成的代码像实习生写的：能跑，但边界条件处理不完整、命名不规范、异常路径缺失。你需要反复 review 再让它改，一来一回耗掉大量时间。

1.2 superpowers 的核心思路：把灵光一现变成稳定输出

superpowers 的解法其实很朴素：把“你临时对 AI 说的话”变成“结构化的技能模板”。

每个技能模板包含完整的任务目标、输入参数、执行步骤、质量检查清单和输出格式。AI 每次执行同一个技能时，看到的是一套固定的“操作手册”，而不是用户随口说的一句话。这样做的效果非常直接——输出漂移大幅减少，多步骤任务的上下文也能通过模板里的阶段性检查点兜住。

举个例子。你直接说“帮我重构一下这个订单服务”，AI 只能猜。但如果你加载一个refactor-java技能，它会自动按“分析现状→识别风险→拆分步骤→逐项实施→自测验证”的顺序执行，并且在每个阶段强制输出中间结果。这就像同一个实习生，你给他一份带检查点的任务单，和他只听到一句“你去把这事办了”，效率完全两回事。

2. 安装与初始化：半小时跑通基础环境

2.1 前置依赖检查

装 superpowers 之前，我建议先确认三件事都就绪，否则后面会绕弯路。

第一，Codex CLI 本身要能正常工作。不同版本对配置目录的约定有差异，但基本都在~/.codex/下。先跑一句简单的代码补全，确认终端里的 AI 助手已经能访问模型。第二，电脑里有 git 和 curl，因为技能包的获取和更新都依赖它们。第三，终端最好支持 UTF-8 和较长的路径，Windows 用户建议直接用 WSL，别在 PowerShell 里硬折腾——我见过的绝大多数安装失败都发生在路径转义上。

这一步没有太多捷径，但有个小技巧：安装之前先把 Codex CLI 的登录态确认好，很多人在装完技能包之后才发现 AI 请求根本没发出去，排查了半天才发现是认证早过期了。

2.2 获取技能包与目录结构

拿到 superpowers 技能包的方式有两种：一种是直接从发布页克隆仓库，另一种是如果它已经封装成了安装脚本，用包管理器安装就好。我用的方式比较保守，直接克隆到本地固定目录：

# 从官方发布页获取仓库地址后执行，这里以通用位置为例 git clone <superpowers技能包仓库地址> ~/.superpowers

克隆完成后，先别急着用，花两分钟看一下目录结构。典型的技能包目录长这样：

~/.superpowers/ ├── README.md ├── config/ │ └── skills.json # 技能清单与加载规则 ├── skills/ │ ├── analyze-code/ # 代码分析技能 │ ├── plan-refactor/ # 重构方案设计技能 │ ├── implement-change/ # 编码实施技能 │ └── review-output/ # 代码审查技能 └── templates/ └── task-instruction.md # 通用任务指令模板

这个结构本身就是设计思想的一部分：“技能”不是一段死板的 prompt，而是一个带元信息、带参考文件、带输出模板的完整目录。每个技能目录里通常还有一个SKILL.md，描述该技能的触发条件、执行步骤和退出标准。

2.3 初始化配置与验证

技能包放好后，需要把它告诉 Codex CLI。常见做法是在 Codex 的配置目录里增加一段全局指令，让它每次运行时都去加载~/.superpowers/skills/下的技能定义。我的做法是在~/.codex/下新建一个CLAUDE.md或者直接修改全局指令文件（不同版本文件名不同，注意看 FAQ），像这样：

# 全局指令 始终加载 ~/.superpowers/skills/ 下的技能定义。 当用户请求包含技能名称时，必须严格按照对应 SKILL.md 中的步骤执行。

改完后启动 Codex，输入/help或/skills之类的命令，看技能列表是否出现。如果能看到analyze-code、plan-refactor这些条目，说明加载成功了。首次跑通之后，记得把超级包目录加入自己的 dotfiles 管理，方便多台机器同步。

3. 把 superpowers 用起来：从交互式会话到自定义技能

3.1 在 Codex 会话里调用技能

技能加载好之后，调用方式非常自然，直接在对话里点名即可。比如我会输入：

使用 analyze-code 技能分析 src/main/java/com/example/order/OrderService.java

这时 AI 会进入“分析模式”：先读文件、提取类结构和方法调用链，然后按技能模板输出依赖清单、复杂度评估和潜在风险点。与传统随手提问最大的区别在于，它每次都会输出固定的中间产物——依赖图、风险表、建议方案，而不是给你一段泛泛而谈的“这段代码可以优化”。

如果你只想要结果不想要过程，也可以在技能名后面加/silent之类的参数（看具体版本的实现），但我个人建议前期不要关掉过程输出，因为过程就是培养代码判断力的教材，而且后续接入自动化工作流时，这些中间产物能直接作为下一步的输入。

3.2 写出你的第一个技能包

看完自带的技能，大多数人会想写自己的。这个一定要学会，因为 superpowers 的灵魂就是“把你的团队规范固化下来”。我以“Java 接口设计检查”为例，写一个最简单的技能包。

先在~/.superpowers/skills/下建一个目录，比如review-api-design/，里面放一个SKILL.md：

--- name: review-api-design description: 检查Java接口设计是否符合团队规范，识别REST接口的边界与兼容性问题 inputs: target: 接口类或方法路径 backward_compatible: 是否必须保持向后兼容，默认 true --- ## 检查清单 1. 方法命名是否符合动词短语规范 2. 参数对象是否包含不必要的可空字段 3. 返回值是否暴露了内部实现细节 4. 异常是否做了边界转换，是否泄露了底层异常 5. 接口版本策略是否明确 6. 响应结构是否具备扩展性（是否直接返回裸Map/List） ## 输出格式 按表格输出：问题等级 / 位置 / 问题描述 / 修改建议 最后必须给出总体结论：通过、有条件通过、不通过。

就这么简单。AI 读到这个文件，就会严格按清单执行。你不需要写复杂的代码，技能的实质是“约束 AI 的行为边界”，而不是教它怎么做某件事。

3.3 一条能直接抄的完整指令模板

有人会问：技能包是一次性定义，那临时任务怎么办？我的习惯是结合模板文件使用。在templates/task-instruction.md里放一个通用任务模板，每次手动套用：

### 任务背景 {一句话说明业务背景} ### 目标 {可验证的目标，如：实现XX功能，满足YY边界条件} ### 约束 - 技术栈：{如 Java 17 + Spring Boot 3} - 不允许修改公共接口签名 - 必须处理超时与重试 ### 交付物 - 代码变更 - 变更说明（为什么这么做） - 自测结果

调用的时候直接把模板复制进对话，或者封装成一个new-task技能。这样即使面对全新任务，AI 也知道“公司要求我按什么格式交付”，不会给你扔一堆毫无解释的代码就完事。

4. 实战记录：我用 superpowers 重构了一个 Java 订单服务

4.1 为什么选 Java 场景来说明

选 Java 不是因为 superpowers 只适合 Java，而是 Java 项目的“结构化痕迹”最重：类、接口、依赖注入、异常体系都摆在那，特别适合展示技能编排如何降低重构风险。如果换成 Python 或 Go，逻辑一样，只是文件形态不同。

我拿一个真实项目里的订单服务当例子。这个类的核心方法是createOrder，大概 300 行，里面揉杂了库存校验、库存预扣、支付回调、消息发送、优惠券核销五件事。每次改需求都心惊胆战，因为五件事耦合在一起，动一处可能连环炸。

4.2 五步技能编排过程拆解

我没有直接让它改代码，而是按流程调了五个技能，串成一条流水线。

第一步，analyze-code分析OrderService.java。AI 输出了一张依赖列表，把createOrder里五个子流程每一条的调用链都列了出来，标记了哪些是外部 IOC 依赖、哪些是私有方法、哪些是静态调用。这一步让我第一次清楚地看到了这个方法的完整扇出（fan-out）。

第二步，plan-refactor设计重构方案。AI 根据分析结果提出了“按业务子域拆分为五个策略类，由订单领域服务编排”的方案，并且标出了三个高风险点：库存预扣不是原子的、消息发送失败会静默吞掉、优惠券核销依赖订单状态变更顺序。

第三步，implement-change按方案实施。这一步我设了硬约束：不允许改变对外行为、不允许改动数据库表结构、不允许新增第三方依赖。AI 生成的代码基本符合要求，拆分出来的五个类各司其职，原有createOrder变成一段清晰的事件编排逻辑。

第四步，review-output做 AI 自审。它对照团队规范发现了两个问题：一个类是纯工具方法却没有做成静态方法、一处异常被包装后丢失了原始错误信息。这些在人工 review 阶段也都是常见的点。

第五步，跑测试并让 AI 补齐缺失的单测用例。原本项目的单测覆盖只有 30%，重构后我把关键路径的单测补到了 85% 左右。

4.3 前后对比：质量与效率的变化

这次重构从开始分析到测试补齐，总共花了一个下午，其中我的有效参与时间大概一小时，其余都是 AI 产出、我 review。对比以往纯手工重构同类模块的节奏——通常需要两天左右——提升是明显的。更重要的是，整个过程有中间产物沉淀，依赖清单和风险表直接成为了评审材料。

这不是一次侥幸。后来我又用同样的流程处理了三四个模块，每次都稳定产出高质量结果。我自己的感受是：superpowers 最大的价值不是让 AI 一次写对，而是让 AI 的“错”变得可见、可预期、可修正。

5. 进阶玩法：接入 worbuddy 这类工作流调度器

5.1 worbuddy 解决了 AI 编程的另一个问题

交互式会话再强，终究是“人盯着它干”。当你希望 AI 定时巡检代码、自动生成每日报告、或者把一个多步骤任务完全交给机器跑的时候，就需要另一层工具：工作流调度器。worbuddy（社区里也有人直接叫它 workflow buddy）就是干这个的——它负责流程编排，决定什么时间、以什么顺序、用什么输入去调用 AI 或调用某个技能。

一句话总结区别：superpowers 解决的是“单个任务做得好不好”，worbuddy 解决的是“整个流程走不走得通”。两者天然互补。

5.2 把 superpowers 技能注册成工作流节点

大多数类似 worbuddy 的调度器都支持把命令或脚本注册成节点。我习惯把 Codex CLI 的调用封装成一个 shell 函数，然后在调度配置里直接引用。

一个典型的封装脚本run-skill.sh长这样：

#!/bin/bash # 用法: ./run-skill.sh <技能名> <目标路径> <额外参数> SKILL_NAME=$1 TARGET=$2 shift 2 codex exec --skill "$SKILL_NAME" --input "$TARGET" --params "$@"

如果调度器支持 YAML 配置，注册节点就很简单：

nodes: - name: analyze-order-service command: ./run-skill.sh analyze-code src/main/java/com/example/order/OrderService.java - name: plan-refactor command: ./run-skill.sh plan-refactor order-service - name: implement-changes command: ./run-skill.sh implement-change order-service - name: review-changes command: ./run-skill.sh review-output order-service

这样，五个本来要在终端里手动输入的命令，变成了可以被调度器自动排序执行的节点。每个节点的输出都会落在工作目录里，下一个节点可以读取，实现了真正意义上的“AI 流水线”。

5.3 三条可以直接复用的工作流

我实际用下来，有三条工作流最值得搭。

第一条是每日代码巡检。每天早上定时执行“分析所有最近变更文件→按规范检查→生成问题清单→发送到团队群”。以前靠人抽检，现在全自动，虽然不能完全替代人工 review，但能把低级问题拦在第一道线外。

第二条是重构流水线。就是上面订单服务的五步流程，适合在业务低峰期批量处理历史技术债项目。

第三条是新需求落地闭环。从需求描述开始，先让 AI 用plan-refactor生成技术方案，再进入implement-change编码，随后review-output自审，最后补测试。这条流水线跑通之后，我接需求的速度明显变快，因为 AI 产出的初稿质量已经很接近可评审状态。

6. 避坑清单与我的真实感受

6.1 高频问题排查表

折腾这套东西两周，我整理了一张排查表，遇到问题先对号入座：

这张表里的内容看着简单，但每一条都是我实际踩过的，尤其是“AI 执行技能时忽略步骤”这个问题，一度让我怀疑技能机制没用。后来才发现是技能文档里写了太多“考虑合理性”之类的模糊表述，AI 的默认行为就是跳过它认为不重要的内容。给 AI 的指令必须像给新人的任务单一样，明确、可验证、不留自由裁量空间。

6.2 几条写在最后的心得

第一，不要一上来就追求全自动。先把交互式会话里的技能调用跑顺手，让 AI 的产出风格稳定下来，再考虑接入 worbuddy 做自动化。跳过中间步骤直接上全套，出了问题很难分清是技能写得不好还是调度配置有误。

第二，技能包要当成团队资产来维护。最好的做法是把技能目录放进共享仓库，每次复盘时把“这次 review 发现的高频问题”更新到对应技能的检查清单里。技能是活的，定期迭代，价值才会越来越大。

第三，AI 编程工具的上限，取决于你把自己的工作流程想得多清楚。superpowers 本质上是一面镜子：你能写出多细的技能模板，说明你对自己业务的理解有多深。工具本身不神秘，真正值钱的是沉淀下来的流程和规范。

就我个人而言，从裸 Codex 到全套 superpowers 加工作流调度，最大的变化不是“代码写得快了”，而是“代码评审的确定性提高了”——我可以更早地知道 AI 打算怎么做、做得对不对，而不是等它写完再猜。如果你也在用 Codex CLI，且觉得输出还不够稳，真的建议从今天开始，试着把你的下一个任务写成一份技能模板。