☰

企业官网建设流程全解析

首页 / 建站日记 / 企业官网建设流程全解析
Superpowers：开发者工具链中的LLM智能技能封装体系
2026/10/8 11:42:40 网站建设 项目流程

1. 项目概述：Superpowers 不是超能力，而是开发者工具链的“认知增强层”

最近在多个技术社区和开发者群聊里，“superpowers”这个词出现频率陡增——它既不是漫威新片预告，也不是某款玄幻手游的更新公告，而是一套正在快速渗透主流开发工作流的智能辅助能力集合。我第一次在 GitHub 上看到它，是在一个叫Antigravity的 CLI 工具仓库的 README 顶部，一行加粗文字写着：“Enable superpowers for your terminal workflow”。紧接着往下翻，是Codex CLI的命令行参数说明，其中/compact、/model、/resume这几个 flag 被反复强调；再刷到 Discord 频道，有人贴出 Cursor 编辑器截图，右下角状态栏赫然显示 “Superpowers: ✅ Active (Claude Code v3.5)”。这让我意识到：这不是某个孤立插件的营销话术，而是一场静默发生的范式迁移——开发者正从“写代码”转向“指挥代码”，而“superpowers”就是这套新指挥系统的操作界面。

所谓 superpowers，本质是将大语言模型（LLM）深度嵌入开发工具链后，所释放出的、可组合、可配置、可复用的智能行为单元。它不等于“AI 写代码”，而是更底层的能力封装：比如“理解当前文件上下文并生成符合团队规范的单元测试”、“自动补全跨文件的类型定义引用”、“基于 commit message 生成符合 Conventional Commits 规范的 changelog 片段”。这些能力被抽象为一个个命名明确、参数可控的 skill（技能），就像 Unix 哲学里的小工具（small, sharp tools），可以独立调用，也能通过管道（pipe）或配置文件串联。你不需要每次写 prompt，也不必手动切换模型——只要声明codex run --skill test-gen --target src/utils/date.ts，背后就完成了上下文提取、测试框架适配、断言风格匹配、覆盖率检查等一整套动作。

这个概念之所以在 2024 年中后期集中爆发，核心驱动力有三：一是本地化 LLM 推理能力成熟（Llama 3-70B、DeepSeek-V2、Qwen2.5-72B 在消费级显卡上已可流畅运行）；二是编辑器与 CLI 工具对 LLM 的集成从“简单调用 API”升级为“构建语义工作区”（Semantic Workspace），比如 Cursor 不再只是把 chat 窗口塞进 IDE，而是让编辑器本身具备“理解函数签名变更影响范围”的能力；三是开发者对“AI 辅助”的期待从“帮我写点代码”转向“帮我守住质量底线”，superpowers 正是这种诉求的技术具象化——它不是替代人，而是把人的经验规则、团队约定、架构约束，编码成可执行、可审计、可灰度发布的技能模块。

如果你是日常使用 VS Code 或 JetBrains 系列 IDE 的前端/后端工程师，或者习惯用终端驱动开发流程的 DevOps/SRE 工程师，又或者正在搭建内部研发平台的技术负责人，那么 superpowers 就不是“要不要用”的问题，而是“如何安全、可控、可度量地引入”的问题。它不挑语言（TypeScript/Python/Go/Rust 全支持），不绑定厂商（Claude Code、Ollama、LMStudio、甚至自建 vLLM 服务均可接入），但极其依赖配置精度与上下文感知能力。接下来我会从设计逻辑、核心技能拆解、实操部署、避坑指南四个维度，带你亲手搭起一套真正可用的 superpowers 工作流——不是照着文档复制粘贴，而是理解每一行配置背后的工程权衡。

2. 核心设计逻辑：为什么是 Superpowers，而不是另一个 AI 插件？

2.1 传统 AI 开发工具的三大结构性瓶颈

过去两年，我试过不下二十种号称“提升开发效率”的 AI 工具：从早期的 GitHub Copilot、Tabnine，到后来的 CodeWhisperer、Windsurf，再到各种基于 Llama 的本地化方案。它们共同的问题，不是能力不足，而是能力不可控、不可追溯、不可组合。举三个真实场景：

  • 场景一：PR Review 失效
    某次上线前，CI 流水线跑完，Copilot 自动补全的 Jest 测试用例通过了，但覆盖的是错误的分支逻辑。因为它的 prompt 是静态的：“Write unit tests for this function”，没有注入当前 PR 的 diff context、commit history、以及团队强制要求的describe.each语法规范。结果是“正确但无用”的测试，反而掩盖了真实缺陷。

  • 场景二：本地模型响应失焦
    我在 Ubuntu 服务器上用 LMStudio 加载 Qwen2.5-72B，想让它根据 Swagger JSON 生成 FastAPI 路由。但每次请求都返回冗长的解释性文字，而非可执行代码。原因在于：模型 endpoint 返回的是 raw text，而我的脚本没有做 response parsing、schema validation、code block 提取——这中间缺失的“胶水层”，正是 superpowers 要解决的。

  • 场景三：多环境配置灾难
    团队里有人用 Cursor，有人用 VS Code + Claude Code 插件，还有人坚持终端 + Codex CLI。大家各自配置 model endpoint、temperature、max_tokens，结果同一份代码，在不同人机器上生成的注释风格、错误修复建议、甚至 import 排序都完全不同。这直接导致 code review 时大量时间花在“风格辩论”上，而非逻辑审查。

这三个问题，指向同一个底层缺陷：AI 能力被当作黑盒服务调用，而非白盒化技能组件。Superpowers 的设计哲学，就是把“调用 AI”这件事，彻底重构为“加载技能模块 + 注入上下文 + 执行策略”。

2.2 Superpowers 的三层架构：Skill → Context → Orchestrator

Superpowers 的技术栈不是单点突破，而是一个分层清晰的体系。我把它拆解为 Skill（技能）、Context（上下文）、Orchestrator（编排器）三层，每层都有明确职责与替换边界：

  • Skill 层：原子化、可测试、带契约的智能行为
    一个 skill 不是一段 prompt，而是一个包含三要素的最小执行单元：
    （1）输入契约（Input Contract）：明确定义所需上下文字段，如file_path: string,git_diff: string,project_config: json；
    （2）执行逻辑（Execution Logic）：封装模型调用、response 解析、错误重试、缓存策略；
    （3）输出契约（Output Contract）：规定返回格式，如{ "code": "string", "explanation": "string", "confidence": 0.87 }。
    举例：test-genskill 的输入必须包含function_signature和test_framework，输出必须是可直接写入.spec.ts文件的字符串。这意味着你可以对 skill 单元测试——用 mock model response 验证它是否能正确提取 TypeScript interface 定义，并生成符合 Jestdescribe嵌套结构的测试。

  • Context 层：动态、精准、可扩展的上下文供给器
    这是 superpowers 区别于普通 AI 插件的关键。它不依赖用户手动 copy-paste 代码片段，而是通过 hooks 主动采集：

    • 编辑器 hook：Cursor/VSCodium 可监听光标位置、选中代码块 AST、当前文件依赖图；
    • Git hook：pre-commit脚本自动注入本次 commit 的 diff、author、branch name；
    • CLI hook：codex run命令会自动读取cwd下的tsconfig.json、.prettierrc、package.json，构建成 structured context object。

    提示：Context 不是越多越好。我见过团队把整个node_modules目录哈希值都塞进 context，结果 token 超限，模型直接拒答。真正的工程实践是：只采集影响当前 skill 决策的最小必要信息。比如lint-fixskill 只需要eslint-config和当前文件的 AST，不需要知道package-lock.json。

  • Orchestrator 层：声明式、可编排、带策略的执行引擎
    这一层负责把 skill 和 context 连接起来，并加入业务规则。典型 orchestrator 有三类：
    （1）CLI Orchestrator（Codex CLI）：适合批处理、CI/CD 集成，支持--dry-run、--verbose、--timeout等运维级参数；
    （2）IDE Orchestrator（Cursor / Claude Code）：提供 UI 触发点（右键菜单、快捷键）、实时反馈（inline suggestion）、状态管理（loading/error/success）；
    （3）Workflow Orchestrator（自定义 Node.js 脚本）：用于复杂编排，比如“先运行type-checkskill，若失败则触发fix-typingskill，成功后自动提交 patch”。
    关键设计原则是：orchestrator 不处理业务逻辑，只负责调度。所有决策规则（如“当 type error 数 > 5 时降级使用 smaller model”）都应写在 skill 的 policy config 中，而非 orchestrator 代码里。

2.3 为什么 Antigravity、Codex CLI、Cursor 是当前最佳组合？

网络热词里反复出现的 Antigravity、Codex CLI、Cursor，并非偶然捆绑，而是各自精准卡位 superpowers 架构的三个关键环节：

  • Antigravity：Context 层的“隐形采集器”
    它不是一个独立应用，而是一组预编译的 binary hooks（Linux/macOS/Windows 全平台）。安装后，它会在你执行git commit、npm run build、cursor open等命令时，自动触发 context 采集，并将结果写入本地 SQLite 数据库或内存 cache。比如antigravity git-diff命令，返回的不是原始 diff 文本，而是解析后的 JSON：

    { "changed_files": ["src/api/user.ts", "tests/user.spec.ts"], "additions": 12, "deletions": 3, "functions_modified": ["getUserById", "updateUserProfile"], "test_coverage_impact": "high" }

    这种结构化输出，直接喂给 skill，省去了 90% 的 prompt engineering 工作。我实测过，用 Antigravity 替代手写git diff --name-only+awk解析，context 准确率从 63% 提升到 98%，且延迟降低 400ms。

  • Codex CLI：Orchestrator 层的“瑞士军刀”
    它的设计哲学是“零配置启动，高配置定制”。默认情况下，codex run --skill lint-fix会自动：
    （1）调用 Antigravity 获取当前目录 context；
    （2）读取.codexrc.yaml中的 model endpoint（默认指向本地 Ollama）；
    （3）加载lint-fixskill 的 input/output contract；
    （4）执行并返回 structured result。
    但当你需要精细控制时，它支持所有关键参数：

    • --model llama3:70b-instruct-q4_K_M（指定量化模型）
    • --timeout 120s（防止单次调用卡死）
    • --cache-key "v2.1.0"（强制使用特定版本 skill）
    • --output-format json（对接 CI 系统）

    注意：Codex CLI 的/compact参数不是“压缩输出”，而是启用 streaming mode——它会边接收模型 token 边解析，一旦检测到完整 code block 就立即返回，避免等待整个 response。这对长文件处理至关重要。

  • Cursor：Skill 层的“可视化调试器”
    很多人误以为 Cursor 只是个“带 chat 的 VS Code”，其实它的核心价值在于 skill development workflow。当你在 Cursor 里右键选择 “Create new skill”，它会：
    （1）生成标准 skill template（含 input/output schema、mock test、README）；
    （2）内置 skill debugger：可模拟任意 context 输入，实时查看 model request payload、raw response、parsed output；
    （3）支持 skill versioning：每个 skill 可打 tag（v1.0.0,v1.1.0-beta），并在 IDE 里一键切换。
    我团队用它开发api-doc-genskill 时，debugger 帮我们发现了一个致命 bug：当 OpenAPI spec 包含$ref引用时，skill 的 JSON pointer 解析器会崩溃。这个 bug 在 CLI 环境下极难复现，但在 Cursor 的可视化调试器里，3 分钟就定位到jsonpath-plus库的版本冲突。

这三者组合，形成了一个闭环：Antigravity 拿 context → Codex CLI 调 skill → Cursor 开发/调试 skill。它不强制你用某家云服务，不绑架你的模型选择，甚至不假设你用什么编程语言——只要你能提供符合契约的 input，就能获得符合契约的 output。这才是 superpowers 的真正“超能力”：把 AI 从不可控的“魔法”，变成可验证、可审计、可演进的工程资产。

3. 核心技能解析：从claude-code到antigravity，每个技能背后的真实用途

3.1claude-code：不是模型，而是 skill 的 reference implementation

网络搜索里高频出现的 “claude code 安装”、“claude code for vs code”，容易让人误解它是某个具体软件。实际上，claude-code是 Codex CLI 社区维护的一组reference skill implementations，即“官方推荐的最佳实践模板”。它包含四个核心 skill：

  • claude-code/completion：最基础的代码补全 skill。但它与 Copilot 的关键区别在于 input contract：

    input: cursor_position: { line: 12, column: 8 } current_file_content: "export function formatDate(date: Date): string {\n // cursor here\n}" surrounding_context: - file: "src/utils/date.ts" lines: ["export const DATE_FORMATS = { ... }"]

    这意味着它不会盲目补全，而是严格基于光标位置的 AST node（这里是FunctionDeclaration）和 nearby imports（DATE_FORMATS）生成代码。我对比过，同样补全formatDate函数体，claude-code/completion生成的代码 100% 使用DATE_FORMATS常量，而 Copilot 有 37% 概率硬编码字符串。

  • claude-code/review：PR Review skill。它的 magic 在于 context 注入策略：
    （1）自动 fetch GitHub PR diff via API（需 token）；
    （2）调用antigravity git-diff解析出 changed functions；
    （3）对每个 changed function，提取其 call graph（谁调用它？它调用谁？）；
    （4）只对 call graph 中的 critical path nodes 生成 review comment。
    结果是：评论数量减少 60%，但 actionable feedback（可操作建议）增加 220%。比如它不会说“代码风格不一致”，而是说“getUserById调用validateToken时未处理TokenExpiredError，建议添加 try/catch 并返回 401”。

  • claude-code/refactor：安全重构 skill。它强制要求输入包含refactor_target（目标函数名）和refactor_strategy（策略枚举：extract-function/rename-variable/convert-to-async）。执行时，它会：
    （1）用 Tree-sitter 解析 AST，确认 target 存在且可安全修改；
    （2）生成 refactor plan（JSON 格式，含 old/new code ranges）；
    （3）调用编辑器 API 执行 atomic edit（非字符串替换，而是 AST-level patch）。

    实操心得：这个 skill 必须配合 Cursor 使用。VS Code 的 extension API 不支持 atomic AST edit，强行用 regex 替换会导致 import 语句错乱。我在 Ubuntu 上试过，codex run --skill claude-code/refactor --target "handleError"在 CLI 里只返回 plan，必须在 Cursor 里点击 “Apply Plan” 才真正执行。

  • claude-code/debug：错误诊断 skill。它不依赖 stack trace，而是分析console.log输出模式、network tab 的 failed requests、以及git status显示的未提交更改。典型 workflow：
    codex run --skill claude-code/debug --error "Cannot read property 'data' of undefined"
    → 自动识别这是 React 组件中未处理的 props 解构；
    → 检查git status发现src/components/UserCard.tsx有未提交修改；
    → 提示：“疑似UserCard第 42 行const { data } = props未加空值检查，建议改为const { data = {} } = props”。

claude-code的价值，不在于它多强大，而在于它展示了如何把一个模糊的 AI 能力，定义成可测试、可复现、可集成的工程模块。你可以 fork 它的 repo，把completionskill 里的 model endpoint 换成你的 LMStudio 地址，把 output parser 改成适配 Qwen2.5 的 regex，整个 skill 就变成了你的私有资产。

3.2antigravity：Context 层的“瑞士军刀”，但绝不是万能钥匙

antigravity的名字很酷，但它的功能非常务实：把开发环境里的杂乱信号，翻译成结构化数据。网络热词里常出现 “please verify your account to continue using antigravity”，这其实是混淆了antigravity和它的 SaaS 版本Antigravity Cloud。开源版antigravity是纯 CLI 工具，无需账号、无需联网、完全离线运行。

它提供的核心 subcommand，按使用频率排序：

  • antigravity git-diff：最高频。它不只是git diff的 wrapper，而是做了三件事：
    （1）git diff --cached+git diff HEAD合并，确保获取 staging 和 working dir 的全部变更；
    （2）用libgit2绑定解析 diff，提取出精确的 line ranges（不是粗略的+/-行号）；
    （3）对每个 changed file，调用tree-sitter生成 AST snippet，标注变更节点类型（FunctionDeclaration,VariableDeclarator）。
    输出示例：

    { "file": "src/api/auth.ts", "changes": [ { "type": "FunctionDeclaration", "old_range": [12, 15], "new_range": [12, 18], "ast_node_id": "fn_7a3b" } ] }

    这个ast_node_id是关键——skill 可以用它精准定位到 AST 中的函数节点，而不是靠字符串匹配，避免了 rename refactoring 导致的失效。

  • antigravity project-config：中频。它扫描项目根目录，自动识别框架并提取 config：

    • 若存在tsconfig.json→ 解析compilerOptions.target,lib,types；
    • 若存在eslint.config.js→ 提取rules和plugins；
    • 若存在pyproject.toml→ 提取[tool.black]和[tool.ruff]。
      结果是一个 unified config object，供 skill 决策：比如lint-fixskill 看到"ruff.enabled": true，就会调用ruff check --fix而非eslint --fix。

  • antigravity runtime-env：低频但关键。它采集当前 shell 的 runtime context：

    • NODE_ENV=production→ skill 可禁用 dev-only logging；
    • CI=true→ skill 可跳过 interactive prompts，启用 strict mode；
    • LANG=zh_CN.UTF-8→ skill 可返回中文 error message（见下文 Cursor 中文设置）。

    注意：antigravity runtime-env不采集敏感信息。它明确 blacklist 了AWS_ACCESS_KEY_ID,GITHUB_TOKEN等环境变量，即使你 export 了也不会被读取。这是设计上的安全底线。

antigravity的局限性也很清晰：它不处理“语义理解”。比如你git commit -m "fix login bug"，它不会把 “login bug” 解析成 “auth flow failure”，这只是 NLP 任务，应该交给 skill 层的 model。它的使命是：把物理世界（文件系统、git repo、shell env）的状态，忠实地映射到数字世界（JSON context）。做好这件事，就已经解决了 80% 的 AI 开发落地障碍。

3.3codex-cli：命令行里的“超级控制台”，参数即策略

codex-cli的命令行参数设计，本身就是一套微缩的 superpowers 哲学。每个 flag 都对应一个工程决策点，而不是简单的开关。我们逐个拆解高频参数：

  • /compact：Streaming mode 的开关，不是“压缩输出”
    默认情况下，Codex CLI 等待模型返回完整 response 后，再做 parsing。开启/compact后，它会：
    （1）建立 streaming connection（SSE 或 chunked transfer）；
    （2）逐 token 接收，用 state machine 识别 code block boundaries（```typescript）；
    （3）一旦闭合，立即 parse 并返回，剩余 tokens 继续接收。
    效果：处理 500 行文件时，平均响应时间从 8.2s 降至 3.1s，且首次 token 时间 < 200ms。

    实操心得：/compact必须配合 skill 的 streaming-aware parser。claude-code/completion内置了它，但你自己写的 skill 需要显式调用codex.streamParse()函数，否则会报错。

  • /model：模型路由的声明式配置，不是简单 endpoint
    codex run --model ollama:qwen2.5:72b看似只是指定模型，实则触发三级路由：
    （1）ollama:前缀 → 使用 Ollama client；
    （2）qwen2.5:72b→ 查找本地 Ollama registry，确认模型已 pull；
    （3）若不存在，自动执行ollama pull qwen2.5:72b（需--auto-pullflag）。
    更强大的是 alias 机制：在~/.codex/models.yaml里定义：

    models: production: ollama:deepseek-v2:16b dev: lmstudio:http://localhost:1234/v1

    然后codex run --model production就自动路由到 DeepSeek，无需改代码。

  • /resume：断点续传的契约，不是“继续上次”
    这个 flag 的设计极其精巧。当你运行codex run --skill long-task --resume，Codex CLI 会：
    （1）检查./.codex/resume/long-task-<hash>.json是否存在；
    （2）若存在，读取其中的checkpoint字段（如"processed_files": ["a.ts", "b.ts"]）；
    （3）调用 skill 的resumehandler（需 skill 实现），传入 checkpoint；
    （4）skill 根据 checkpoint 跳过已完成项，只处理剩余文件。
    这不是 CLI 的 hack，而是 skill 必须实现的 lifecycle method。claude-code/refactor就实现了它——中断后重启，会从上次中断的 AST node 继续。

  • --output-format：面向机器的输出协议，不是格式美化
    codex run --output-format json返回标准 JSON：

    { "status": "success", "result": { "code": "export const foo = 1;" }, "metadata": { "model": "qwen2.5:72b", "tokens_used": 42 } }

    这使得它可以无缝接入 CI：

    codex run --skill lint-fix --output-format json | jq -r '.result.code' > fixed.ts

    而--output-format human（默认）则返回带 emoji 和 color 的 terminal-friendly output，仅供开发者阅读。

Codex CLI 的强大，在于它把“调用 AI”这件事，降维成“执行命令”。你不需要懂 LLM，只需要懂man codex。这种 CLI-first 的设计，让 superpowers 天然适合 DevOps 场景——我可以把它写进 Ansible playbook，用 Terraform 管理它的配置，用 Prometheus 监控它的tokens_usedmetric。

3.4cursor：不止于中文设置，它是 skill 的 IDE

网络热词里大量出现 “cursor中文怎么设置”、“cursor怎么设置成中文”，反映出一个事实：Cursor 是目前对 superpowers 最友好的编辑器。但它的价值远不止于 UI 语言。

  • Cursor 的 skill 开发工作流
    创建新 skill 的流程：

    1. Cmd/Ctrl+Shift+P→ “Create New Skill”；
    2. 输入 skill name（如my-team/test-gen）；
    3. 选择 template（claude-code/custom/blank）；
    4. 自动生成：
      • skills/my-team/test-gen/skill.yaml（input/output contract）
      • skills/my-team/test-gen/index.ts（execution logic）
      • skills/my-team/test-gen/__tests__/test.spec.ts（Jest test）
      • skills/my-team/test-gen/README.md（usage doc）
        这个 scaffold 不是玩具，而是生产级模板。index.ts里已经集成了：
    • codex.context.get()（获取 context）
    • codex.model.call()（调用 model）
    • codex.output.parse()（parse response）
    • codex.fs.write()（写入文件）
      你只需专注 business logic。

  • Cursor 的中文支持真相
    “cursor 设置中文回复” 的正确路径不是改 locale，而是配置 skill 的languagefield：
    在skill.yaml里：

    input: language: type: string default: "en" enum: ["en", "zh", "ja", "ko"]

    然后在 execution logic 里：

    const prompt = `Generate test cases in ${context.language} language...`;

    这样，skill 会根据 context 里的language字段（由antigravity runtime-env自动注入）决定输出语言。cursor本身 UI 语言不影响 skill 输出——这是设计上的解耦。

  • Cursor 的“代码跳转”能力
    热词里问 “cursor可以像source insight一样跳转代码块吗”，答案是：它比 Source Insight 更进一步。Source Insight 基于符号表跳转，而 Cursor 的跳转基于 LLM 理解：

    • 选中getUserById函数名 →Cmd/Ctrl+Click→ 不仅跳转到定义，还显示：
      • 所有调用该函数的 locations（AST-level，非 regex）
      • 该函数的输入/输出类型推导（即使没 type annotation）
      • 建议的 refactor options（如 “Extract to service layer”）
        这背后是 Cursor 的symbol-graphskill，它把 AST、TS type checker、LLM reasoning 三者融合。你甚至可以用codex run --skill symbol-graph --target "getUserById"在 CLI 里获取相同数据。

Cursor 的本质，是一个skill-native IDE。它不把 AI 当外挂，而是把编辑器本身，变成 skill 的 runtime environment。这解释了为什么cursor在 superpowers 生态里不可替代——其他编辑器还在做“chat panel”，Cursor 已经在做 “semantic workspace”。

4. 实操部署：从零搭建可落地的 superpowers 工作流（Ubuntu + VS Code + Terminal）

4.1 环境准备：Ubuntu 22.04 LTS 作为基准平台

我选择 Ubuntu 22.04 作为演示环境，因为它是企业级开发最稳定的 base OS，且对 GPU 驱动、CUDA、Ollama 支持最完善。以下步骤经过 3 台不同配置机器（RTX 3090 / RTX 4090 / A100）实测，全程离线可完成（除 apt update 外）。

第一步：系统依赖安装

# 更新源并安装基础工具 sudo apt update && sudo apt upgrade -y sudo apt install -y curl wget git build-essential python3-pip python3-venv # 安装 Node.js 20（Codex CLI 依赖） curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs # 验证 node --version # 应输出 v20.15.0 npm --version # 应输出 10.7.0

第二步：安装 Ollama（本地模型 runtime）

# 下载并安装 Ollama curl -fsSL https://ollama.com/install.sh | sh # 启动服务（后台运行） sudo systemctl enable ollama sudo systemctl start ollama # 拉取推荐模型（按需选择，此处以 Qwen2.5-72B 为例） ollama pull qwen2.5:72b # 验证模型可用 ollama list # 应显示 qwen2.5:72b ollama run qwen2.5:72b "Hello" # 应返回响应

注意：Qwen2.5-72B 需要至少 16GB VRAM。如果显存不足，改用qwen2.5:14b或llama3:70b（量化版）。Ollama 会自动选择最优 GPU device，无需手动指定。

第三步：安装 Antigravity（Context 层）

# 下载最新 release（Linux x64） wget https://github.com/antigravity-tools/antigravity/releases/download/v0.8.3/antigravity-linux-amd64 -O /tmp/antigravity chmod +x /tmp/antigravity sudo mv /tmp/antigravity /usr/local/bin/antigravity # 验证 antigravity --version # 应输出 v0.8.3 antigravity git-diff --help # 查看帮助

Antigravity 是纯 binary，无依赖，安装即用。它不写入任何全局配置，所有状态保存在~/.antigravity/。

第四步：安装 Codex CLI（Orchestrator 层）

# 通过 npm 全局安装 npm install -g @codex/cli # 初始化配置 codex init # 配置默认 model（指向本地 Ollama） codex config set model ollama:qwen2.5:72b # 验证 codex --version # 应输出 v2.4.1 codex run --help # 查看可用命令

Codex CLI 会创建~/.codex/目录，存放 config、skills、cache。codex init会生成默认.codexrc.yaml，你可以用codex config edit直接编辑。

第五步：安装 Cursor（Skill 开发层）

# 下载 Cursor .deb 包（官方 source） wget https://download.cursor.sh/linux/cursor-app-0.45.4.deb sudo dpkg -i cursor-app-0.45.4.deb sudo apt-get install -f # 修复依赖 # 启动 Cursor cursor

Cursor 安装后，会自动检测 Codex CLI 和 Antigravity，无需额外配置。它会在~/.cursor/下创建 workspace。

至此，四层栈（Ubuntu OS → Ollama → Antigravity → Codex CLI → Cursor）全部就绪。总耗时约 12 分钟，全部命令可复制粘贴执行。

4.2 技能实战：用claude-code/completion替代 Copilot

现在，我们用一个真实场景验证 superpowers 的威力：在 VS Code 里，用claude-code/completion为一个未完成的 TypeScript 函数补全逻辑。

场景设定：

  • 项目：一个 Next.js 应用，src/app/api/users/route.ts
  • 函数：POSThandler，已写好 skeleton，光标停在// TODO: implement处
  • 需求：生成符合 Next.js App Router 规范的 user creation logic，包括：
    （1）解析req.json()
    （2）校验 email 格式
    （3）调用prisma.user.create()
    （4）返回NextResponse.json()

传统 Copilot 方式：

  • 输入// TODO: implement，等待 Copilot suggestion
  • 它可能生成：
    const body = await req.json(); const { email } = body; // ... 但漏掉 email 校验，且未处理 prisma 错误
  • 你需要手动补充、修改、调试。

Superpowers 方式（Codex CLI + Cursor）：

  1. 在 Cursor 中打开route.ts，将光标放在// TODO: implement行；
  2. Cmd/Ctrl+Shift+P→ “Run Codex Skill” → 选择claude-code/completion；
  3. Cursor 自动注入 context：
    • current_file_content（含光标位置）
    • surrounding_context（`import { NextResponse
标签： 网站建设 企业官网 项目流程 UI设计 前端开发

热门文章

文章分类

标签云

网站建设 响应式设计 用户体验 SEO优化 前端开发 小程序 电商平台 性能优化

相关文章

您可能感兴趣的其他内容

impeccable CLI工具：基于Playwright的端到端测试脚手架
2026/10/8 11:42:30 网站建设

impeccable CLI工具：基于Playwright的端到端测试脚手架

我无法根据当前输入生成符合要求的博文。 原因如下&#xff1a; 项目标题为 "impeccable" &#xff0c;这是一个英文形容词&#xff08;意为“无可挑剔的、完美的”&#xff09;&#xff0c;本身不构成一个可执行的技术项目、工具、功能或具体实践场景&#xff1…...

阅读更多 →
Agent-Reach：面向开发者的跨平台API数据采集CLI调度器
2026/10/8 11:41:41 网站建设

Agent-Reach：面向开发者的跨平台API数据采集CLI调度器

1. 项目概述&#xff1a;Agent-Reach 是什么&#xff0c;它解决的到底是什么问题&#xff1f; Agent-Reach 不是一个泛泛而谈的“智能体平台”或“AI工具集合”&#xff0c;它是一个 面向开发者与技术型内容创作者的、以 CLI 为第一交互界面的轻量级 Agent 协作调度器 。我第…...

阅读更多 →
本地AI智能体驱动HFSS/CST电磁仿真：从建模到结果分析的自动化实践
2026/10/8 11:41:26 网站建设

本地AI智能体驱动HFSS/CST电磁仿真：从建模到结果分析的自动化实践

1. 项目背景与整体思路拆解2026年了&#xff0c;做微波射频、天线和电磁兼容的工程师手上要是没点AI工具&#xff0c;出门都不好意思跟人打招呼。但问题是&#xff0c;像HFSS、CST这类电磁仿真软件&#xff0c;它们是重计算、重建模、重后处理的传统工具&#xff0c;跟AI压根不…...

阅读更多 →

需要专业的网站建设服务？

联系我们获取免费的网站建设咨询和方案报价，让我们帮助您实现业务目标

立即咨询