企业官网建设流程全解析

如果你最近在折腾 AI 编程工具，大概率已经听过 superpowers 这个名字。它不是什么花哨的插件图标，也不是某个模型的新版本，而是 VS Code 生态里一套把 AI 从“聊天助手”变成“结对程序员”的技能体系。我用了大概三个月，从最初觉得“这不就是一套提示词合集吗”，到后来发现它其实重新定义了 AI 参与编码的方式。今天就从安装到核心技能拆解，再到实际踩坑，把整个使用链路从头到尾捋一遍，给想上手的朋友一份可以直接照着做的参考。

1. Superpowers 到底是什么：先搞懂这套技能体系解决什么问题

1.1 从“会聊天的 AI”到“会干活的 AI”：核心痛点的转变

先聊聊我为什么开始关注 superpowers。过去很长一段时间，我习惯在编辑器里装各种 AI 插件，让模型帮忙写函数、补注释、解释报错。效果确实有，但总感觉差一口气：AI 回答得很快，却经常答非所问，尤其是在处理复杂重构、跨文件排查问题的时候，它给出的建议往往只覆盖局部，抓不住全局。这背后的原因是模型默认的交互模式太“被动”了——你问一句，它答一句，没有深入思考的过程，也没有一套稳定的工作流程。

superpowers 的出现就是为了打破这种模式。它本质上是一套运行在 VS Code 扩展里的“技能库”，每个技能（skill）都是一份结构化的 Markdown 指令文件，里面写清楚了 AI 在面对某类任务时应该遵循的思考步骤、检查清单和输出格式。比如“深度代码审查”这个技能，会要求 AI 先分析架构层面的风险，再逐层检查数据流、错误处理、安全性，最后才输出带优先级的修改建议。整个过程不是模型临场发挥，而是按照提前设计好的方法论在执行。

从我实际使用的感受来说，这套体系最大的价值是让 AI 的产出变得“可预期”。你不会再收到那种看似合理、实则漏掉关键边界条件的答案，因为技能文件里已经把人类工程师的思考方式固化进去了。它适合的人群很明确：正在用 AI 辅助编码、但对回答质量不满意的开发者，尤其是需要处理中大型项目、代码审查、测试驱动开发这类复杂任务的团队。

1.2 Skills 机制拆解：不是插件，是结构化的“工作方法”

要理解 superpowers，首先得把“技能”和“插件”这两个概念分开。传统插件是给编辑器增加功能按钮、快捷键、UI 面板，而 superpowers 的技能是一套“行为准则”+“工具组合”。每个技能包含两部分：一部分是给 AI 看的指令文本，另一部分是可能调用的外部工具或脚本。当你在对话中触发某个技能时，AI 会先读取对应的 SKILL.md 文件，按照里面的步骤执行任务。

我打个比方。普通 AI 对话就像你找了个实习生，你跟他说“帮我把这段代码重构一下”，他凭感觉就上手改了，改完你可能还得返工；而 superpowers 相当于给这个实习生一本操作手册，手册里写着“先列出当前模块的所有依赖关系，再找出重复逻辑，制定重构方案，最后分三步执行，每步都要跑测试”。同样是重构，后者出错的概率低得多，而且过程可追溯。

这套机制的实现也不复杂。技能文件通常放在项目的.superpowers目录下，或者扩展自带的技能包里。文件采用 Markdown 格式，里面用---分隔的 YAML frontmatter 定义技能的名称、描述、适用场景，正文部分则是详细的指令。AI 通过 MCP（Model Context Protocol）协议读取这些文件，所以技能可以被动态加载、按需启用，也可以由团队自定义。这意味着你可以把团队内部的编码规范、代码审查 checklist、发布流程全部写成技能文件，让 AI 在执行任务时自动遵守。

2. 安装与引入：5 分钟把 Superpowers 跑起来

2.1 前置检查：版本、模型与网络环境

安装之前，先确认几个前提条件，不然容易在配置环节卡住。我的环境是 VS Code 1.90 以上版本，操作系统是 macOS，理论上 Windows 和 Linux 也没问题，但路径配置略有差异。superpowers 本身不绑定某个特定模型，它是通过 MCP 与模型通信的，所以你需要一个支持 MCP 的 AI 编程环境——最常见的是 Claude Code，以及部分支持 MCP 的编辑器内 AI 助手。我用的是 Claude 系列模型，配合 OpenAI 兼容接口也能跑，但实测下来 Claude 对技能指令的遵循度更高，尤其是长指令和分步骤任务。

网络方面，因为技能包的下载和 MCP 服务的连接都需要访问远程仓库，如果你的开发环境有严格的网络限制，建议先确认能正常访问 GitHub 和 Open VSX 这两个站点。另外提醒一句，如果公司内网有代理，记得在 VS Code 的代理设置里配好，否则安装扩展后可能一直处于“连接中”状态，这个问题后面排查章节还会讲到。

2.2 完整安装步骤：从 Open VSX 安装到 MCP 配置

第一步是安装扩展本体。在 VS Code 的扩展市场里搜不到 superpowers 的话，可以去 Open VSX 网站下载对应的 .vsix 安装包，然后在扩展面板里选择“从 VSIX 安装”。装完之后左侧活动栏会出现一个新的图标，这就是 superpowers 的入口面板。需要注意的是，安装完成不代表配置完成，你还得在项目目录下创建一个 MCP 配置文件。

具体操作是这样的：在项目根目录打开命令面板（Cmd+Shift+P），输入MCP: Open Configuration，选择创建新的 MCP 配置。文件内容是 JSON 格式，参考下面这段：

{ "mcpServers": { "superpowers": { "command": "npx", "args": ["-y", "superpowers-mcp"], "cwd": "${workspaceFolder}" } } }

保存后重启 VS Code，右下角会弹出提示询问是否信任该 MCP 服务，选择信任。然后在 superpowers 面板里如果看到状态变成绿色，说明 MCP 通信已经建立。我最初在这里踩了个坑：cwd字段没有设置，导致技能文件定位到了错误的目录，AI 一直说找不到技能。加了${workspaceFolder}之后问题立刻消失，这个参数的作用是把当前工作区作为技能查找的根目录。

2.3 引入技能的三种方式：斜杠命令、MCP 工具与自动触发

安装完成之后，你是怎么把技能“用起来”的？我总结了三种方式，对应不同的使用习惯。

第一种是斜杠命令触发。在 AI 对话输入框里敲/，会弹出所有可用技能的列表，比如/deep-think、/code-review、/tdd。这种方式最直观，适合你知道自己需要哪个技能的时候，比如刚写完一个模块，想让它做深度审查，直接输入/code-review就能唤起。

第二种是直接调用 MCP 工具。superpowers 会通过 MCP 暴露一组工具，比如list_skills、read_skill、run_skill。你可以让 AI 自己决定什么时候调用哪个工具，也可以手动在对话中引用工具名称。这种方式灵活，但需要你对工具列表有一定了解。我一般是在和 AI 讨论“怎么做”的时候让它自动选择，它读完技能描述后会自动匹配当前任务。

第三种是自动触发。这是我觉得最惊喜的一点——你在对话中描述任务时，如果任务特征和某个技能的描述匹配，AI 会自动加载对应技能。比如你说“帮我审查一下这个文件的安全性”，AI 就会自动调用安全评审技能。前提是技能描述写得到位，所以如果是自己写的技能，描述部分要仔细打磨。

3. 核心技能逐个拆解：这些 Skills 到底强在哪

3.1 思维链技能：让 AI 先“想清楚”再动手

先聊我最常用的一个技能：思维链，对应命令是/deep-think。这个技能的核心逻辑是强制 AI 在给出结论之前，先输出完整推理过程。听起来很简单，但实际效果差别很大。默认模式下，AI 往往是“边想边答”，遇到复杂问题容易漏掉中间步骤，直接跳到结论；而思维链技能会把整个过程拆成“理解问题、列出已知条件、枚举可能方案、逐个分析可行性、给出推荐方案”几个阶段，每一步都要有明确输出。

我实际用下来的感受是，它特别适合两类场景：一类是模糊需求，比如“这段代码性能不太好，帮我优化一下”，AI 会先追问瓶颈具体在哪，是 CPU 还是内存，再给出针对性的优化建议；另一类是跨模块的架构调整，AI 会先梳理依赖图，再分析改动影响范围，最后才给出实施步骤。我遇到过一次模型在没有思维链的情况下推荐了一个“看似简洁但会破坏现有接口兼容性”的方案，开了深度思考之后，它就会主动检查调用方代码，避免出这种问题。

3.2 深度代码审查：从挑错到架构级把关

代码审查技能（/code-review）是我推荐每个团队都启用的技能。传统的 AI 代码审查往往是“改错别字”级别的，比如变量命名不规范、缺少空指针判断。但 superpowers 的深度审查技能把审查分成五个层级：第一层是语法和类型错误，第二层是逻辑正确性，第三层是数据流和状态管理，第四层是错误处理和边界条件，第五层是架构一致性和扩展性。你可以通过参数控制审查深度，比如只审查某个 diff，或者针对某个模块做全量审查。

值得一提的是，这个技能会要求 AI 在输出审查报告时按“严重程度”分类问题，并且为每个问题标注所属文件、行号和修改建议。我拿它审查过一段同事写的支付回调代码，它发现了一个我在代码评审会上没注意到的竞态条件：两个并发的回调事件可能同时修改订单状态。AI 不仅指出了风险，还给出了加锁和状态机两种解决方案。这种深度已经超出“语法检查”的范畴，接近一个资深工程师的 Code Review 水平了。

3.3 测试驱动开发：逼着 AI 按 TDD 节奏干活

测试驱动开发技能（/tdd）是我最近才真正上手用的，一开始觉得“让 AI 写测试？我自己写不香吗”，但用完之后觉得它确实能把 TDD 的节奏跑起来。这个技能的流程是：AI 先分析你要实现的功能，拆解出几个行为维度的测试用例；然后先写一个失败的测试；接着写让测试通过的最简实现；最后做重构，确保测试仍然通过。

这个过程看起来机械，但有个隐藏的好处：它强制 AI 在动手写功能代码之前，先明确函数的输入输出和边界行为。我有一次让它开发一个日期格式化工具，AI 先写了覆盖时区、闰年、非法输入等 8 个场景的测试，然后才开始实现。后来我把这些测试集成到 CI 里，连续跑了两周，没有出现过一次回归。相比直接让 AI 写功能代码，TDD 技能生成的代码质量确实高一个档次，因为测试本身就是一道护栏。

3.4 其他值得关注的高频技能

除了上面三个，还有几个技能我平时使用频率也很高，简单列一下：

以调试辅助为例，它和我过去用的debugger不同，AI 不会一上来就让你打印日志，而是先根据堆栈信息列出可能的失败原因，再按概率排序逐项排查。有一回线上偶发超时，AI 根据日志锁定了三个可疑点，最后发现是连接池配置问题，而不是代码逻辑错误。这种“先假设后验证”的思路，确实比无头苍蝇式排查高效得多。

4. 实操配置与工作流整合：让 Superpowers 真正贴合项目

4.1 模型端点的配置与切换

很多人装了扩展却发现技能执行得不好，第一个要检查的就是模型端点配置。superpowers 的 MCP 服务本身不提供推理能力，所有技能指令都是由后端模型执行的，所以模型的聪明程度直接决定技能效果。配置路径是.superpowers/config.json，我贴一份我在用的配置模板：

{ "model": { "provider": "anthropic", "apiKeyEnvVar": "ANTHROPIC_API_KEY", "modelName": "claude-sonnet-4-20250514", "temperature": 0.2, "maxTokens": 8192 }, "skills": { "enabled": ["deep-think", "code-review", "tdd", "refactor"], "disabled": [] }, "mcp": { "serverTimeout": 30000 } }

这里provider也可以是openai或者custom，如果你用的是兼容 OpenAI 协议的国内模型服务，可以设置baseUrl指向你的网关地址。temperature我建议设置在 0.2 左右，太高的话模型回答会发散，技能指令的约束力会被削弱；太低的回答又显得机械，缺少灵活性。maxTokens根据你的任务复杂度调整，像深度代码审查这种需要输出长报告的任务，建议给到 8192 以上。

4.2 自定义团队技能：把规范写进 SKILL.md

如果说内置技能是超级英雄的初始装备，那自定义技能就是你给它打造的专属武器。团队可以把自己的编码规范、架构决策记录模板、发布检查清单都写成 SKILL.md 文件，放在.superpowers/skills/目录下，AI 就能在对话中自动加载。

我分享一下我们团队一个实际案例。我们有一个 Java 后端项目，要求所有新增接口必须包含参数校验、统一异常包装、幂等性处理三个要素，以前靠人肉 Code Review 检查，总有漏网之鱼。后来我把这三条规范写成了一份技能，每次 AI 生成接口代码时都会自动对照检查，不满足就主动补充。这份技能的大致结构是这样的：

--- name: api-compliance description: 用于检查新增 API 接口是否符合团队规范 --- ## 检查清单 1. 参数校验：所有入参必须有 @Validated 注解，并定义校验规则 2. 异常包装：方法内不得直接抛出业务异常，必须通过 ResultWrapper 包装 3. 幂等性：写操作必须校验幂等性 key，处理重复请求时返回首次结果 ## 输出要求 - 如果代码不符合清单中任意一项，指出具体行号并给出修改代码 - 输出结果按“不符合项 -> 修改建议 -> 修改后代码”的格式组织

写这个技能文件有几个要点。一是description要写得具体，AI 是靠它来判断何时触发技能的，太笼统的描述会导致 AI 在不该用的时候乱用。二是正文字数不要太多，我实测超过 500 行后，模型对指令的遵循度会明显下降，因为长指令会稀释关键信息的权重。三是尽量用“必须”“不得”这类强约束词，不要用“建议”“可以考虑”，否则 AI 在执行时容易“自由发挥”。

4.3 与现有工作流的结合方式

配置好之后，接下来就是把 superpowers 嵌入到日常开发流程里。我目前的工作流是这样：每天早上打开项目，先让 AI 基于 Git 历史生成一份“昨日变更摘要”，这个是通过自定义技能实现的，AI 会去读git log和git diff，然后输出一份带了影响范围的摘要。接着开始写代码，每完成一个功能模块，用/tdd技能让 AI 补测试；提交合并请求之前，用/code-review做一轮深度审查；如果测试挂了，用/debug技能定位问题。

这样一来，AI 就不是一个偶尔想起来才打开的对话框，而是变成了流水线上固定的一个工位。你可能觉得这样是不是把简单问题复杂化了，但当你习惯了这种流程化协作，再回到“问一句答一句”的模式，你会明显感觉到产出质量的落差。特别是一个项目有多个协作者时，流程化的 AI 辅助能保证每一个人提交的代码都经过同等深度的检查，团队整体质量下限被拉高了。

不过要提醒一点，技能的调用最好有“节奏感”，不要每个对话都挂deep-think，否则每次响应都要多等几秒。我一般在小改动上用短暂模式，重构、审查、调试这类复杂任务才挂深度技能。合理的分工才能让这个工具发挥最大作用。

5. 常见问题与排查技巧实录

5.1 MCP 连接失败与技能不可用

装完扩展最常遇到的问题就是 MCP 连接不上，面板一直显示黄色或红色状态。这时候我一般按照顺序排查：第一，检查.mcp.json里配置的command和args是否正确，特别注意npx是否能正确执行，Windows 上有时需要写成npx.cmd；第二，检查网络能不能访问 npx 的包仓库，如果企业内网限制多，需要在.npmrc里配镜像源；第三，看 VS Code 输出面板的 MCP 日志，里面会有具体的错误信息。

还有一个很隐蔽的问题：如果你之前装过其他 MCP 服务，它们之间有端口冲突的可能性虽然小，但确实存在。我遇到过 superpowers 和另一个工具都使用了默认的 3000 端口，导致服务起不来。解决办法是在配置里给env字段加一个PORT=3001，强制指定一个空闲端口。

5.2 上下文窗口被技能文件撑爆

技能的本质是把指令文本塞进上下文，所以它必然占用 token 配额。如果你的模型上下文窗口是 64k，一个技能文件平均 5k~10k 字符，那 5 个技能同时加载就占了接近一半。遇到这种情况，AI 的回复质量会肉眼可见地下降，因为它“记住”的有效上下文空间变小了。

我的解决办法是“按需启用”，只在.superpowers/config.json里保留当前项目最常用的 3~5 个技能，其他全部放入disabled列表。另外，自定义技能文件要注意精简，如果某个技能确实包含大量参考示例，可以把示例拆到单独的文件里，在指令中用相对路径引用，比如写“具体示例见 examples.md ”，这样 AI 可以根据需要决定是否读取，减轻上下文压力。

5.3 模型输出质量不稳定

技能执行效果时好时坏，这是很多人疑惑的地方。我观察下来，原因主要有两个：一是模型版本更新后行为变化了，某个版本对长指令的遵循度变差；二是任务描述太模糊，AI 即使加载了技能也不知道你想要什么。

针对第一个原因，我的方法是在模型配置里锁版本号，不要用latest这种浮动标签，等模型稳定版出来后手动升级。针对第二个原因，关键在于对话的“开场白”，我会把任务描述拆成“目标 + 约束 + 参考信息”三块。比如“帮我重构PaymentService中的支付逻辑，目标是消除重复代码，约束是不改变外部接口签名，参考信息是我已经梳理的依赖图在docs/deps.md里”。任务描述越清晰，技能指令的发挥空间越大。

5.4 技能文件管理技巧

最后分享几个我维护技能文件的心得。第一，版本管理很重要，.superpowers/目录应该纳入 Git 版本管理，这样技能变更可以被 review 和回滚。第二，技能文件命名用“作用域-行为”的格式，比如java-api-compliance.md，比skill1.md可读性强得多，也方便 AI 根据文件名判断是否匹配当前任务。第三，定期清理不再使用的技能，留着一堆无效技能会占用配置空间，还会干扰 AI 对技能的选择判断。

如果你和团队一起使用，还可以把技能文件单独建一个仓库，通过子模块或者符号链接引入到各个项目里，这样更新一次，所有项目都能同步。当然这样会带来同步时机的管理成本，所以在团队初期，我更推荐每个项目独立维护技能文件，等稳定之后再考虑集中管理。

我在实际使用中最深的体会是：工具只是把方法论固化下来的载体，真正值钱的还是技能文件里写的那套“做事逻辑”。刚开始用 superpowers 时我总觉得内置技能不够用，后来把团队规范写进去之后才找到了正确的打开方式。如果你也想让 AI 在项目里发挥稳定、可预期的生产力，建议从深度审查和 TDD 这两个技能开始，它们覆盖的代码质量场景最通用，学习成本也最低。等跑顺了，再按你的业务场景定制技能，把团队的隐性知识慢慢沉淀进去。