企业官网建设流程全解析

“Superpowers”，字面意思是“超能力”，放在AI编程助手这个圈子里，指的是一套最近在开发者社区里传得很火的技能框架。它不是某个单一的软件，而是一套开源的方案，专门用来给 Claude Code 这类 AI 编程工具批量添加“技能（Skills）”。简单说，装上 superpowers 之后，你的 AI 从“只能聊天写代码的助手”，会变成“自带 PDF 处理、图像分析、HTML 设计、数据提取、阅读研究等一百多种专项能力的工具箱”。对于每天重度使用 AI 编程、做自动化脚本、甚至拿 AI 做内容处理的人来说，这个项目解决的核心痛点就一个：默认的 AI 对话能力太“薄”了，很多专业操作要么不会，要么做出来的质量不稳定。这篇文章我就结合自己实际部署和使用的经验，把这个项目到底能干什么、背后是什么原理、怎么装、怎么选技能、踩过哪些坑，一次讲透。

我最初注意到 superpowers，是在 GitHub 的热榜上看到它冲到了很靠前的位置。当时以为是又一个 Agent 框架，后来发现它的思路其实非常“朴素”——不搞复杂的工作流编排，而是靠着大量、精细、相互独立的技能文件，让 AI 完成从“知道怎么做”到“真的会做”这一步跨越。这种思路有点像给你的 AI 助手配一套“使用手册”，每一本手册都针对一类具体任务。下面我从设计思路开始，慢慢拆解。

1. 这套“超能力”到底是干嘛的：核心思路与设计逻辑

1.1 为什么我们需要给 AI 额外安装“技能”

先回想一下你直接用 Claude 这类大模型时的常态：让它写一段 Python 脚本处理 Excel，它能写；让它总结一篇英文 PDF，它能说个大概；让它做一个网页着陆页，它能给你一个能看的版本。但一旦换成具体场景，比如“把这份 PDF 里的表格全部提取出来并转成 CSV”，或者“根据这张设计稿一比一还原 HTML 页面”，默认状态下的表现往往就差强人意。原因不在于模型本身笨，而是通用大模型的训练目标服务于“对话流畅”，而不是“专项任务的高水准完成”。

superpowers 的核心设计逻辑，就是借助 Anthropic 官方的 Agent Skills 规范，把一项项专业能力固化下来。一个技能本质上是一个包含SKILL.md文件的目录，里面用严格的结构化文本描述了：这个技能在什么场景下用、需要哪些前置条件、执行时按什么步骤走、输出格式是什么、有哪些禁忌。AI 在拿到用户的请求之后，会先读取这些技能文件，再按照文件里的指引去执行任务，效果是完全不一样的。

我用一个非常生活化的类比解释：没装技能的 AI 像是一个全科实习医生，什么科室都能看一眼，但深度有限；装上 superpowers 之后，相当于给这个实习医生配了一百多位专科导师，遇到心脏问题就翻心脏外科手册，遇到皮肤问题就翻皮肤科手册，虽然动手的还是那个医生，但背后已经有一套成熟的临床路径在约束。

1.2 与普通插件/工具库的区别

市面上给 AI 加能力的方式有不少，一类是 MCP（Model Context Protocol）服务器，一类是各种 Agent 框架，还有一类是“预置 prompt 模板”。superpowers 走的是 Skills 路线，好处非常明显：

• 无外部服务依赖：MCP 通常需要起一个本地服务、配 API 密钥、处理鉴权；skill 就是纯文件，拷进项目目录或用户目录就能用，不需要守护进程。
• 透明可改：因为技能的本质是 Markdown 文本文件，你可以对技能内部步骤进行增减，不需要懂编程，改完立即生效，这种可解释性比黑盒插件强很多。
• 按需加载：AI 每次都会根据用户请求和技能描述来决定是否启用该技能，不会像大型 Agent 框架那样一股脑地把所有工具全塞给模型，省 token、响应快，也不容易让模型“选择困难”。

当然它也有边界。Skills 本身不提供“原子能力”，它不能凭空让 AI 生成本地文件，真正的文件读写还得靠 AI 编程工具（比如 Claude Code）本身已有的工具函数。Skills 更像是“思维与步骤的框架”，告诉 AI 用现有工具时按什么顺序、以什么标准去操作。明白这一点很重要，你不会在引入技能之后产生不切实际的预期。

1.3 这个项目适合谁

根据我自己的使用体验和社区反馈，最值得装这套技能的是三类人。第一类是重度使用 Claude Code 的开发者，日常做代码审查、重构、文档整理，技能可以极大提升细节处理能力。第二类是“用 AI 做内容工作流”的运营、产品、研究岗，因为这里面的 PDF 处理技能、幻灯片生成技能、图像分析技能确实是刚需。第三类是折腾型玩家，喜欢把 AI 调教成得力助手的那批人，Superpowers 本身设计得模块化，拿来改造成自己的技能库也很有意思。

如果你是那种只用 AI 聊天、偶尔写几段代码的轻度用户，这套东西对你的价值可能要打折扣。不是说它不好，而是学习成本摆在那里——毕竟你首先得有一个支持 Agent Skills 的编辑器或 CLI 环境，这本身就有技术门槛。

2. 技能清单大扫描：它内置了哪些常用 Skills

2.1 文件处理与数据提取类

装好 superpowers 之后，项目中会出现一个skills/目录，里面每一个子文件夹就是一个技能。我用自己的环境导出过一个完整列表，粗算下来有 100+ 个。分门别类看，最实用的一块集中在文件处理。

以 PDF 处理为例，内置的pdf-processing技能是一整套“组合拳”：它规定 AI 在处理 PDF 时，先判断 PDF 是文字版还是扫描版，然后决定用pdfplumber还是 OCR 工具；提取文字后如何清洗排版、如何处理跨页段落、如何保留表格结构，全都有明确指令。我实测拿一份 80 页带复杂表格的券商研报做提取，未启用技能时 Claude 会尝试调用一个不存在的 Python 库，启用技能后它会主动检查依赖、安装库、然后一步步处理，最终输出的 CSV 几乎没有乱码。这个差距就是“知道”与“会做”的区别。

数据提取类技能还包括：从 JSON/XML/CSV 中提取指定字段、从 Excel 中读取特定 Sheet 并进行清洗、从 Web 页面中提取结构化内容。这类技能的共同点是：把 AI 本来“会一点”但又“做不精”的工作，用细颗粒度的步骤约束起来，减少犯低级错误的可能。

2.2 设计与前端生成类

第二个比较亮眼的板块是下图的 HTML/CSS 相关技能。这个领域的核心痛点是：AI 生成的网页风格高度同质化，十个页面有九个像模板。Superpowers 里面的html-css-design之类的技能（具体名称可能随版本更新调整），在设计中强调“从意象和情绪板出发”，要求 AI 在动手写代码之前先描述视觉方向、字体系统、配色系统、布局网格，甚至要求提供设计 rationale（设计理由）。

这意味着它生成的页面会有更明确的风格倾向，而不是默认的居中卡片 + 圆角阴影。我有一次让它根据“复古科技杂志”这个意象做一个落地页，启用设计技能后它给出的方案竟然带了网格线背景、像素风格字体和等宽字体的数据面板，完全跳出我平时看到的 AI 页面模板感。这对于需要频繁制作原型、落地页的开发者来说，节省的返工时间不是一点半点。

这个板块还包括图片处理、SVG 生成与优化、Favicon 生成等。严格来说这些技能并没有给模型增加新的“眼”或“手”，它们改变的是模型在生成过程中的自我检查机制。例如，SVG 技能会强制 AI 检查路径闭合、视口尺寸、颜色格式，结束输出前还要用工具实际渲染一遍确认无报错，这比用户反复拿代码去浏览器里验证靠谱得多。

2.3 阅读研究与信息整合类

还有一个容易被忽视但非常实用的板块，是阅读和研究类技能。比如read-and-research这一类的技能（具体名称同样以安装后的列表为准），它们把“给模型一篇文章让它总结”这个简单动作变成了一套研究流程：先扫标题目录、定位关键章节、对核心段落做详细笔记、最后生成带引用的结构化报告。

这套流程能显著减少“AI 幻觉”。因为普通对话模式下，模型倾向于凭借训练记忆补齐不确定的信息；而有了技能约束，它会强制自己“先查证后发言”，所有判断都基于输入的文档内容。对于经常处理行业报告、学术论文、竞品分析的人来说，这一点价值极高。最近我处理一份 50 页的市场分析 PDF，交给启用了阅读技能的环境去跑，最后生成的摘要不仅分清了事实与推论，还标出了数据和页码，这份报告我几乎没改就交付了。

其他的技能还包括：代码审查、Git 工作流辅助、持续集成调试、测试驱动开发（TDD）等偏工程向的能力；梳理大项目代码库、自动生成提交信息、辅助生成测试用例这类任务也在它的覆盖范围内。整体看，这个项目名为“超能力”确实不算夸张，覆盖面从“写代码”延伸到“处理文档”、“研究信息”、“设计页面”，已经不是单一的编程辅助工具，而是一个通用生产工具箱。

3. 安装与引入：两条路线实操全记录

3.1 前置条件：确认你的 AI 编程环境支持 Skills

在看具体安装步骤之前，先确认你的环境。Superpowers 针对的是 Claude Code 这样的 Agent 型编程工具，它遵循的是 Anthropic 发布的 Agent Skills 规范。也就是说，你使用的工具必须能识别项目里的.claude/skills目录或者用户级~/.claude/skills目录下的技能文件。

以 Claude Code 为例，在最近的版本里已经内置了对 Skills 的加载支持。装好之后，AI 的 System Prompt 里会增加技能描述，让它知道什么情况下可以调用技能。而普通的 Claude 网页版 App 目前是没法直接用的，这需要先有一个本地 CLI 环境。这一点建议大家在动手之前先想清楚，免得装完之后发现工具不识别。

如果你还没有安装 Claude Code，先完成它的安装和鉴权。这个过程基本就是安装 npm 包、登录账号、在项目目录里运行，网上有官方文档，在这里不展开。我只能说，CLI 环境的运行顺畅度直接决定后续技能加载是否正常，如果你本身处在无法顺畅连上大模型服务网络的环境里，先解决这个基本问题再来折腾技能包，否则后面的排查会混在一起。

3.2 一键安装：仓库克隆与目录放置

在 GitHub 上找到superpowers仓库（一个非常流行的开源项目，作者是 Jesse Vincent，项目遵循 MIT 协议），然后把它克隆到本地。

git clone https://github.com/jesse-ai/superpowers.git

克隆完成后，仓库里包含一个skills/目录、一个extras/目录和一些配置文件。最关键的步骤是把skills/目录里的所有子目录，复制到你当前项目的.claude/skills/目录下：

# 进入你的目标项目目录 cd /path/to/your-project # 创建技能目录 mkdir -p .claude/skills # 把所有技能文件复制进项目技能目录 cp -r /path/to/superpowers/skills/* .claude/skills/

执行完之后，你可以用ls .claude/skills/看看内容。如果能看到几十个带有SKILL.md文件的子目录，那基本就成功了。接下来重新启动 Claude Code，AI 在启动时就会加载并索引这些技能。你可以直接问它：“你现在有哪些可用的技能？”它会基于已加载的技能目录给出一份清单。

有一点需要特别提醒：复制技能到项目目录，代表着这套技能只在该项目下生效。如果希望全局对所有项目生效，可以把它们放到用户级目录：

# 全局技能位置（注意，不同的 CLI 工具可能略有差异） mkdir -p ~/.claude/skills cp -r /path/to/superpowers/skills/* ~/.claude/skills/

我个人更推荐先做全局安装，因为技能是纯静态文本，不跟业务代码挂钩，全局加载可以让所有项目都受益。但如果你团队协作，其他人没有安装技能，你生成的代码可能会不自觉地依赖某些技能文件的步骤（比如强制生成测试用例），提交到公共仓库时会让队友困惑，这种情况项目级安装反而更可控。建议：单人使用全局装，团队协作按项目装。

3.3 更聪明的用法：按需挑着装

一开始我是全量装的，一百多个技能全部复制到技能目录，实测下来 Claude Code 的上下文和性能并没有显著劣化。因为 AI 在大多数情况下只会在系统提示里看到精简后的技能索引，而不是把全部技能内容塞进上下文。只有当任务匹配到某个技能描述时，才会去读取对应的完整文件。

但是全量装有一个“幸福的烦恼”——技能太多，AI 可能会选错技能。比如它把 PDF 处理任务关联到了通用文档技能上，结果某个逻辑没生效，处理质量反而下降。后来我调整为按需安装：只挑高频技能放进技能目录，低频技能保留在仓库里当“技能库”，需要的时候再临时复制过来启用。

这其实正好体现了 superpowers 设计上的模块化优势：它不是巨石应用，而是一堆小积木。对你来说，完全可以根据自己的工作流定制。举个例子，我的项目只做前端原型，那我就只保留html-css-design、svg 生成等几个技能，其他文件处理、研究类的一概不装，这样 AI 做选择时不容易“眼花”。

3.4 验证安装：第一个小任务

装好之后，建议拿一个简单任务测试技能是否真的被触发。比如你刚装了 PDF 处理技能，就找一份 PDF 让它“提取里面所有包含公司名称的句子”，观察它的思考过程。如果它在流程中出现了“根据 pdf-processing 技能的指引，我首先要检测 PDF 是文字版还是扫描版”，说明技能已经被加载且正确选中。如果它直接调用一个本地不存在的库，那多半是加载失败了，要么技能没放对位置，要么 CLI 环境不支持 Skills。

也可以在执行过程中按查看“思考过程”的快捷键，看看 AI 有没有提到“可用技能”。在 Claude Code 里，你可以直接问“加载了哪些技能”，通常它会输出一串技能名；如果返回“没有可用技能”，那先检查目录路径是否正确，再检查环境版本。

4. 推进深水区：Skills 目录的美化、自定义与“私藏技能”

4.1 修改现成技能，更贴合自己的习惯

superpowers 的安装其实只是第一步，真正有意思的地方在于改技能。因为这批技能文件不是编译好的二进制，而是纯 Markdown，任何人打开SKILL.md都能看懂规则逻辑。我之前觉得它内置的代码审查技能要求太严，哨兵规则太多，不适合我们小团队的快速迭代节奏，就直接打开SKILL.md，把“必须在每次修改后运行完整测试套件”改为“必须给出风险自评，由用户决定是否运行全量测试”。改完保存，重启 Claude Code 就生效了。

我建议每一个想用好这套技能的人，都把修改技能当成一种乐趣而不是负担。因为技能本质上就是一系列指令，你在日常工作中总结出的那套“先做什么、再做什么、注意什么”的隐性经验，完全可以固化成自定义技能。比如你处理公众号排版有固定套路，平时你每次都把那一大段要求复制给 AI，现在你可以把它写成一个 skill，下次只需要说“按你的公众号排版技能，把这篇文章排一下”，不用再发长篇大论。

4.2 从零创建一个私藏技能

新建技能的步骤很简单：在技能目录下建一个新文件夹，命名用连字符风格（例如my-email-format），里面创建一个SKILL.md文件。

简单模板如下：

--- name: my-email-format description: 当用户要求撰写、润色或回复商务邮件时使用此技能。尤其适用于需要正式语气、明确诉求和落款的场景。 --- # 商务邮件撰写规范 ## 适用场景 - 用户需要发送给客户的合作邮件 - 用户需要回复上级的汇报邮件 ## 执行步骤 1. 确认邮件的收件人身份和沟通语境 2. 提取用户提供的核心信息点（目标、产品、时间、诉求） 3. 按“背景说明 + 核心诉求 + 行动呼吁 + 礼貌收尾”四段式撰写 4. 检查全文语气，避免“我可以”这种弱势表达，改为“我们将在” ## 输出格式 - 主题行：不超过 12 个字，必须含核心关键词 - 正文：不低于 80 字，不超过 300 字 - 结尾：必须包含落款和联系方式 ## 禁忌 - 禁止使用“Hope this email finds you well”这类废话开头 - 禁止堆砌形容词

保存后，你的 AI 就在下一次对话中具备了这个“邮件技能”。这种自定义能力，才是 superpowers 真正的长期价值——它不只是在给你现成的超能力，还在教你一套为自己量身定制超能力的方法。

4.3 技能的隐藏玩法：组合与串联

单个技能已经很好用了，但 Superpowers 真正让人上瘾的是技能的“组合使用”。比如“PDF 提取技能”和“表格清洗技能”可以串联使用：先让 AI 提取 PDF 中所有表格，再自动清洗字段格式，最后按你的要求生成一个 Markdown 报告。由于每个技能本身是一段独立的步骤描述，模型在复杂任务中可以分阶段匹配不同的技能。

我在实践中积累了一个小经验：与其在一个 prompt 里塞一个巨大无比的任务，不如拆成两三个子任务，每次让 AI 先选技能 A 完成任务 A，再选技能 B 完成任务 B。这样做的好处是每个阶段的上下文更干净，模型对技能的匹配准确率更高。比如处理一份产品说明书并生成宣传页，我会先让它用文档技能把说明书的要点提取出来，然后在新的会话里让它用设计技能做页面。两个会话互不干扰，效果明显更稳定。

4.4 技能与 MCP 工具的配合

看到这里，可能有人想问：那我之前配的 MCP 服务器会不会冲突？其实两者不是替代关系，而是互补关系。MCP 负责给 AI 提供外部数据源和工具（比如 GitHub 操作、数据库查询），Skills 负责告诉 AI 怎么用这些工具、按什么步骤来。当技能引用“调用 GitHub API 创建 Issue”时，底层的工具对接还是得靠 MCP 服务器。换句话说，Skills 是指南，MCP 是双手。你可以先用 MCP 打通数据链路，再用 Skills 去约束 AI 的行为标准。

5. 常见问题与避坑指南：我的实战排查记录

5.1 技能不生效，AI 完全不理会它

这是我被问得最多的问题。症状通常是：技能文件已经放到目录里了，但 AI 处理任务时表现跟没装一样。排查步骤按先后顺序来：

1. 确认技能目录是否被识别：在 CLI 里直接问“你现在有哪些技能可用”，如果它说出一个都没有，必定是路径不对。检查项目目录下的.claude/skills是否正确、是否有拼写错误。
2. 检查是否有SKILL.md文件：技能目录内必须有一个名为SKILL.md的文件，AI 识别的是这个固定文件名，不是README.md，不是prompt.md。
3. 确认 frontmatter 有效：文件顶部必须有 YAML 格式的name和description字段，而且两者缺一不可。如果 e.g.description写了 200 字长句，某些工具会在解析时截断或报错，导致技能被忽略。建议描述控制在 50 字以内。
4. 更新 CLI 版本：较早版本的 Claude Code 是不识别 Skills 的。遇到不生效先升级，省去其它排查的功夫。

还有一个小坑：某些文本编辑器在保存 Markdown 时会自动把 YAML 开头的---转成全角字符，这样文件就解析失败。如果你的编辑器对 Markdown 做了一堆自动格式化，装完技能后建议用命令行查看一下head -n 10 SKILL.md，确认格式没被自动“优化”坏。

5.2 技能之间互相冲突，AI 选错技能

装了几十个技能之后，难免会遇到两个技能描述重叠的情况。比如同时装了一个“处理任何文档”的通用技能，又装了一个“专门处理 PDF”的专项技能，那 AI 面对 PDF 任务时可能会选通用技能，而处理质量明显不如专项技能。

解决思路很简单：改 description。技能的 description 是 AI 选择技能时的“第一印象”，只要把不常用技能的描述改得更窄、更具体，把常用技能的描述改成更宽泛、更显眼，AI 的选择精度就会好很多。例如把通用文档技能的 description 开头加上“仅当没有其他专项技能匹配时使用”，它在匹配阶段的优先级就会下降，把专项技能留给更合适的场景。

5.3 用户级技能和项目级技能重复

如果你既把技能放到了~/.claude/skills/，又复制了一份到./.claude/skills/，项目里就会存在两个同名的技能目录。大多数工具的做法是项目级覆盖用户级，但也有一些旧版本会重复加载，导致 AI 出现混乱（比如执行流程走一半，从另一个同名技能读取步骤，结果步骤前后矛盾）。

我的做法是：统一只放一处，不要把同一份技能复制得遍地都是。如果确实需要项目级隔离，那就不要全局安装同名技能。这个原则是“就近一次，不重复”。

5.4 技能生成的内容质量反而更差

这种情况只在我“滥用”技能时出现过。比如代码任务是简单的参数调整，AI 用了需要跑完整测试套件的严格技能，把简单任务复杂化了。另一个典型是：处理小图片时，AI 还是按大图的严苛流程来回渲染，白白消耗时间和 token。

所以说，技能不是越多越好，也不是越重越好。用技能的判断标准应该是任务复杂度，而不是好奇心。如果一个简单任务需要 AI 走完五步流程才算完，直接简单处理反而更高效。这也解释了为什么我现在极力推荐“按需安装”而不是“全家桶安装”。

5.5 依赖外部库缺失导致技能中断

很多技能步骤里写明了要使用某个 Python 库或命令行工具，但技能本身不具备安装依赖的能力。比如 PDF 处理技能要调用pdfplumber，在你首次使用时可能会因为库里没有这个包而中断。

解决方案有两个思路。第一个是提前把常用依赖装好（pip install pdfplumber），第二个是让 AI 根据错误信息自动安装缺失依赖。后者更省心，但要求你的 CLI 环境允许 AI 执行 Shell 命令，实操中我多数情况是人工确认后让它安装，避免一些环境层面的权限问题。

5.6 上下文被技能描述占满

有一类反馈说“装上技能之后感觉回答变慢、上下文变小了”。这个问题普遍存在于大包模式的装法中——如果你把一百多个技能全部铺在系统提示里，即使只是技能名和一句话描述，也会消耗一定上下文窗口，导致实际对话空间缩水。

如果觉得明显变慢，试着减少全局技能数量，把不用的技能移到一个备份目录。不要删除，只移走。保留 20 到 30 个常用技能，通常已经足够覆盖绝大多数工作流了，而对话体验会顺滑不少。

6. 实战复盘：一次真实任务中的技能组合运用

最后分享一段我最近的实操记录，帮大家把前面的理论串起来。任务是“把一份产品团队的竞品调研 PDF 转化成一份可分享的 HTML 报告”。这本来是个多步骤活，以前我得自己动手分成好几轮：先提取、再写正文、再做 HTML，中途还可能要反复改格式。这次我全程在一个会话里完成。

启动之后，我给了它两个指令：读取skills目录，然后处理“竞品调研 PDF”。它先调用 PDF 处理技能，直接在回复中说明了识别思路：先将 PDF 转成文本，再按竞品维度（价格、功能、目标客群）组织内容。因为技能明确指令它要做信息分类，所以最终提取出来的内容不是流水账，而是一张张分组清单。随后它读取 HTML 设计技能的要求，确定了“简洁商务、数据可视化优先”的方向，把报告生成为带目录、带高亮关键指标的单页 HTML。整个文件在浏览器里打开非常干净，几乎没有需要改动的地方。

整个过程里我没有像以前那样频繁地纠正它——“这里表格没对齐”、“这里引用编号错了”、“这个字体在 Windows 里不识别”。因为技能文件里早就把这些检查项写死了。AI 不再是从零思考如何完成一个任务，而是从“该任务的成熟方法库”里调用约定好的最佳实践，输出质量稳定在高水位。

我个人在实际操作中的体会是，Superpowers 这套项目最值得学习的，其实不是那一百多个技能本身，而是它背后的“显性化经验”思维。它告诉我们，任何一件你反复做、且已经有了成熟流程的事情，都值得被写成一个 skill 文件。AI 时代的效率杠杆，不完全是更聪明的模型，也可能是学会把你脑子里的隐性方法论固化下来，让工具能随时调用。在这个基础上，持续维护一套属于你自己的技能库，带来的积累效应，远比单纯追新模型版本更稳固。