作为一个常年泡在 AI 编程工具里的老玩家我最近被一个叫superpowers的东西反复刷屏。一开始我以为又是什么营销概念后来在 Codex、Claude Code 这些代理工具里实际跑了一遍才意识到它是真的能改变 AI 协作方式的那类方案。简单说superpowers 是一套面向 AI 编程代理的“技能增强体系”通过结构化注入技能定义、任务规划和领域知识让 AI 不再只是聊天式地给建议而是能按步骤完成复杂的代码重构、多文件修改和工程级任务。这篇内容我就从设计思路、安装配置、核心用法到 Java 项目实战把我踩过的坑和验证过的方法完整梳理出来给想给 AI 编程助手“加 Buff”的朋友一个可直接照做的参考。1. 为什么 AI 编程需要 superpowers整体设计与核心思路拆解1.1 AI 原生能力的三个短板先说说我为什么觉得传统 AI 编程代理不够用。最早我直接用 Codex 和 Claude Code 做项目基础问答、生成独立函数、写测试都没问题但一旦遇到“改一个核心服务连带影响三个调用方还要更新迁移脚本”这种复合任务AI 就开始露怯了。具体表现可以归纳成三类。第一是缺乏任务拆解能力。你给一个大需求它经常一口气把所有代码全生成出来完全不考虑依赖顺序。明明应该先改接口定义再改实现它却把实现、测试、文档一股脑堆出来出错了都不知道从哪儿查。第二是上下文漂移。聊到第十轮之后AI 会忘记最初的项目约束比如“所有异步回调必须做超时处理”这种关键约定后期生成的代码风格完全走样。第三是没有可复用的技能沉淀。上次踩过的坑、验证过的代码模板下次会话里全得重新教每次都从零开始。superpowers 解决的就是这三件事。它不直接替代 Codex 或 Claude而是给这些代理装上一套“工作手册”让它们知道什么任务该怎么拆、按什么顺序做、调用哪些工具来验证。你可以把它理解为给 AI 编写的一系列“SOP 文件”每个文件描述一种能力的触发条件、执行步骤和产出标准。1.2 superpowers 的设计骨架技能库、任务栈、上下文记忆我自己拆解了下superpowers 的架构主要由四个部分组成。技能库是核心每个技能都是一个带结构化元数据的文件包含技能名称、适用场景、需要的输入参数、执行步骤列表和验收条件。比如一个“安全重构技能”会明确要求 AI 先跑完整测试、找出高频调用链、按调用深度排序再动手每一步都有检查点。任务栈是一个全局状态文件AI 执行任务时会把当前目标、已完成步骤、剩余步骤写进去相当于给 AI 一副“进度表”防止它做着做着就跑偏。上下文记忆是长期持久化的项目知识包括编码规范、框架版本、已知坑点。每次新会话启动时自动加载这些知识让 AI 从第一句话开始就具备“项目老手”的背景。工具桥接层负责把技能动作翻译成真实工具调用比如执行npm test、扫描文件目录、读取 Git diff让 AI 能真正触碰代码库。这样的设计解决了我之前说的“上下文漂移”问题因为记忆存在外部文件里不依赖模型那有上限的上下文窗口。就算会话断了新会话还能通过读回任务栈和技能状态接续工作。1.3 为什么选技能注入而非普通提示词可能有人会说“我直接在 system prompt 里把要求写清楚不行吗为什么要单独搞一套技能体系”我实测过两者的差别感受很明显。普通提示词的问题是缺少条件触发机制。你把所有规则写进一段长 promptAI 可能每一轮都会读到——但恰恰因为每轮都读到模型对重点指令反而容易钝化。更麻烦的是需求一变你得整段改 prompt没有结构化的单元可以局部更新。而 superpowers 的技能文件是单独加载的AI 会根据用户的需求自动判断该激活哪个技能。改技能逻辑只动对应文件其他部分完全不受影响这就像把“脑内记忆”变成了“外部可编辑的卡片夹”清晰度和可控性不是一个量级。再者技能文件里有明确的执行判定逻辑。比如“完成步骤 2 后必须运行mvn test才算通过”普通提示词里这句话会被海量指令淹没但在技能文件里它被标记为硬校验AI 的每一步都以这个校验为准。从工程角度看这本质上是把“提醒式协作”升级成“任务驱动式协作”效率差距在长时间复杂任务中会指数级放大。2. 从零到一安装与基础配置实操2.1 安装前置条件与两种安装方式开始之前先把环境准备交代清楚。我这边验证过的组合是 macOS Node.js 18配合 Codex CLI 2025 年年初的版本。Python 3.10 以上也可以但 Node 生态的导入器匹配度更好。安装 superpowers 前先确认你的 Codex CLI 或 Claude Code 能跑通基础对话这步不做后面所有技能全部无效。我第一次装的时候选择了全局安装方式用 npm 直接拉取安装包。在终端里执行npm install -g superpowers装完后它会往你的用户目录下生成一个.superpowers文件夹里面放着默认技能库、配置模板和日志目录。这时候你可以在任意项目目录里初始化superpowers initinit 命令会自动检测当前目录是否已是 Git 仓库、Java/Python/Node 版本信息然后生成一份.superpowers/config.json和skills/目录。如果不太想用全局安装也可以直接 clone 源码到工作区用相对路径引入——这个方式适合把 superpowers 配置随项目走多人协作时每个成员拉完代码就能获得同样技能集。我建议团队场景用 clone 方式全局安装更适合个人到处跑项目用。2.2 环境变量与 Codex 集成配置安装只是个开始真正重要的是让 AI 代理知道到哪里加载 superpowers。这里需要对 Codex CLI 做一个绑定配置。我在/etc/superpowers/config.jsonmacOS 上或用户目录下编辑主配置关键字段是agent和skillDirs。我的配置长这样{ agent: codex, skillDirs: [./.superpowers/skills], autoLoad: true, contextWindow: 60000, logPath: ./.superpowers/logs/runtime.log }agent指定当前代理类型skillDirs是技能目录列表autoLoad设为 true 时每次会话都会自动扫描技能清单。另外要在 shell 里导出 Codex 所需的 key我的做法是在~/.zshrc中加一行export SUPERHERO_CODEX_API_KEY你的key这样启动 Codex 时会自动读取。如果你的代理不是 Codex而是 Claude Code需要把agent字段换成对应的标识并按照代理要求设置环境变量名。核心思路是一致的superpowers 只是一个外挂大脑代理才是手脚两者通过环境变量和配置文件握手。2.3 校验安装是否成功的清单装完别急着跑任务先用我列的三步核对清单确认环境健康。第一步执行superpowers status看技能库加载数量和配置文件路径是否正确。正常情况会输出已注册技能列表像这样的格式skill: java-refactor status: ready skill: code-explorer status: ready skill: task-planner status: ready第二步在 Codex 会话里输入/sp list如果能看到技能菜单说明代理已经成功读取到 superpowers 的注册信息。第三步跑一个最小验证任务让 AI“用 code-explorer 技能列出当前目录的 Java 文件结构”如果能返回带注解的文件树就证明技能触发链路完整。我踩过一个坑第一次安装时技能目录权限不对导致 run 阶段一直报 “skill not found”最后发现是目录模式变成了 0700普通进程读不到。把目录改成 0755 后一切正常。3. 核心玩法使用指南与技能编排3.1 第一类技能代码库感知类技能装好之后我们先从最常用的技能类别开始理解。代码库感知类技能本质上解决的是“AI 对项目一无所知”的问题。第一个叫code-explorer。它会调用文件系统遍历、正则匹配、依赖关系分析等功能把项目结构按模块整理成一张带权重的依赖图。当你说“找出所有依赖这个 util 类的文件”它不会只搜文件名而是追踪 import 和调用关系返回完整调用链。这个技能非常适合改造遗留系统前做影响范围分析。第二个叫git-history。它能读 Git 历史、查 blame 信息、对比两个 commit 之间的 diff帮助你快速定位某段代码是被谁在什么目的下改过的。我经常在接手陌生模块时先跑这个技能从 commit message 里能读出不少产品背景。这两个技能都属于“静态感知”类型它们不会自己改代码只是给 AI 提供准确情报。3.2 第二类技能任务执行类技能接下来是让 AI 真正干活的技能。task-planner是我最常用的一个它要求 AI 在拿到任务后先输出一份执行计划包括目标描述、涉及文件列表、分步预期结果、风险点和回滚策略。这个计划会写入任务栈后续每一步都对照计划执行避免跑偏。safe-editor技能则控制文件修改流程。它规定 AI 每次修改代码前必须先备份原文件使用 diff 格式输出变更并执行语言级语法校验。比如改 Java 文件时它会先跑javac语法检查再过一遍mvn compile只有全部通过才继续下一步。这个技能是我强烈推荐的——它逼着 AI 一次只改一个文件改完即验证而不是一次性生成一大坨代码再集中找错。第三类是测试驱动类技能test-runner。它负责在重构途中自动发现相关测试、运行测试并解析失败信息。它和task-planner配合时AI 会在完成每个子步骤后自动触发测试闭环凡是测试挂了就回退到最近一个稳定版本从新开始。实测下来这种方式能显著减少回归故障。3.3 编写自己的 Skill一个 Java 重构示例这一步直接上干货。superpowers 允许你以 Markdown 文件的方式定义自己的技能文件头部是 YAML 元信息下面写指令。我以“Java 重命名类并更新引用”为例说明。在skills/java-refactor.md里写--- name: java-refactor description: 安全重命名 Java 类或方法更新所有引用 params: target: 需要重命名的符号名称 newName: 新名称 steps: - step: 识别所有 target 的引用位置 tool: code-explorer - step: 创建符号重命名草案 tool: safe-editor - step: 执行 mvn test 验证 tool: test-runner acceptance: 所有测试通过且无未处理引用搜索 target 返回空 ---AI 读取后会在执行到每一步时主动调用对应工具不只是把指令记在心里。这里有个特别重要的元信息steps里的顺序和前置校验。如果你希望 AI 遵循特定安全流程比如先改接口再改实现一定要把步骤拆细并在每步后面注明“这不是建议而是必须”。自定义技能文件放到技能目录后不需要重启服务。下次会话开场自动加载也可以手动执行/sp reload刷新。我建议团队把常用场景都沉淀成技能文件比如“新功能开发”“依赖升级”“性能优化”三个月后你的技能库就是团队最宝贵的资产之一。4. 实战用 superpowers 驱动 Java 项目重构4.1 任务背景与目标光讲概念太虚下面用我最近做的一个真实场景来走一遍。项目是一个基于 Spring Boot 的订单服务需要把legacyOrderProcessor类拆分成OrderValidator和OrderPersister两个职责更单一的新类同时要把所有调用方从旧类切换到新类并保持对外 API 不变。这个任务涉及十几个文件牵扯到消息队列回调、HTTP controller、定时任务手动改很容易遗漏。我决定让 superpowers 全流程执行。先初始化任务superpowers start 拆分 legacyOrderProcessor 为两个类并更新所有引用启动后task-planner自动生成计划写到.superpowers/tasks/current.md。计划大概是先用code-explorer找全部调用方再设计新类接口然后逐个文件修改最后跑全量测试。4.2 实操过程计划、执行、校验第一步是调用感知技能。我在 Codex 会话里输入使用 code-explorer 技能列出 legacyOrderProcessor 的所有引用位置并标注每个引用的类型。AI 输出了一份包含 14 个文件的清单其中 8 个是直接调用6 个是间接通过 Spring 依赖注入使用。这步如果没有技能支持大概率会漏掉消息队列消费者里那个隐藏引用。第二步进入 safe-editor 阶段。我要求 AI“先生成接口草案只改接口文件不做任何实现改动”。AI 按技能要求先复制了原文件做备份到.superpowers/backup/目录然后创建OrderValidator和OrderPersister两个接口编译通过后才继续下一步。这步给了我很强的安全感因为它严格遵循了“备份-修改-编译”的顺序而不是一下曝光几百行新代码。第三步批量替换引用。由于技能要求每改一个文件都要执行mvn -q compile整个过程拉得比较长但每次失败都只是局部失败能立刻定位。比如改到mqConsumer时因为构造函数参数类型变化编译报错。AI 读到报错后自动回读任务栈找出依赖关系先用 safe-editor 调整构造器注入重新编译通过后才继续。4.3 现场效果与日志解读整个过程跑了 47 分钟中间因为有 API 限流暂停了一下。从.superpowers/logs/runtime.log里可以看到每个技能的调用时间线和校验结果。我印象最深的是test-runner在最后阶段的作用全部替换完成后它自动执行了mvn test第一次挂了两个测试原因是OrderPersister里一个事务注解丢失。AI 读取失败信息后对比原类逻辑自动补齐了Transactional注解再次运行测试全绿。最终改动统计新增 2 个接口文件修改 14 个调用方文件删除 1 个旧类文件整体对外接口零变更。如果没有任务栈这个规模的修改大概率会出现上下文丢失某个调用方被遗忘或者新旧代码混合存在。我后来对比了一次传统的 AI 对话方式——同样任务生成内容明显混乱需要大量人工审查。这个对比让我彻底相信了技能编排的价值。5. 常见问题排查与避坑实录5.1 排查速查表这是我在实际使用中整理的一张速查表按症状、可能原因、解决办法列出遇到问题直接对照。症状可能原因解决办法技能命令无法被识别配置文件agent写错或路径未指向代理检查agent字段确认技能目录有读取权限安装后初始化失败当前目录非 Git 仓库先执行git init再运行superpowers init技能执行中报 “skill not found”技能文件名与元数据 name 不一致统一文件名和name字段Java 任务运行时编译失败技能缺失编译校验步骤在技能 steps 中显式加入mvn compileCodex 会话超时上下文窗口被大量日志占满调整contextWindow或打开日志精简模式测试结果与预期不符任务栈未清理AI 用了过时信息执行superpowers clear重置任务状态这个表格是给团队做内部培训用的好几个人靠它快速上手省去了翻文档的时间。5.2 三个容易踩的坑第一个坑是技能文件写得太抽象。我最初把“确保代码质量”这种话写进技能AI 执行时根本不知道具体该做什么。后来改成“每个方法必须有 Javadoc 注释并在修改后运行 checkstyle”效果立刻不同。技能描述必须可执行、可验证避免形容词式的模糊要求。第二个坑是过度依赖自动执行。superpowers 再怎么强大也只是辅助工具。我遇到过一次 AI 在重构时自行修改了配置文件的开关虽然测试通过但行为语义变了。这件事之后我养成了习惯让 AI 每次提交前生成一份“变更 JSON”列出所有文件路径和变更类型由我快速扫一眼再合入。宁可多一道人工门禁也不要完全放飞。第三个坑是上下文窗口被技能日志刷爆。默认日志记录非常详细长时间任务后大量日志占用了模型上下文导致后续推理质量明显下降。我现在的做法是把logPath指向单独的本地文件并在配置里设置compactLog: true只保留关键里程碑事件大幅减少 token 消耗。5.3 个人使用心得把 superpowers 变成团队标配最后分享一点关于推广的经验。一开始团队里只有我一个人用后来我写了一套涵盖代码规范、分支策略、测试要求的标准技能库放到项目的.superpowers/skills/目录下。新成员拉取仓库后无需任何额外配置就能获得同样能力。这就像是给每个开发者的 AI 助手做了统一“入职培训”再也不用担心大家用 AI 写代码的风格五花八门。我个人建议不要追求技能数量多而是每一条都要来自真实踩坑后的沉淀这样的 superpowers 才有真正的“超能力”。
superpowers技能注入：让Codex和Claude Code高效重构Java项目的实战指南
作为一个常年泡在 AI 编程工具里的老玩家我最近被一个叫superpowers的东西反复刷屏。一开始我以为又是什么营销概念后来在 Codex、Claude Code 这些代理工具里实际跑了一遍才意识到它是真的能改变 AI 协作方式的那类方案。简单说superpowers 是一套面向 AI 编程代理的“技能增强体系”通过结构化注入技能定义、任务规划和领域知识让 AI 不再只是聊天式地给建议而是能按步骤完成复杂的代码重构、多文件修改和工程级任务。这篇内容我就从设计思路、安装配置、核心用法到 Java 项目实战把我踩过的坑和验证过的方法完整梳理出来给想给 AI 编程助手“加 Buff”的朋友一个可直接照做的参考。1. 为什么 AI 编程需要 superpowers整体设计与核心思路拆解1.1 AI 原生能力的三个短板先说说我为什么觉得传统 AI 编程代理不够用。最早我直接用 Codex 和 Claude Code 做项目基础问答、生成独立函数、写测试都没问题但一旦遇到“改一个核心服务连带影响三个调用方还要更新迁移脚本”这种复合任务AI 就开始露怯了。具体表现可以归纳成三类。第一是缺乏任务拆解能力。你给一个大需求它经常一口气把所有代码全生成出来完全不考虑依赖顺序。明明应该先改接口定义再改实现它却把实现、测试、文档一股脑堆出来出错了都不知道从哪儿查。第二是上下文漂移。聊到第十轮之后AI 会忘记最初的项目约束比如“所有异步回调必须做超时处理”这种关键约定后期生成的代码风格完全走样。第三是没有可复用的技能沉淀。上次踩过的坑、验证过的代码模板下次会话里全得重新教每次都从零开始。superpowers 解决的就是这三件事。它不直接替代 Codex 或 Claude而是给这些代理装上一套“工作手册”让它们知道什么任务该怎么拆、按什么顺序做、调用哪些工具来验证。你可以把它理解为给 AI 编写的一系列“SOP 文件”每个文件描述一种能力的触发条件、执行步骤和产出标准。1.2 superpowers 的设计骨架技能库、任务栈、上下文记忆我自己拆解了下superpowers 的架构主要由四个部分组成。技能库是核心每个技能都是一个带结构化元数据的文件包含技能名称、适用场景、需要的输入参数、执行步骤列表和验收条件。比如一个“安全重构技能”会明确要求 AI 先跑完整测试、找出高频调用链、按调用深度排序再动手每一步都有检查点。任务栈是一个全局状态文件AI 执行任务时会把当前目标、已完成步骤、剩余步骤写进去相当于给 AI 一副“进度表”防止它做着做着就跑偏。上下文记忆是长期持久化的项目知识包括编码规范、框架版本、已知坑点。每次新会话启动时自动加载这些知识让 AI 从第一句话开始就具备“项目老手”的背景。工具桥接层负责把技能动作翻译成真实工具调用比如执行npm test、扫描文件目录、读取 Git diff让 AI 能真正触碰代码库。这样的设计解决了我之前说的“上下文漂移”问题因为记忆存在外部文件里不依赖模型那有上限的上下文窗口。就算会话断了新会话还能通过读回任务栈和技能状态接续工作。1.3 为什么选技能注入而非普通提示词可能有人会说“我直接在 system prompt 里把要求写清楚不行吗为什么要单独搞一套技能体系”我实测过两者的差别感受很明显。普通提示词的问题是缺少条件触发机制。你把所有规则写进一段长 promptAI 可能每一轮都会读到——但恰恰因为每轮都读到模型对重点指令反而容易钝化。更麻烦的是需求一变你得整段改 prompt没有结构化的单元可以局部更新。而 superpowers 的技能文件是单独加载的AI 会根据用户的需求自动判断该激活哪个技能。改技能逻辑只动对应文件其他部分完全不受影响这就像把“脑内记忆”变成了“外部可编辑的卡片夹”清晰度和可控性不是一个量级。再者技能文件里有明确的执行判定逻辑。比如“完成步骤 2 后必须运行mvn test才算通过”普通提示词里这句话会被海量指令淹没但在技能文件里它被标记为硬校验AI 的每一步都以这个校验为准。从工程角度看这本质上是把“提醒式协作”升级成“任务驱动式协作”效率差距在长时间复杂任务中会指数级放大。2. 从零到一安装与基础配置实操2.1 安装前置条件与两种安装方式开始之前先把环境准备交代清楚。我这边验证过的组合是 macOS Node.js 18配合 Codex CLI 2025 年年初的版本。Python 3.10 以上也可以但 Node 生态的导入器匹配度更好。安装 superpowers 前先确认你的 Codex CLI 或 Claude Code 能跑通基础对话这步不做后面所有技能全部无效。我第一次装的时候选择了全局安装方式用 npm 直接拉取安装包。在终端里执行npm install -g superpowers装完后它会往你的用户目录下生成一个.superpowers文件夹里面放着默认技能库、配置模板和日志目录。这时候你可以在任意项目目录里初始化superpowers initinit 命令会自动检测当前目录是否已是 Git 仓库、Java/Python/Node 版本信息然后生成一份.superpowers/config.json和skills/目录。如果不太想用全局安装也可以直接 clone 源码到工作区用相对路径引入——这个方式适合把 superpowers 配置随项目走多人协作时每个成员拉完代码就能获得同样技能集。我建议团队场景用 clone 方式全局安装更适合个人到处跑项目用。2.2 环境变量与 Codex 集成配置安装只是个开始真正重要的是让 AI 代理知道到哪里加载 superpowers。这里需要对 Codex CLI 做一个绑定配置。我在/etc/superpowers/config.jsonmacOS 上或用户目录下编辑主配置关键字段是agent和skillDirs。我的配置长这样{ agent: codex, skillDirs: [./.superpowers/skills], autoLoad: true, contextWindow: 60000, logPath: ./.superpowers/logs/runtime.log }agent指定当前代理类型skillDirs是技能目录列表autoLoad设为 true 时每次会话都会自动扫描技能清单。另外要在 shell 里导出 Codex 所需的 key我的做法是在~/.zshrc中加一行export SUPERHERO_CODEX_API_KEY你的key这样启动 Codex 时会自动读取。如果你的代理不是 Codex而是 Claude Code需要把agent字段换成对应的标识并按照代理要求设置环境变量名。核心思路是一致的superpowers 只是一个外挂大脑代理才是手脚两者通过环境变量和配置文件握手。2.3 校验安装是否成功的清单装完别急着跑任务先用我列的三步核对清单确认环境健康。第一步执行superpowers status看技能库加载数量和配置文件路径是否正确。正常情况会输出已注册技能列表像这样的格式skill: java-refactor status: ready skill: code-explorer status: ready skill: task-planner status: ready第二步在 Codex 会话里输入/sp list如果能看到技能菜单说明代理已经成功读取到 superpowers 的注册信息。第三步跑一个最小验证任务让 AI“用 code-explorer 技能列出当前目录的 Java 文件结构”如果能返回带注解的文件树就证明技能触发链路完整。我踩过一个坑第一次安装时技能目录权限不对导致 run 阶段一直报 “skill not found”最后发现是目录模式变成了 0700普通进程读不到。把目录改成 0755 后一切正常。3. 核心玩法使用指南与技能编排3.1 第一类技能代码库感知类技能装好之后我们先从最常用的技能类别开始理解。代码库感知类技能本质上解决的是“AI 对项目一无所知”的问题。第一个叫code-explorer。它会调用文件系统遍历、正则匹配、依赖关系分析等功能把项目结构按模块整理成一张带权重的依赖图。当你说“找出所有依赖这个 util 类的文件”它不会只搜文件名而是追踪 import 和调用关系返回完整调用链。这个技能非常适合改造遗留系统前做影响范围分析。第二个叫git-history。它能读 Git 历史、查 blame 信息、对比两个 commit 之间的 diff帮助你快速定位某段代码是被谁在什么目的下改过的。我经常在接手陌生模块时先跑这个技能从 commit message 里能读出不少产品背景。这两个技能都属于“静态感知”类型它们不会自己改代码只是给 AI 提供准确情报。3.2 第二类技能任务执行类技能接下来是让 AI 真正干活的技能。task-planner是我最常用的一个它要求 AI 在拿到任务后先输出一份执行计划包括目标描述、涉及文件列表、分步预期结果、风险点和回滚策略。这个计划会写入任务栈后续每一步都对照计划执行避免跑偏。safe-editor技能则控制文件修改流程。它规定 AI 每次修改代码前必须先备份原文件使用 diff 格式输出变更并执行语言级语法校验。比如改 Java 文件时它会先跑javac语法检查再过一遍mvn compile只有全部通过才继续下一步。这个技能是我强烈推荐的——它逼着 AI 一次只改一个文件改完即验证而不是一次性生成一大坨代码再集中找错。第三类是测试驱动类技能test-runner。它负责在重构途中自动发现相关测试、运行测试并解析失败信息。它和task-planner配合时AI 会在完成每个子步骤后自动触发测试闭环凡是测试挂了就回退到最近一个稳定版本从新开始。实测下来这种方式能显著减少回归故障。3.3 编写自己的 Skill一个 Java 重构示例这一步直接上干货。superpowers 允许你以 Markdown 文件的方式定义自己的技能文件头部是 YAML 元信息下面写指令。我以“Java 重命名类并更新引用”为例说明。在skills/java-refactor.md里写--- name: java-refactor description: 安全重命名 Java 类或方法更新所有引用 params: target: 需要重命名的符号名称 newName: 新名称 steps: - step: 识别所有 target 的引用位置 tool: code-explorer - step: 创建符号重命名草案 tool: safe-editor - step: 执行 mvn test 验证 tool: test-runner acceptance: 所有测试通过且无未处理引用搜索 target 返回空 ---AI 读取后会在执行到每一步时主动调用对应工具不只是把指令记在心里。这里有个特别重要的元信息steps里的顺序和前置校验。如果你希望 AI 遵循特定安全流程比如先改接口再改实现一定要把步骤拆细并在每步后面注明“这不是建议而是必须”。自定义技能文件放到技能目录后不需要重启服务。下次会话开场自动加载也可以手动执行/sp reload刷新。我建议团队把常用场景都沉淀成技能文件比如“新功能开发”“依赖升级”“性能优化”三个月后你的技能库就是团队最宝贵的资产之一。4. 实战用 superpowers 驱动 Java 项目重构4.1 任务背景与目标光讲概念太虚下面用我最近做的一个真实场景来走一遍。项目是一个基于 Spring Boot 的订单服务需要把legacyOrderProcessor类拆分成OrderValidator和OrderPersister两个职责更单一的新类同时要把所有调用方从旧类切换到新类并保持对外 API 不变。这个任务涉及十几个文件牵扯到消息队列回调、HTTP controller、定时任务手动改很容易遗漏。我决定让 superpowers 全流程执行。先初始化任务superpowers start 拆分 legacyOrderProcessor 为两个类并更新所有引用启动后task-planner自动生成计划写到.superpowers/tasks/current.md。计划大概是先用code-explorer找全部调用方再设计新类接口然后逐个文件修改最后跑全量测试。4.2 实操过程计划、执行、校验第一步是调用感知技能。我在 Codex 会话里输入使用 code-explorer 技能列出 legacyOrderProcessor 的所有引用位置并标注每个引用的类型。AI 输出了一份包含 14 个文件的清单其中 8 个是直接调用6 个是间接通过 Spring 依赖注入使用。这步如果没有技能支持大概率会漏掉消息队列消费者里那个隐藏引用。第二步进入 safe-editor 阶段。我要求 AI“先生成接口草案只改接口文件不做任何实现改动”。AI 按技能要求先复制了原文件做备份到.superpowers/backup/目录然后创建OrderValidator和OrderPersister两个接口编译通过后才继续下一步。这步给了我很强的安全感因为它严格遵循了“备份-修改-编译”的顺序而不是一下曝光几百行新代码。第三步批量替换引用。由于技能要求每改一个文件都要执行mvn -q compile整个过程拉得比较长但每次失败都只是局部失败能立刻定位。比如改到mqConsumer时因为构造函数参数类型变化编译报错。AI 读到报错后自动回读任务栈找出依赖关系先用 safe-editor 调整构造器注入重新编译通过后才继续。4.3 现场效果与日志解读整个过程跑了 47 分钟中间因为有 API 限流暂停了一下。从.superpowers/logs/runtime.log里可以看到每个技能的调用时间线和校验结果。我印象最深的是test-runner在最后阶段的作用全部替换完成后它自动执行了mvn test第一次挂了两个测试原因是OrderPersister里一个事务注解丢失。AI 读取失败信息后对比原类逻辑自动补齐了Transactional注解再次运行测试全绿。最终改动统计新增 2 个接口文件修改 14 个调用方文件删除 1 个旧类文件整体对外接口零变更。如果没有任务栈这个规模的修改大概率会出现上下文丢失某个调用方被遗忘或者新旧代码混合存在。我后来对比了一次传统的 AI 对话方式——同样任务生成内容明显混乱需要大量人工审查。这个对比让我彻底相信了技能编排的价值。5. 常见问题排查与避坑实录5.1 排查速查表这是我在实际使用中整理的一张速查表按症状、可能原因、解决办法列出遇到问题直接对照。症状可能原因解决办法技能命令无法被识别配置文件agent写错或路径未指向代理检查agent字段确认技能目录有读取权限安装后初始化失败当前目录非 Git 仓库先执行git init再运行superpowers init技能执行中报 “skill not found”技能文件名与元数据 name 不一致统一文件名和name字段Java 任务运行时编译失败技能缺失编译校验步骤在技能 steps 中显式加入mvn compileCodex 会话超时上下文窗口被大量日志占满调整contextWindow或打开日志精简模式测试结果与预期不符任务栈未清理AI 用了过时信息执行superpowers clear重置任务状态这个表格是给团队做内部培训用的好几个人靠它快速上手省去了翻文档的时间。5.2 三个容易踩的坑第一个坑是技能文件写得太抽象。我最初把“确保代码质量”这种话写进技能AI 执行时根本不知道具体该做什么。后来改成“每个方法必须有 Javadoc 注释并在修改后运行 checkstyle”效果立刻不同。技能描述必须可执行、可验证避免形容词式的模糊要求。第二个坑是过度依赖自动执行。superpowers 再怎么强大也只是辅助工具。我遇到过一次 AI 在重构时自行修改了配置文件的开关虽然测试通过但行为语义变了。这件事之后我养成了习惯让 AI 每次提交前生成一份“变更 JSON”列出所有文件路径和变更类型由我快速扫一眼再合入。宁可多一道人工门禁也不要完全放飞。第三个坑是上下文窗口被技能日志刷爆。默认日志记录非常详细长时间任务后大量日志占用了模型上下文导致后续推理质量明显下降。我现在的做法是把logPath指向单独的本地文件并在配置里设置compactLog: true只保留关键里程碑事件大幅减少 token 消耗。5.3 个人使用心得把 superpowers 变成团队标配最后分享一点关于推广的经验。一开始团队里只有我一个人用后来我写了一套涵盖代码规范、分支策略、测试要求的标准技能库放到项目的.superpowers/skills/目录下。新成员拉取仓库后无需任何额外配置就能获得同样能力。这就像是给每个开发者的 AI 助手做了统一“入职培训”再也不用担心大家用 AI 写代码的风格五花八门。我个人建议不要追求技能数量多而是每一条都要来自真实踩坑后的沉淀这样的 superpowers 才有真正的“超能力”。
