Superpowers：给AI编程助手装上TDD工程纪律约束系统-北京尧图网络

1. 快枪手与工程师之间差的不是代码量而是纪律这段时间我一直在琢磨一件事AI编程助手普及得这么快为什么我们写出来的代码反而越来越像一次性纸杯——用完就扔改动一下底层逻辑就全线崩盘我见过太多团队用Cursor、Claude Code这类工具提效做法高度一致把需求往对话框里一丢AI唰唰生成几百行代码能跑就提交。看起来效率拉满了实际上是在给未来埋雷。真正改过几次需求的人都会有一种共同的感觉——AI写代码像个快枪手出手很快但完全没有工程师的章法不懂什么叫先想清楚再动手不懂什么叫小步验证更不懂什么叫别碰不该碰的代码。所以当我看到Superpowers这个框架的时候第一反应是终于有人着手解决这个问题了。Superpowers不是一个写代码更快的工具它的定位恰恰相反它是给AI编程助手装上的一套软件工程行为约束系统。核心思路是把测试驱动开发TDD、小步提交、频繁验证这些工程纪律从我们口头要求AI遵守变成AI工作流中不可跳过的硬性步骤。换句话说它不是让AI变得更聪明而是让AI变得更守规矩。这套框架最让我欣赏的地方在于它承认了一个很多AI工具厂商不愿意承认的事实大语言模型本质上是token级的天才、项目级的健忘症患者。它擅长在给定上下文中生成合理的代码片段但它天然缺少工程师那种对项目全局负责的意识。而工程经验是不能靠模型涌现出来的必须靠外部机制强制约束。Superpowers干的就是这件事。这篇文章我会重点拆三件事Superpowers的核心理念和机制、它跟传统AI编程方式的真实差异、以及我自己部署和使用的完整经验。给有同样困惑的开发者一条可以直接上手的路径。2. Superworks最值钱的设计把先测后写变成AI的肌肉记忆有人可能会问TDD这个概念软件开发圈里喊了二十多年了Superpowers凭什么能把它落到实处这里有个关键差异——TDD对人类的难点是坚持对AI的难点是理解。2.1 人类和AI在TDD上的困难完全不同有经验的工程师都知道TDD好但真正严格遵守的人不多。为什么因为人是有惰性的写着写着就想跳过测试直接写业务代码反正功能就这么多回头补测试也不迟——然后这个回头往往永远不会发生。AI则完全是另一个物种。你如果只是简单地告诉它请用TDD方式开发它大概率会在代码里象征性地放一两个测试文件然后继续大段大段地生成业务代码。这不怪AI因为它根本没有先写测试再写实现的步骤感。对它来说回答问题的惯性是直接给出完整方案而不是按流程一步步来。口头约定在token预测面前不值一提。Superpowers的解法很直接把TDD拆成物理上不可跳过的关卡。它不是靠建议而是靠强制。2.2 工作流文件如何物理上约束AI的行为我用过之后才明白Superpowers最核心的机制其实是几个普通得不能再普通的Markdown文件。以SKILL.md为核心的技能描述文件会要求AI在每次会话开始后必须阅读并遵守其中定义的工作流规则。这看起来很简单其实非常聪明——因为LLM的上下文窗口是有限的AI不会主动记住上一次会话你叮嘱它要写测试的话。但你让它在每次开工前重新读一遍规则文件它就会老老实实按流程走。更具体一点Superpowers的TDD工作流文件里写得很清楚第一步先写一个失败测试跑一遍它确认红灯亮起第二步用最简单的方式让测试通过跑一遍确认绿灯亮起第三步重构保持绿灯不灭每个步骤都有明确的验收标记。AI如果跳过了某一步——比如没写测试直接写了实现——后续的检查环节就会直接指出来当前状态不符合工作流要求请回退到上一步。这种机制跟人类教练在旁边盯着你复盘本质上是一个道理只是它把这个过程自动化了。2.3 从一次生成一大坨到一次只动一小步我的亲身体验非常直观。用普通模式时我让AI给订单模块加一个状态流转功能它会唰地给我生成一个完整的service类、两个枚举类、三个测试文件——听起来很美但代码量大了之后任何一个细节和现有代码风格不匹配跑起来就是一堆编译错误改起来简直是噩梦。用Superpowers之后同样是这个需求AI的表现完全变了。它会先问我当前订单状态有哪些流转规则是什么边界条件如何处理然后说我建议先写三个测试正常流转、非法状态流转、重复流转我们先从第一个开始。然后它真的只写了一个失败的测试让我运行确认再一行一行地写实现再运行确认。整个过程像在做外科手术而不是兜底大甩卖。这种体验上的改变往深了说是从追求输出量转向追求验证密度。AI每次只走一小步每走一步都经过测试验证错误成本被压缩到极小。即使AI最后整体思路有偏差损失也只是一两行代码而不是几百行。3. 拆开Superpowers的引擎盖SKILL.md、叙事文件与三道护栏说完了理念来点硬核的。Superpowers的工程结构并不复杂但你理解了它的三个核心组件就完全理解了这个框架为什么管用。3.1 SKILL.md——给AI的岗前培训手册SKILL.md是Superpowers的入口文件相当于给AI的角色设定书。AI每次启动工作会话时都会被要求先读取这个文件。里面规定的不只是你要写测试这种笼统要求而是非常具体的操作协议。我挑几个印象深刻的条款代码必须通过编译或运行验证不得假设代码的正确性遇到未定义的行为时必须先向用户询问而不是自行猜测每次修改必须明确说明改动范围不允许顺手改动无关代码测试是代码的一等公民没有测试的代码变更不算完成这些规则听起来平平无奇但关键在于Superpowers把它们做成了用户与AI之间的协议。当你发现AI在某个环节偏离了这些规则你可以明确指出来AI会根据SKILL.md的定义自我纠偏。这种成文规则比临时在对话里叮嘱AI有效得多因为你不需要每次都重复要求规则已经固化了。3.2 叙事文件——给AI装上一个项目级大脑这是我觉得Superpowers整个框架里最有创意的机制没有之一。大语言模型最大的短板就是记忆漂移。它能记住上下文窗口内聊的内容但一旦超过上下文限制或者开启新会话它对你项目的理解就归零。Superpowers用了一种极其朴素的方案解决这个问题——把重要决策写进文本文件需要的时候让AI去读。具体来说Superpowers会维护一个叙事文件记录这个项目的关键决策、已经完成的工作、踩过的坑、下一步计划。AI每次开工前会被要求先读这个文件理解项目当前处于什么状态再开始干活。干完之后它还会被要求把这个文件更新一遍把新做的决策补进去。这个概念叫Append-only Log风格的状态维护本质上就是把大模型那点可怜的隐式记忆转存成显式的、可检索的、跨会话的项目资产。我当时看到这个设计的第一反应是为什么我没有早点想到这个办法。它太朴素了朴素到让人觉得好像也没啥技术含量——但实际用起来那个价值是实打实的。3.3 三道护栏红线校验、步骤校验、范围校验Superpowers在机制层面对AI的行为设置了多种防护手段我用下来觉得最核心的是三道护栏第一道命令和操作的红线校验。AI要执行某些敏感操作——比如批量修改文件、强制移除文件、大范围重构——必须先获得用户确认。这不是简单的Yes/No对话框而是会让AI明确说明我要做什么、为什么要做、影响范围是什么只有确认通过才能执行。第二道工作流步骤校验。在TDD流程中AI如果试图跳过某个步骤比如从写失败测试直接跳到写重构代码工作流规则会拉它回正确轨道。这保证了工程纪律不是挂在嘴上的而是卡在流程节点上的。第三道影响范围校验。AI经常会犯一个毛病改一个bug的时候顺带把格式给优化了把变量名给改进了——这给代码审查带来巨大困扰。Superpowers的规则里明确禁止这种顺手改动要求每一次变更的diff范围与任务描述完全一致。这条规则在代码审查场景下价值极大。这三道护栏组合起来的效果就是把AI从天马行空的生成器变成了循规蹈矩的执行者。4. 用一张表看清Superpowers和直接生成模式的差距很多人对Superpowers的第一反应是太麻烦了我直接让AI一次写完整块代码不香吗。我理解这种感受因为我自己一开始也是这么想的。但当你把两种模式放在一起对比你会发现一次写完整块代码只是一个错觉——它看起来很高效其实把风险全部堆到了集成阶段。下面是基于我个人使用经验整理的对比对比维度传统直接生成模式Superpowers工作流模式代码产出方式一次性生成大段代码小步增量生成每步验证测试态度附带生成测试文件不保证可跑测试先行红绿循环驱动实现需求变更响应倾向推翻重来在测试保护下最小改动上下文记忆依赖对话窗口会话一断就忘靠叙事文件跨会话持久化修改范围控制经常顺手改动无关代码明确限制diff范围错误发现时机集中在集成调试阶段分散到每一步验证中对审查的友好度一大坨diff无从下手小而清晰逐个确认学习成本零门槛需要适应工作流有学习曲线适合的场景原型验证、一次性脚本需要长期演进的项目代码我重点聊一下错误发现时机这一行。传统模式下AI生成200行代码你跑起来发现3个错误你觉得问题不大但你要知道这三个错误分布在200行代码里你得一个个排查上下文才能定位。Superpowers模式下你最多走10行代码就验证一次就算出错你几乎能立刻知道是刚刚哪几行引入的问题。这个调试成本的差异在日常开发里被严重低估了。还有一点值得注意直接生成模式下的AI代码看起来完成度很高但代码风格往往和你团队已有代码有细微出入——比如命名规范、错误处理习惯、日志风格。这些差异单看不严重但累积多了代码库就变成AI写的和人写的两个割裂的世界。Superpowers的小步提交模式让你可以在每步生成时及时纠偏代码风格的一致性明显更好。5. 从零部署Superpowers克隆、安装、适配自己的SKILL理论说了一堆真正上手才是关键。这一节我把我自己部署Superpowers的完整路径写出来照做基本不会出问题。5.1 环境准备和安装步骤Superpowers目前对Claude Code的支持最成熟其他兼容Agent工具也能用但体验上以Claude Code为基准。我的环境是macOS终端使用zshPython要求3.10以上。如果你的系统是Linux或Windows的WSL操作基本一致。安装步骤如下# 进入你的工作目录克隆项目 git clone https://github.com/obra/superpowers.git # 进入项目目录 cd superpowers # 查看安装说明 lsSuperpowers的EXPLAIN.md和INSTALL.md文件会说明当前版本的具体安装方式。我部署时的流程是将仓库中的技能目录skills目录复制到你的AI助手可读取的路径在AI助手配置中注册Superpowers的技能文件在你自己的项目目录下初始化工作目录结构运行一次自检确认AI能正确读取SKILL.md第二步需要特别提醒不同AI工具的技能目录路径不一样。Claude Code的话通常是~/.claude/skills。如果你用的是其他兼容Agent请参照其文档找到对应的skills路径。5.2 我的部署日志三次启动才跑通第一次部署时我踩了一个挺典型的坑。当时我把skills目录复制过去了但没注意到Superpowers的依赖说明里要求安装一个配套的Python脚本用来做叙事文件的一些辅助操作。结果是AI能读到技能定义但实际工作流里某些环节会卡住。后来对照安装文档补装之后才恢复正常。第二次的问题是权限。我的工作目录在/Users/me/projects/xxx但Superpowers的叙事文件默认可能写到~/.superpowers下。如果配置没对上AI会在会话中找不到叙事文件表现就是它每次开始忘记了之前的所有决策反复问一些已经定过的事情。这个问题的排查要点是检查环境变量和路径配置。第三次终于跑通了。完整的过程是克隆仓库、安装依赖、初始化技能目录、写了一个最简单的测试项目验证工作流。整个过程大概用了40分钟。对于一个习惯了装上就能用的开发者来说这个上手成本不算低但和我后来省下的调试时间相比完全值回票价。5.3 一定要修改SKILL.md不要原样照搬如果你把一个默认的SKILL.md原样扔进你的项目你会发现它描述的很多规范和你的实际场景是冲突的。比如默认SKILL可能规定每次提交前必须跑全量测试但你的项目可能压根没有测试基础设施再比如默认工作流可能要求所有命令都经过用户确认这对一些高频操作来说效率很低。所以部署完成后第一件事是把SKILL.md通读一遍把那些不适应你团队情况的内容改掉。我自己改的几条示例把必须使用pytest改成优先使用项目中现有的测试框架把所有文件修改必须经过确认改成只有涉及删除或重构的操作需要确认增加了一条代码风格以项目内现有代码为准不额外引入新的风格约定这一步非常关键它决定了Superpowers是会成为你的效率工具还是成为你的流程绊脚石。框架是死的规则是活的——Superpowers能跑起来靠的就是这份可以被定制的工作流文件。6. 别急着全盘照搬Superpowers的适用边界与实战取舍任何一个工程工具都有它的适用半径Superpowers也不例外。用了一年多之后我的判断是它是一把精良的手术刀但你不可能用它来劈柴。下面说说我的边界体会。6.1 适合的场景有持续演进诉求的项目代码这类场景大致有三类第一类是业务逻辑复杂的后端服务。比如订单、支付、权限这类模块它们的特点是状态多、规则杂、改错代价高。TDD加小步验证在这里的价值最大因为每一行实现逻辑都有测试兜底重构和扩展时心里有底。第二类是长期维护的开源项目或公司核心代码库。这种代码库对代码风格一致性要求极高对变更范围有严格要求。Superpowers的范围校验和小步提交正好对症。第三类是团队协作场景。你可能和多个开发者共享一个代码库AI生成的代码如果有严格TDD流程和diff范围控制代码审查的效率会高很多。6.2 不适合的场景探索性工作和一次性任务有一种场景我建议不要硬套Superpowers那就是我还没想清楚要什么先跑起来看看的探索阶段。这时候你用TDD反而是负累——测试都无从写起自然也就谈不上测试先行。我自己的做法是探索阶段用普通的AI生成模式快速验证想法一旦想清楚了、决定做一个正式模块了再切换到Superpowers的TDD流程重写。这个两段式策略用下来很顺手。还有一种场景是模型能力本身不太够的时候也别指望Superpowers救场。比如你用的AI模型本身代码能力弱那TDD流程只会让它在写一个不会通过的测试这一步就卡住。Superpowers的前提是——模型先得有基础的代码生成能力框架解决的是工程纪律问题不是能力问题。6.3 我这段时间的真实体会用了Superpowers之后我发现自己提需求的习惯也在变。以前我会说帮我写一个XX功能现在我会主动说我们先定义一个失败的测试目标行为是XX。这个转变本身就是软件工程思维在起作用。另外有个小细节提醒一下如果你打算在自己团队里推Superpowers建议先让一个人用透再考虑复制给所有人。因为它会显著改变你和AI协作的方式如果团队里只有你一个人懂这套工作流别人看你的提交记录会觉得代码量怎么变少了——你需要能解释清楚代码量变少是因为每一行都是经过验证的这个逻辑。工具是工具工程是工程。Superpowers的意义不在于它本身有多高级而在于它找到了一个把工程师多年积累的肌肉记忆翻译成AI能理解和执行的工作流文件的方式。这个方向我是很认可的。

Superpowers：给AI编程助手装上TDD工程纪律约束系统

相关推荐

国产AI芯片选型指南：训练算力与推理专用芯片场景拆解

躺平挖Alpha：Python自动化工作流从数据到信号推送的量化实践

Grok Bot本质：自主智能体的技术范式与四层架构

更多资讯

Git冲突解决：预防与处理团队协作中的代码合并问题

Git冲突解决全指南：从原理到实践

JWFD工作流矩阵引擎：高性能并行任务调度解析

GitHub Actions确定性编排与Agent边界划分实战指南

基于OpenLayers的WebGIS企业分布系统开发实践

坚果图像识别实战：从数据集构建到模型部署的完整指南

今日更新

Agent-Reach：打通大模型触达外部系统的最后一公里

深度学习图像隐写分析实战：从CNN原理到毕设源码全解析

AI赋能知识产权供需匹配：专利评估、需求挖掘与多路召回工程实践

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？