Skill 实例：用 Superpowers 给编码 Agent 加一套工作流
介绍 obra/superpowers 这个面向编码 Agent 的 Skill / Plugin 项目，说明它如何把需求澄清、规格设计、实现计划和 TDD 流程变成可复用的 AI 工作流。
Skill 实例：用 Superpowers 给编码 Agent 加一套工作流
一、为什么要看 Superpowers
最近我在看 Claude Skill、Codex Skill、MCP 和 Agent 工作流时，发现一个很有意思的项目：obra/superpowers。
它不是单纯的提示词合集，也不是一个普通脚手架，而是把一套软件开发方法论包装成 Agent 可以自动调用的 Skill / Plugin。它的核心思路是：不要让编码 Agent 一上来就写代码，而是先澄清目标、整理规格、制定实现计划，再进入更可控的开发流程。
这点很值得参考。因为很多人用 Claude Code、Codex 或 Cursor 时，最大的问题不是模型不会写代码，而是模型太容易“直接开干”。需求还没说清楚，边界还没定，测试也没准备，代码就已经改了一大片。
Superpowers 试图解决的，正是这个问题。
二、它大概是什么
按照项目 README 的说法，Superpowers 是一套面向编码 Agent 的软件开发方法论，建立在一组可组合的 Skills 和初始化指令之上，用来确保 Agent 在合适的时候使用这些流程。
可理解为：它给 AI 编程助手加了一套“工程纪律”。
它支持的场景不只限于 Claude Code。公开资料显示，它也面向 Codex CLI、Codex App、Gemini CLI、OpenCode、Cursor、GitHub Copilot CLI 等编码 Agent 或开发工具提供安装方式。
也就是说，它关注的不是某一个模型，而是“Agent 写代码时应该怎么工作”。
三、Skill 在这里扮演什么角色
Anthropic 对 Agent Skills 的定义是：Skill 是一种模块化能力，可以扩展 Claude 的功能；每个 Skill 会打包说明、元数据，以及可选的脚本、模板等资源，Claude 会在相关任务中自动使用。
OpenAI 对 Skills 的说法也类似：Skill 是可复用、可分享的工作流，可以告诉 ChatGPT 或 Codex 如何更稳定地完成某类任务；它可以包含说明、示例和代码。
所以我理解的 Skill，不只是“更长的提示词”。
更准确地说，它像一个小型工作流包：
my-skill/
├── SKILL.md
├── scripts/
├── references/
└── assets/其中：
SKILL.md通常是入口文件，包含 Skill 的说明、触发条件和执行规则；scripts/可以放可执行脚本，用来处理重复、精确或程序化任务；references/可以放参考文档、规范、知识库；assets/可以放模板、示例、资源文件。
不同平台对目录细节会有差异，但大体思路一致：把“怎么做事”从单次对话里抽出来，变成可以复用、可以安装、可以组合的工作单元。
Superpowers 的价值就在这里。它不是只告诉模型“请认真写代码”，而是把“先澄清、再设计、再计划、再实现、再验证”这种流程写成 Agent 能反复遵守的结构。
四、它的工作流特点
从 README 的描述看，Superpowers 的工作流大致可以分成几步。
1. 先问清楚目标
当 Agent 发现用户要构建东西时，它不会马上动手写代码，而是先退一步，追问用户真正想做什么。
这一步看起来简单，但非常关键。
很多 AI 编程事故，都是因为需求没有定清楚。模型根据自己的猜测补全了业务逻辑，最后写出来的代码看似完整，实际上偏离了用户真正想要的东西。
2. 形成可阅读的规格
在澄清需求之后，Agent 会把规格分块展示给用户，让用户能真正读完并确认。
这比一次性生成一大段需求文档更实用。因为规格太长时，用户往往不会认真看；规格太短时，又容易遗漏边界条件。
3. 制定实现计划
用户确认设计后，Agent 会整理一份实现计划。项目 README 里强调，这份计划要足够清楚，清楚到一个缺乏上下文的初级工程师也能照着执行。
这个标准很有启发。
因为真正好的 AI 工作流，不是让模型“凭感觉完成任务”，而是让任务可以被拆解、检查、交接和复盘。
4. 强调 TDD、YAGNI 和 DRY
Superpowers 明确强调测试驱动开发（TDD）、YAGNI 和 DRY。
这几个词背后的意思是：
TDD：先写测试，再实现功能，至少要有可验证的反馈循环；YAGNI：不要提前实现暂时不需要的功能；DRY：不要重复写同一套逻辑。
这对 Agent 编程尤其重要。因为模型很擅长“补很多东西”，但未必擅长判断哪些东西现在根本不该写。
五、它对我写 Skill 的启发
我觉得 Superpowers 最值得学的地方，不是某一条具体命令，而是它对 Skill 的定位。
很多人写 Skill，容易写成：
你是一个资深工程师，请认真分析需求，写出高质量代码。这当然有用，但还不够。
更好的 Skill 应该告诉 Agent：
什么时候启动这个流程；
先收集哪些信息；
什么情况下必须暂停确认；
如何形成规格；
如何拆分任务；
如何验证结果；
哪些事情不要做。也就是说，Skill 不只是“角色设定”，而是“行动规范”。
对我的 AI 工作流来说，这一点很重要。比如我做网站文章生成、姓名学案例采集、命理文本整理、AI 资讯抓取时，其实都可以拆成类似结构：
输入约束 → 信息核验 → 结构整理 → 生成内容 → 自查规则 → 输出文件如果这些规则每次都写在 prompt 里，就会很长，也很容易漏。把它们沉淀成 Skill，才更接近可复用的生产流程。
六、Skill 和 MCP 的区别
这里也顺便区分一下 Skill 和 MCP。
MCP，即 Model Context Protocol，官方文档将它描述为一种连接 AI 应用与外部系统的开放标准。通过 MCP，Claude、ChatGPT 等 AI 应用可以连接本地文件、数据库、搜索工具、计算器或其他工作流。
简单说：
Skill 更像“怎么做事”；
MCP 更像“能连接什么工具和数据”。二者可以配合使用。
例如，一个“文章发布 Skill”可以规定文章检查、frontmatter、SEO 描述、参考来源格式；而 MCP 可以让 Agent 访问 GitHub、文件系统、数据库或搜索服务。Skill 管流程，MCP 管连接能力。
这也是我现在越来越重视 Skill 的原因：MCP 解决的是工具入口问题，Skill 解决的是工作方法问题。只有工具，没有方法，Agent 还是容易乱跑；只有方法，没有工具，Agent 又很难真正落地执行。
七、适合借鉴，不必神化
Superpowers 很适合拿来学习，但也不需要神化。
它更像一个成熟开发者把自己的工作习惯、工程判断和协作流程，打包成 Agent 可以执行的规范。对个人项目来说，它的价值在于提醒我们：AI 编程不是“让模型尽快写代码”，而是“让模型按可靠流程推进任务”。
如果只是写一个很小的脚本，也许不需要这么重的流程。但如果是长期维护的网站、自动化系统、内容生成管线、数据库项目，类似的 Skill 思路就很有价值。
我后面如果继续写自己的 Skill，会更倾向于这种方向：少写空泛口号，多写触发条件、输入输出、检查清单、目录结构、命令约束和失败处理。
这才是 Skill 真正有用的地方。
参考来源
Share