这些年我折腾过不少 AI 编程助手从最早的补全插件到后来的对话式编码说实话大部分工具在“改一个函数”这种小任务上表现不错可一旦涉及“从零实现一个模块”“跨文件重构”这种多步骤工作模型就特别容易跑偏。要么一头扎进细节里忘记整体目标要么代码写到一半突然换了个思路最后产出一堆没法用的东西。直到我把 superpowers 这套技能包装上情况才真正开始改变。superpowers 不是一个普通的插件它是一套基于 SKILL.md 规范的开源技能集合专门用来给 Codex CLI、Claude Code 这类编程助手“立规矩”。它把复杂的开发任务拆成一套可执行的流程先头脑风暴、再写计划、按计划执行、遇到问题再系统化调试。简单说就是给 AI 装上一套“工作方法论”让它从“想到哪写到哪”变成“先想清楚再动手”。这篇文章我想从原理、安装、实战到排坑把我的使用经验完整分享出来。1. superpowers 到底是什么它解决了什么问题1.1 AI 编程助手的通病不是能力不够而是流程混乱先说个我自己的例子。有一回我让 Codex 帮我重构一个内部工具的前端状态管理需求描述得很详细结果它第一轮就“热情高涨”地把所有文件都改了改完以后状态逻辑确实变了但组件之间的数据流全断了报错信息像雪花一样往外冒。这不是模型笨而是它没有一个稳定的工作框架拿到任务就直奔代码不做需求澄清不列实施步骤出了问题也不知道怎么系统化排查。很多时候我们抱怨“AI 写代码不可靠”但本质上是没有给它建立足够好的约束。superpowers 切入点就在这里它不试图提升模型本身的智力而是用一套精心设计的提示词和流程规范把“怎么干活”这件事实体化。它假设 AI 的能力已经够用缺的是结构。装上之后模型会先问清楚需求再列出计划每完成一步就检查一次像极了老程序员带新人的节奏。1.2 核心机制SKILL.md 与渐进式披露superpowers 的底层规范是 Anthropic 提出的 Agent Skills核心就是每个技能对应一个 SKILL.md 文件。这个文件里写了技能的目标、适用场景、执行步骤和约束条件模型读取后就知道在什么时候该调用什么流程。它的一个关键设计叫“渐进式披露”Progressive DisclosureAI 不会一口气把几百行指令全部塞进上下文而是先读取技能文件的索引部分等用户确认要使用某个技能后再通过Read工具加载详细内容。这样做的好处非常明显省 token、减少上下文干扰同时保证了每个技能在真正执行前都是完整可用的。我实际测下来同样的任务在启用 superpowers 后上下文消耗并没有明显增加但执行的稳定性高了一个档次。1.3 适合谁用不适合谁用如果你平时只是让 AI 写个正则、改个样式、生成一段临时脚本superpowers 反而显得有点“重”——它引入的流程会让简单任务变慢。但如果你像我一样经常让 AI 帮忙搭建完整功能模块、做跨文件重构、甚至参与技术方案设计那这套技能包几乎就是必需品。我建议以下三类人重点试一下一是用 Codex CLI 或 Claude Code 做日常开发的人二是需要 AI 稳定完成多步骤任务的人三是想让 AI 从“代码生成器”升级成“结对编程搭档”的人。如果你是纯点击界面的 Cursor 用户也能用后面我会说怎么接。2. 安装 superpowers最常见的几种姿势2.1 在 Codex CLI 中安装目前我主力使用的就是 Codex CLI安装 superpowers 的过程很简单但有几个细节要注意。第一步先把项目克隆到本地。我习惯放在~/.superpowers目录git clone https://github.com/obra/superpowers.git ~/.superpowers第二步找到 Codex CLI 的配置文件。以 macOS 为例配置文件在~/.codex/config.toml。你需要给模型加上额外的系统提示让它在启动时就意识到这些技能的存在。最常见的做法是在配置里加一行[model] model gpt-5 provider openai instructions ~/.superpowers/SUPERPOWERS.md注意不同版本的 Codex CLI 配置结构可能不一样。如果你用的是旧版本可能需要把instructions改成extra_system_prompt或者直接在AGENTS.md里引用。我踩过的坑是改完配置后忘了重启 Codex 进程导致新配置没生效白白浪费了十分钟。第三步启动 Codex 后你可以先问一句“你加载了哪些技能”如果它准确说出 brainstorming、writing-plans、executing-plans 这些名字就说明安装成功了。2.2 在 Workbuddy 和 Trae 中安装最近很多人在搜“workbuddy 安装 skill superpowers”和“trae work cn 安装 superpowers skill”我也顺手试了。Workbuddy 本身是一个管理各种 AI 工作流的工具安装方式是在它的 skills 目录里创建软链接ln -s ~/.superpowers/skills ~/.workbuddy/skills然后重启 Workbuddy它就能自动扫描到所有技能。Trae 这个工具稍微特殊一点它是字节跳动出的 AI IDE不少中文用户直接在插件市场搜索“superpowers”就能看到社区维护的安装包。如果你用的版本搜不到手动操作也不复杂找到 Trae 的全局配置目录把技能文件夹复制过去再在设置里把技能目录指向这个位置。要注意的是Trae 的配置目录在不同操作系统上差别很大Windows 一般在%APPDATA%\Trae\User\skillsmacOS 在~/Library/Application Support/Trae/User/skills。2.3 用 Claude Code 或其他 CLI 工具如果你用的是 Claude Code安装方式几乎和 Codex 一样区别在于配置文件名从config.toml变成了~/.claude/settings.json你需要在里面加上一条 CLAUDEPATH 或者直接把 skills 放到~/.claude/skills下。其实很多 CLI 工具都开始兼容 SKILL.md 规范安装思路大同小异找到配置目录、放入技能文件、在启动配置里声明。核心就这三步换工具只是路径不同而已。3. 核心技能逐个拆解brainstorming、writing-plans、debugging3.1 brainstorming把模糊想法变成清晰方案superpowers 里我最常用的是 brainstorming 技能。以前我让 AI 设计一个功能它经常直接甩出一堆代码而启用 brainstorming 后它会先做需求分析主动问我一系列问题这个功能的用户是谁核心场景是什么有没有必须兼容的历史逻辑然后它会列出三五个候选方案对比优缺点让我选一个。这个过程对实际项目特别重要。有一次我要做一个批量文件重命名工具我原本的想法很简单就是按规则替换文件名。结果 brainstorming 流程帮我梳理出了“预览模式”“冲突处理”“回滚机制”这些之前没想到的细节。等真正进入编码阶段方案已经非常成熟写起来特别顺畅这也让我确信大部分项目返工都是因为早期需求没想清楚。3.2 writing-plans 和 executing-plans先写计划再动手brainstorming 之后通常会进入 writing-plans。这个技能会生成一份非常详细的实施计划包含每个步骤要修改的文件、要实现的函数、要处理的边界情况。计划会写入一个独立的文件AI 在执行阶段会反复读取这个文件确保自己没跑偏。executing-plans 则负责按计划逐步落实。它和普通对话式编码最大的不同是每完成一个步骤它都会回来确认一下再继续下一步。这种“一步一确认”的节奏看起来效率不高但实际用下来整体成功率反而高很多。因为每一步都有了明确的验收标准出问题时能立刻定位到是哪个环节出了问题而不是最后堆在一起返工。3.3 debugging让 AI 像老手一样排查问题调试是另一个高频场景。superpowers 的 debugging 技能要求 AI 先读取报错信息、再复现问题、再提出假设、最后做最小化验证而不是一上来就“眉毛胡子一把抓”地乱改。我印象最深的一次是排查一个内存泄漏问题前面我自己查了两个小时都没头绪用 debugging 技能之后它先让我提供完整的复现路径然后逐步缩小范围最后发现是事件监听器没有在组件卸载时移除。这套流程其实不新鲜就是一个标准的调试方法论但关键是它被文本化成了 SKILL.mdAI 每次调试时都会严格按这个来。对个人开发者来说相当于身边随时有个带你按流程排查问题的师傅。3.4 其他值得一试的技能除了上面三个superpowers 还内置了不少实用技能比如 commit-writer写规范的提交信息、request-review代码评审、test-driven-developmentTDD 流程。这些技能之间还能组合使用先 brainstorming 确定方案再 writing-plans 写计划然后 executing-plans 实施最后 request-review 做一轮自检。整套流程走下来AI 干活的专业度完全不输一个中级工程师。4. 实战记录一个功能模块从 0 到 1 的完整流程4.1 场景设定做一个带历史记录的剪贴板工具为了让你更直观地理解这套工作流我完整跑了一个小项目做一个跨平台的剪贴板历史管理器。功能不算复杂但它涉及界面、存储、快捷键、后台监听多个模块非常适合演示 superpowers 的流程。我先用自然语言告诉 AI 我的想法它主动启动了 brainstorming 技能问了我几个问题需要支持哪些平台历史记录保存在本地还是云端要不要支持搜索我一一回答后它生成了多个方案包括用 Electron、Tauri、或者直接用 Python 写后台加系统托盘。综合对比后我选了 Tauri因为资源占用小、打包体积也小。4.2 从 brainstorming 到 writing-plans 的衔接确定技术栈后我让 AI 继续走 writing-plans。它先读取了几次 brainstorming 的结论然后生成了一个包含 8 个阶段的实施计划项目初始化、数据模型设计、剪贴板监听、历史列表 UI、搜索功能、系统托盘、快捷键、打包配置。每个阶段都列出了具体文件和关键代码逻辑。我在这个环节做了一个很重要的事情审阅计划。整个计划读下来我发现它漏了“历史记录去重”这个细节就让 AI 补上了。这一下就体现出计划的价值——如果直接让 AI 写代码大概率不会提前想到这些边角需求后面又要返工。4.3 executing-plans 逐步实施执行计划时AI 严格按顺序来每完成一个阶段都会停下来汇报然后我切到真实环境里跑一下确认没问题才让它继续。整个过程中出现了两个小问题一是在 macOS 上监听剪贴板需要额外的权限配置二是窗口隐藏后无法通过快捷键重新唤起。这两个问题我都没有直接告诉 AI 答案而是让它用 debugging 技能自查它通过阅读官方文档、检查 API 调用方式最终都自己解决了。这个项目从头到尾大概花了三个小时其中大部分时间不是等 AI 写代码而是在做验证和微调。如果按照以前的方式直接让 AI“一把梭”我估计半天时间都搞不定而且代码质量大概率达不到可维护的标准。4.4 把常用流程固化成自己的技能用了一段时间后我开始写自己的技能文件把项目里那些重复性高、规则明确的工作固化成 SKILL.md。比如我们团队有固定的代码提交规范我就写了一个 commit-style 技能AI 每次提交时都会按这个规范来不再需要我每次手动提醒。自定义技能其实很简单就是写一个 Markdown 文件开头用 YAML 写清 name 和 description正文写执行步骤和注意事项。描述部分一定要写得具体因为模型靠 description 来判断什么时候该用这个技能。我第一次写的时候描述太笼统结果该触发的时候它完全没反应后来我把触发条件明确写进去比如“当用户要求生成提交信息时使用此技能”就好用多了。5. 常见问题与排查技巧实录5.1 为什么技能文件加载了但模型好像没“学会”这是我看到的最多的一个问题我自己也遇到过。很多人把技能文件放进目录配置也改了但 AI 还是不听指挥。原因多半出在提示词设计上SKILL.md 里的指令写得不够强制。如果你只是“建议”模型怎么做它很可能就忽略了你得用“必须”“禁止”“在开始之前请先阅读”这类强约束词汇。另外模型本身的指令遵循能力也很关键。如果你用的模型上下文窗口很短或者对长指令的遵循能力一般那效果就会打折扣。我的建议是至少在测试阶段选一个指令遵循能力较强的模型先把流程跑通再考虑换成轻量模型。5.2 技能之间的冲突与优先级问题装多了技能之后另一个常见问题是冲突。我有一次同时启用了 superpowers 的 debugging 技能和另一个专门处理前端报错的技能结果两个技能都认为自己应该主导排查过程AI 一度不知道该听谁的。解决办法有两个一是尽量精简技能数量只保留真正高频使用的二是在技能描述里加上限定词比如“负责后端逻辑的调试前端报错请使用 xxx 技能”给模型明确的排他性指引。5.3 token 消耗比平时快怎么优化渐进式披露已经能省不少 token但如果你用了大量技能还是会发现上下文消耗明显增加。我优化过一波效果比较明显一是把 SKILL.md 里的示例尽量精简只保留必要的步骤说明二是把那些很少用到的技能从主目录挪到子目录只在需要时手动引用三是适当调低模型的输出长度限制防止 AI 在某些步骤里长篇大论地解释自己的思路。5.4 常用排查速查表现象可能原因解决办法模型完全不知道 superpowers 存在配置文件路径错误或未重启检查配置文件确认技能目录路径正确重启终端和 CLI 工具知道技能但从不主动用skill 描述写得不够具体在 description 中写明触发条件和使用场景技能加载了但执行很敷衍SKILL.md 指令约束力不足增加“必须”“禁止”等强约束词汇明确验收标准多个技能互相打架技能职责重叠精简技能数量在描述中增加排他性条件上下文很快被占满技能文件内容过长精简 SKILL.md启用渐进式披露把非必要内容移到子文件写在最后我从开始用 superpowers 到现在大概有两个多月最大的变化不是我写代码的速度变快了而是我对 AI 产出的信任度提升了。以前让 AI 写一个稍微复杂点的功能我总得在旁边盯着生怕它在某个角落里埋个雷现在它按流程走一遍我只需要在关键节点做评审省心很多。最后再分享一个小技巧不要只把 superpowers 当“开箱即用”的工具一定要学会改它、扩它。每个团队的开发习惯、代码规范都不一样superpowers 提供的是骨架真正让它发挥威力的是你自己往里面填充的那些业务规则和团队经验。这种“AI 方法论”的组合我觉得才是未来几年个人开发者最值得投入的方向。 
长河君 · 2026/9/14 4:20:13 · 阅读 1.2k superpowers技能包：用SKILL.md为AI编程助手立规矩
这些年我折腾过不少 AI 编程助手从最早的补全插件到后来的对话式编码说实话大部分工具在“改一个函数”这种小任务上表现不错可一旦涉及“从零实现一个模块”“跨文件重构”这种多步骤工作模型就特别容易跑偏。要么一头扎进细节里忘记整体目标要么代码写到一半突然换了个思路最后产出一堆没法用的东西。直到我把 superpowers 这套技能包装上情况才真正开始改变。superpowers 不是一个普通的插件它是一套基于 SKILL.md 规范的开源技能集合专门用来给 Codex CLI、Claude Code 这类编程助手“立规矩”。它把复杂的开发任务拆成一套可执行的流程先头脑风暴、再写计划、按计划执行、遇到问题再系统化调试。简单说就是给 AI 装上一套“工作方法论”让它从“想到哪写到哪”变成“先想清楚再动手”。这篇文章我想从原理、安装、实战到排坑把我的使用经验完整分享出来。1. superpowers 到底是什么它解决了什么问题1.1 AI 编程助手的通病不是能力不够而是流程混乱先说个我自己的例子。有一回我让 Codex 帮我重构一个内部工具的前端状态管理需求描述得很详细结果它第一轮就“热情高涨”地把所有文件都改了改完以后状态逻辑确实变了但组件之间的数据流全断了报错信息像雪花一样往外冒。这不是模型笨而是它没有一个稳定的工作框架拿到任务就直奔代码不做需求澄清不列实施步骤出了问题也不知道怎么系统化排查。很多时候我们抱怨“AI 写代码不可靠”但本质上是没有给它建立足够好的约束。superpowers 切入点就在这里它不试图提升模型本身的智力而是用一套精心设计的提示词和流程规范把“怎么干活”这件事实体化。它假设 AI 的能力已经够用缺的是结构。装上之后模型会先问清楚需求再列出计划每完成一步就检查一次像极了老程序员带新人的节奏。1.2 核心机制SKILL.md 与渐进式披露superpowers 的底层规范是 Anthropic 提出的 Agent Skills核心就是每个技能对应一个 SKILL.md 文件。这个文件里写了技能的目标、适用场景、执行步骤和约束条件模型读取后就知道在什么时候该调用什么流程。它的一个关键设计叫“渐进式披露”Progressive DisclosureAI 不会一口气把几百行指令全部塞进上下文而是先读取技能文件的索引部分等用户确认要使用某个技能后再通过Read工具加载详细内容。这样做的好处非常明显省 token、减少上下文干扰同时保证了每个技能在真正执行前都是完整可用的。我实际测下来同样的任务在启用 superpowers 后上下文消耗并没有明显增加但执行的稳定性高了一个档次。1.3 适合谁用不适合谁用如果你平时只是让 AI 写个正则、改个样式、生成一段临时脚本superpowers 反而显得有点“重”——它引入的流程会让简单任务变慢。但如果你像我一样经常让 AI 帮忙搭建完整功能模块、做跨文件重构、甚至参与技术方案设计那这套技能包几乎就是必需品。我建议以下三类人重点试一下一是用 Codex CLI 或 Claude Code 做日常开发的人二是需要 AI 稳定完成多步骤任务的人三是想让 AI 从“代码生成器”升级成“结对编程搭档”的人。如果你是纯点击界面的 Cursor 用户也能用后面我会说怎么接。2. 安装 superpowers最常见的几种姿势2.1 在 Codex CLI 中安装目前我主力使用的就是 Codex CLI安装 superpowers 的过程很简单但有几个细节要注意。第一步先把项目克隆到本地。我习惯放在~/.superpowers目录git clone https://github.com/obra/superpowers.git ~/.superpowers第二步找到 Codex CLI 的配置文件。以 macOS 为例配置文件在~/.codex/config.toml。你需要给模型加上额外的系统提示让它在启动时就意识到这些技能的存在。最常见的做法是在配置里加一行[model] model gpt-5 provider openai instructions ~/.superpowers/SUPERPOWERS.md注意不同版本的 Codex CLI 配置结构可能不一样。如果你用的是旧版本可能需要把instructions改成extra_system_prompt或者直接在AGENTS.md里引用。我踩过的坑是改完配置后忘了重启 Codex 进程导致新配置没生效白白浪费了十分钟。第三步启动 Codex 后你可以先问一句“你加载了哪些技能”如果它准确说出 brainstorming、writing-plans、executing-plans 这些名字就说明安装成功了。2.2 在 Workbuddy 和 Trae 中安装最近很多人在搜“workbuddy 安装 skill superpowers”和“trae work cn 安装 superpowers skill”我也顺手试了。Workbuddy 本身是一个管理各种 AI 工作流的工具安装方式是在它的 skills 目录里创建软链接ln -s ~/.superpowers/skills ~/.workbuddy/skills然后重启 Workbuddy它就能自动扫描到所有技能。Trae 这个工具稍微特殊一点它是字节跳动出的 AI IDE不少中文用户直接在插件市场搜索“superpowers”就能看到社区维护的安装包。如果你用的版本搜不到手动操作也不复杂找到 Trae 的全局配置目录把技能文件夹复制过去再在设置里把技能目录指向这个位置。要注意的是Trae 的配置目录在不同操作系统上差别很大Windows 一般在%APPDATA%\Trae\User\skillsmacOS 在~/Library/Application Support/Trae/User/skills。2.3 用 Claude Code 或其他 CLI 工具如果你用的是 Claude Code安装方式几乎和 Codex 一样区别在于配置文件名从config.toml变成了~/.claude/settings.json你需要在里面加上一条 CLAUDEPATH 或者直接把 skills 放到~/.claude/skills下。其实很多 CLI 工具都开始兼容 SKILL.md 规范安装思路大同小异找到配置目录、放入技能文件、在启动配置里声明。核心就这三步换工具只是路径不同而已。3. 核心技能逐个拆解brainstorming、writing-plans、debugging3.1 brainstorming把模糊想法变成清晰方案superpowers 里我最常用的是 brainstorming 技能。以前我让 AI 设计一个功能它经常直接甩出一堆代码而启用 brainstorming 后它会先做需求分析主动问我一系列问题这个功能的用户是谁核心场景是什么有没有必须兼容的历史逻辑然后它会列出三五个候选方案对比优缺点让我选一个。这个过程对实际项目特别重要。有一次我要做一个批量文件重命名工具我原本的想法很简单就是按规则替换文件名。结果 brainstorming 流程帮我梳理出了“预览模式”“冲突处理”“回滚机制”这些之前没想到的细节。等真正进入编码阶段方案已经非常成熟写起来特别顺畅这也让我确信大部分项目返工都是因为早期需求没想清楚。3.2 writing-plans 和 executing-plans先写计划再动手brainstorming 之后通常会进入 writing-plans。这个技能会生成一份非常详细的实施计划包含每个步骤要修改的文件、要实现的函数、要处理的边界情况。计划会写入一个独立的文件AI 在执行阶段会反复读取这个文件确保自己没跑偏。executing-plans 则负责按计划逐步落实。它和普通对话式编码最大的不同是每完成一个步骤它都会回来确认一下再继续下一步。这种“一步一确认”的节奏看起来效率不高但实际用下来整体成功率反而高很多。因为每一步都有了明确的验收标准出问题时能立刻定位到是哪个环节出了问题而不是最后堆在一起返工。3.3 debugging让 AI 像老手一样排查问题调试是另一个高频场景。superpowers 的 debugging 技能要求 AI 先读取报错信息、再复现问题、再提出假设、最后做最小化验证而不是一上来就“眉毛胡子一把抓”地乱改。我印象最深的一次是排查一个内存泄漏问题前面我自己查了两个小时都没头绪用 debugging 技能之后它先让我提供完整的复现路径然后逐步缩小范围最后发现是事件监听器没有在组件卸载时移除。这套流程其实不新鲜就是一个标准的调试方法论但关键是它被文本化成了 SKILL.mdAI 每次调试时都会严格按这个来。对个人开发者来说相当于身边随时有个带你按流程排查问题的师傅。3.4 其他值得一试的技能除了上面三个superpowers 还内置了不少实用技能比如 commit-writer写规范的提交信息、request-review代码评审、test-driven-developmentTDD 流程。这些技能之间还能组合使用先 brainstorming 确定方案再 writing-plans 写计划然后 executing-plans 实施最后 request-review 做一轮自检。整套流程走下来AI 干活的专业度完全不输一个中级工程师。4. 实战记录一个功能模块从 0 到 1 的完整流程4.1 场景设定做一个带历史记录的剪贴板工具为了让你更直观地理解这套工作流我完整跑了一个小项目做一个跨平台的剪贴板历史管理器。功能不算复杂但它涉及界面、存储、快捷键、后台监听多个模块非常适合演示 superpowers 的流程。我先用自然语言告诉 AI 我的想法它主动启动了 brainstorming 技能问了我几个问题需要支持哪些平台历史记录保存在本地还是云端要不要支持搜索我一一回答后它生成了多个方案包括用 Electron、Tauri、或者直接用 Python 写后台加系统托盘。综合对比后我选了 Tauri因为资源占用小、打包体积也小。4.2 从 brainstorming 到 writing-plans 的衔接确定技术栈后我让 AI 继续走 writing-plans。它先读取了几次 brainstorming 的结论然后生成了一个包含 8 个阶段的实施计划项目初始化、数据模型设计、剪贴板监听、历史列表 UI、搜索功能、系统托盘、快捷键、打包配置。每个阶段都列出了具体文件和关键代码逻辑。我在这个环节做了一个很重要的事情审阅计划。整个计划读下来我发现它漏了“历史记录去重”这个细节就让 AI 补上了。这一下就体现出计划的价值——如果直接让 AI 写代码大概率不会提前想到这些边角需求后面又要返工。4.3 executing-plans 逐步实施执行计划时AI 严格按顺序来每完成一个阶段都会停下来汇报然后我切到真实环境里跑一下确认没问题才让它继续。整个过程中出现了两个小问题一是在 macOS 上监听剪贴板需要额外的权限配置二是窗口隐藏后无法通过快捷键重新唤起。这两个问题我都没有直接告诉 AI 答案而是让它用 debugging 技能自查它通过阅读官方文档、检查 API 调用方式最终都自己解决了。这个项目从头到尾大概花了三个小时其中大部分时间不是等 AI 写代码而是在做验证和微调。如果按照以前的方式直接让 AI“一把梭”我估计半天时间都搞不定而且代码质量大概率达不到可维护的标准。4.4 把常用流程固化成自己的技能用了一段时间后我开始写自己的技能文件把项目里那些重复性高、规则明确的工作固化成 SKILL.md。比如我们团队有固定的代码提交规范我就写了一个 commit-style 技能AI 每次提交时都会按这个规范来不再需要我每次手动提醒。自定义技能其实很简单就是写一个 Markdown 文件开头用 YAML 写清 name 和 description正文写执行步骤和注意事项。描述部分一定要写得具体因为模型靠 description 来判断什么时候该用这个技能。我第一次写的时候描述太笼统结果该触发的时候它完全没反应后来我把触发条件明确写进去比如“当用户要求生成提交信息时使用此技能”就好用多了。5. 常见问题与排查技巧实录5.1 为什么技能文件加载了但模型好像没“学会”这是我看到的最多的一个问题我自己也遇到过。很多人把技能文件放进目录配置也改了但 AI 还是不听指挥。原因多半出在提示词设计上SKILL.md 里的指令写得不够强制。如果你只是“建议”模型怎么做它很可能就忽略了你得用“必须”“禁止”“在开始之前请先阅读”这类强约束词汇。另外模型本身的指令遵循能力也很关键。如果你用的模型上下文窗口很短或者对长指令的遵循能力一般那效果就会打折扣。我的建议是至少在测试阶段选一个指令遵循能力较强的模型先把流程跑通再考虑换成轻量模型。5.2 技能之间的冲突与优先级问题装多了技能之后另一个常见问题是冲突。我有一次同时启用了 superpowers 的 debugging 技能和另一个专门处理前端报错的技能结果两个技能都认为自己应该主导排查过程AI 一度不知道该听谁的。解决办法有两个一是尽量精简技能数量只保留真正高频使用的二是在技能描述里加上限定词比如“负责后端逻辑的调试前端报错请使用 xxx 技能”给模型明确的排他性指引。5.3 token 消耗比平时快怎么优化渐进式披露已经能省不少 token但如果你用了大量技能还是会发现上下文消耗明显增加。我优化过一波效果比较明显一是把 SKILL.md 里的示例尽量精简只保留必要的步骤说明二是把那些很少用到的技能从主目录挪到子目录只在需要时手动引用三是适当调低模型的输出长度限制防止 AI 在某些步骤里长篇大论地解释自己的思路。5.4 常用排查速查表现象可能原因解决办法模型完全不知道 superpowers 存在配置文件路径错误或未重启检查配置文件确认技能目录路径正确重启终端和 CLI 工具知道技能但从不主动用skill 描述写得不够具体在 description 中写明触发条件和使用场景技能加载了但执行很敷衍SKILL.md 指令约束力不足增加“必须”“禁止”等强约束词汇明确验收标准多个技能互相打架技能职责重叠精简技能数量在描述中增加排他性条件上下文很快被占满技能文件内容过长精简 SKILL.md启用渐进式披露把非必要内容移到子文件写在最后我从开始用 superpowers 到现在大概有两个多月最大的变化不是我写代码的速度变快了而是我对 AI 产出的信任度提升了。以前让 AI 写一个稍微复杂点的功能我总得在旁边盯着生怕它在某个角落里埋个雷现在它按流程走一遍我只需要在关键节点做评审省心很多。最后再分享一个小技巧不要只把 superpowers 当“开箱即用”的工具一定要学会改它、扩它。每个团队的开发习惯、代码规范都不一样superpowers 提供的是骨架真正让它发挥威力的是你自己往里面填充的那些业务规则和团队经验。这种“AI 方法论”的组合我觉得才是未来几年个人开发者最值得投入的方向。