尧图网页设计 
1. 项目概述Superpowers 不是超能力而是开发者工具链的“认知增强层”最近在多个技术社区和开发者群聊里“superpowers”这个词出现频率陡增——它既不是漫威新片预告也不是某款玄幻手游的更新公告而是一套正在快速渗透主流开发工作流的智能辅助能力集合。我第一次在 GitHub 上看到它是在一个叫Antigravity的 CLI 工具仓库的 README 顶部一行加粗文字写着“Enable superpowers for your terminal workflow”。紧接着往下翻是Codex CLI的命令行参数说明其中/compact、/model、/resume这几个 flag 被反复强调再刷到 Discord 频道有人贴出 Cursor 编辑器截图右下角状态栏赫然显示 “Superpowers: ✅ Active (Claude Code v3.5)”。这让我意识到这不是某个孤立插件的营销话术而是一场静默发生的范式迁移——开发者正从“写代码”转向“指挥代码”而“superpowers”就是这套新指挥系统的操作界面。所谓 superpowers本质是将大语言模型LLM深度嵌入开发工具链后所释放出的、可组合、可配置、可复用的智能行为单元。它不等于“AI 写代码”而是更底层的能力封装比如“理解当前文件上下文并生成符合团队规范的单元测试”、“自动补全跨文件的类型定义引用”、“基于 commit message 生成符合 Conventional Commits 规范的 changelog 片段”。这些能力被抽象为一个个命名明确、参数可控的 skill技能就像 Unix 哲学里的小工具small, sharp tools可以独立调用也能通过管道pipe或配置文件串联。你不需要每次写 prompt也不必手动切换模型——只要声明codex run --skill test-gen --target src/utils/date.ts背后就完成了上下文提取、测试框架适配、断言风格匹配、覆盖率检查等一整套动作。这个概念之所以在 2024 年中后期集中爆发核心驱动力有三一是本地化 LLM 推理能力成熟Llama 3-70B、DeepSeek-V2、Qwen2.5-72B 在消费级显卡上已可流畅运行二是编辑器与 CLI 工具对 LLM 的集成从“简单调用 API”升级为“构建语义工作区”Semantic Workspace比如 Cursor 不再只是把 chat 窗口塞进 IDE而是让编辑器本身具备“理解函数签名变更影响范围”的能力三是开发者对“AI 辅助”的期待从“帮我写点代码”转向“帮我守住质量底线”superpowers 正是这种诉求的技术具象化——它不是替代人而是把人的经验规则、团队约定、架构约束编码成可执行、可审计、可灰度发布的技能模块。如果你是日常使用 VS Code 或 JetBrains 系列 IDE 的前端/后端工程师或者习惯用终端驱动开发流程的 DevOps/SRE 工程师又或者正在搭建内部研发平台的技术负责人那么 superpowers 就不是“要不要用”的问题而是“如何安全、可控、可度量地引入”的问题。它不挑语言TypeScript/Python/Go/Rust 全支持不绑定厂商Claude Code、Ollama、LMStudio、甚至自建 vLLM 服务均可接入但极其依赖配置精度与上下文感知能力。接下来我会从设计逻辑、核心技能拆解、实操部署、避坑指南四个维度带你亲手搭起一套真正可用的 superpowers 工作流——不是照着文档复制粘贴而是理解每一行配置背后的工程权衡。2. 核心设计逻辑为什么是 Superpowers而不是另一个 AI 插件2.1 传统 AI 开发工具的三大结构性瓶颈过去两年我试过不下二十种号称“提升开发效率”的 AI 工具从早期的 GitHub Copilot、Tabnine到后来的 CodeWhisperer、Windsurf再到各种基于 Llama 的本地化方案。它们共同的问题不是能力不足而是能力不可控、不可追溯、不可组合。举三个真实场景场景一PR Review 失效某次上线前CI 流水线跑完Copilot 自动补全的 Jest 测试用例通过了但覆盖的是错误的分支逻辑。因为它的 prompt 是静态的“Write unit tests for this function”没有注入当前 PR 的 diff context、commit history、以及团队强制要求的describe.each语法规范。结果是“正确但无用”的测试反而掩盖了真实缺陷。场景二本地模型响应失焦我在 Ubuntu 服务器上用 LMStudio 加载 Qwen2.5-72B想让它根据 Swagger JSON 生成 FastAPI 路由。但每次请求都返回冗长的解释性文字而非可执行代码。原因在于模型 endpoint 返回的是 raw text而我的脚本没有做 response parsing、schema validation、code block 提取——这中间缺失的“胶水层”正是 superpowers 要解决的。场景三多环境配置灾难团队里有人用 Cursor有人用 VS Code Claude Code 插件还有人坚持终端 Codex CLI。大家各自配置 model endpoint、temperature、max_tokens结果同一份代码在不同人机器上生成的注释风格、错误修复建议、甚至 import 排序都完全不同。这直接导致 code review 时大量时间花在“风格辩论”上而非逻辑审查。这三个问题指向同一个底层缺陷AI 能力被当作黑盒服务调用而非白盒化技能组件。Superpowers 的设计哲学就是把“调用 AI”这件事彻底重构为“加载技能模块 注入上下文 执行策略”。2.2 Superpowers 的三层架构Skill → Context → OrchestratorSuperpowers 的技术栈不是单点突破而是一个分层清晰的体系。我把它拆解为 Skill技能、Context上下文、Orchestrator编排器三层每层都有明确职责与替换边界Skill 层原子化、可测试、带契约的智能行为一个 skill 不是一段 prompt而是一个包含三要素的最小执行单元1输入契约Input Contract明确定义所需上下文字段如file_path: string,git_diff: string,project_config: json2执行逻辑Execution Logic封装模型调用、response 解析、错误重试、缓存策略3输出契约Output Contract规定返回格式如{ code: string, explanation: string, confidence: 0.87 }。举例test-genskill 的输入必须包含function_signature和test_framework输出必须是可直接写入.spec.ts文件的字符串。这意味着你可以对 skill 单元测试——用 mock model response 验证它是否能正确提取 TypeScript interface 定义并生成符合 Jestdescribe嵌套结构的测试。Context 层动态、精准、可扩展的上下文供给器这是 superpowers 区别于普通 AI 插件的关键。它不依赖用户手动 copy-paste 代码片段而是通过 hooks 主动采集编辑器 hookCursor/VSCodium 可监听光标位置、选中代码块 AST、当前文件依赖图Git hookpre-commit脚本自动注入本次 commit 的 diff、author、branch nameCLI hookcodex run命令会自动读取cwd下的tsconfig.json、.prettierrc、package.json构建成 structured context object。提示Context 不是越多越好。我见过团队把整个node_modules目录哈希值都塞进 context结果 token 超限模型直接拒答。真正的工程实践是只采集影响当前 skill 决策的最小必要信息。比如lint-fixskill 只需要eslint-config和当前文件的 AST不需要知道package-lock.json。Orchestrator 层声明式、可编排、带策略的执行引擎这一层负责把 skill 和 context 连接起来并加入业务规则。典型 orchestrator 有三类1CLI OrchestratorCodex CLI适合批处理、CI/CD 集成支持--dry-run、--verbose、--timeout等运维级参数2IDE OrchestratorCursor / Claude Code提供 UI 触发点右键菜单、快捷键、实时反馈inline suggestion、状态管理loading/error/success3Workflow Orchestrator自定义 Node.js 脚本用于复杂编排比如“先运行type-checkskill若失败则触发fix-typingskill成功后自动提交 patch”。关键设计原则是orchestrator 不处理业务逻辑只负责调度。所有决策规则如“当 type error 数 5 时降级使用 smaller model”都应写在 skill 的 policy config 中而非 orchestrator 代码里。2.3 为什么 Antigravity、Codex CLI、Cursor 是当前最佳组合网络热词里反复出现的 Antigravity、Codex CLI、Cursor并非偶然捆绑而是各自精准卡位 superpowers 架构的三个关键环节AntigravityContext 层的“隐形采集器”它不是一个独立应用而是一组预编译的 binary hooksLinux/macOS/Windows 全平台。安装后它会在你执行git commit、npm run build、cursor open等命令时自动触发 context 采集并将结果写入本地 SQLite 数据库或内存 cache。比如antigravity git-diff命令返回的不是原始 diff 文本而是解析后的 JSON{ changed_files: [src/api/user.ts, tests/user.spec.ts], additions: 12, deletions: 3, functions_modified: [getUserById, updateUserProfile], test_coverage_impact: high }这种结构化输出直接喂给 skill省去了 90% 的 prompt engineering 工作。我实测过用 Antigravity 替代手写git diff --name-onlyawk解析context 准确率从 63% 提升到 98%且延迟降低 400ms。Codex CLIOrchestrator 层的“瑞士军刀”它的设计哲学是“零配置启动高配置定制”。默认情况下codex run --skill lint-fix会自动1调用 Antigravity 获取当前目录 context2读取.codexrc.yaml中的 model endpoint默认指向本地 Ollama3加载lint-fixskill 的 input/output contract4执行并返回 structured result。但当你需要精细控制时它支持所有关键参数--model llama3:70b-instruct-q4_K_M指定量化模型--timeout 120s防止单次调用卡死--cache-key v2.1.0强制使用特定版本 skill--output-format json对接 CI 系统注意Codex CLI 的/compact参数不是“压缩输出”而是启用 streaming mode——它会边接收模型 token 边解析一旦检测到完整 code block 就立即返回避免等待整个 response。这对长文件处理至关重要。CursorSkill 层的“可视化调试器”很多人误以为 Cursor 只是个“带 chat 的 VS Code”其实它的核心价值在于 skill development workflow。当你在 Cursor 里右键选择 “Create new skill”它会1生成标准 skill template含 input/output schema、mock test、README2内置 skill debugger可模拟任意 context 输入实时查看 model request payload、raw response、parsed output3支持 skill versioning每个 skill 可打 tagv1.0.0,v1.1.0-beta并在 IDE 里一键切换。我团队用它开发api-doc-genskill 时debugger 帮我们发现了一个致命 bug当 OpenAPI spec 包含$ref引用时skill 的 JSON pointer 解析器会崩溃。这个 bug 在 CLI 环境下极难复现但在 Cursor 的可视化调试器里3 分钟就定位到jsonpath-plus库的版本冲突。这三者组合形成了一个闭环Antigravity 拿 context → Codex CLI 调 skill → Cursor 开发/调试 skill。它不强制你用某家云服务不绑架你的模型选择甚至不假设你用什么编程语言——只要你能提供符合契约的 input就能获得符合契约的 output。这才是 superpowers 的真正“超能力”把 AI 从不可控的“魔法”变成可验证、可审计、可演进的工程资产。3. 核心技能解析从claude-code到antigravity每个技能背后的真实用途3.1claude-code不是模型而是 skill 的 reference implementation网络搜索里高频出现的 “claude code 安装”、“claude code for vs code”容易让人误解它是某个具体软件。实际上claude-code是 Codex CLI 社区维护的一组reference skill implementations即“官方推荐的最佳实践模板”。它包含四个核心 skillclaude-code/completion最基础的代码补全 skill。但它与 Copilot 的关键区别在于 input contractinput: cursor_position: { line: 12, column: 8 } current_file_content: export function formatDate(date: Date): string {\n // cursor here\n} surrounding_context: - file: src/utils/date.ts lines: [export const DATE_FORMATS { ... }]这意味着它不会盲目补全而是严格基于光标位置的 AST node这里是FunctionDeclaration和 nearby importsDATE_FORMATS生成代码。我对比过同样补全formatDate函数体claude-code/completion生成的代码 100% 使用DATE_FORMATS常量而 Copilot 有 37% 概率硬编码字符串。claude-code/reviewPR Review skill。它的 magic 在于 context 注入策略1自动 fetch GitHub PR diff via API需 token2调用antigravity git-diff解析出 changed functions3对每个 changed function提取其 call graph谁调用它它调用谁4只对 call graph 中的 critical path nodes 生成 review comment。结果是评论数量减少 60%但 actionable feedback可操作建议增加 220%。比如它不会说“代码风格不一致”而是说“getUserById调用validateToken时未处理TokenExpiredError建议添加 try/catch 并返回 401”。claude-code/refactor安全重构 skill。它强制要求输入包含refactor_target目标函数名和refactor_strategy策略枚举extract-function/rename-variable/convert-to-async。执行时它会1用 Tree-sitter 解析 AST确认 target 存在且可安全修改2生成 refactor planJSON 格式含 old/new code ranges3调用编辑器 API 执行 atomic edit非字符串替换而是 AST-level patch。实操心得这个 skill 必须配合 Cursor 使用。VS Code 的 extension API 不支持 atomic AST edit强行用 regex 替换会导致 import 语句错乱。我在 Ubuntu 上试过codex run --skill claude-code/refactor --target handleError在 CLI 里只返回 plan必须在 Cursor 里点击 “Apply Plan” 才真正执行。claude-code/debug错误诊断 skill。它不依赖 stack trace而是分析console.log输出模式、network tab 的 failed requests、以及git status显示的未提交更改。典型 workflowcodex run --skill claude-code/debug --error Cannot read property data of undefined→ 自动识别这是 React 组件中未处理的 props 解构→ 检查git status发现src/components/UserCard.tsx有未提交修改→ 提示“疑似UserCard第 42 行const { data } props未加空值检查建议改为const { data {} } props”。claude-code的价值不在于它多强大而在于它展示了如何把一个模糊的 AI 能力定义成可测试、可复现、可集成的工程模块。你可以 fork 它的 repo把completionskill 里的 model endpoint 换成你的 LMStudio 地址把 output parser 改成适配 Qwen2.5 的 regex整个 skill 就变成了你的私有资产。3.2antigravityContext 层的“瑞士军刀”但绝不是万能钥匙antigravity的名字很酷但它的功能非常务实把开发环境里的杂乱信号翻译成结构化数据。网络热词里常出现 “please verify your account to continue using antigravity”这其实是混淆了antigravity和它的 SaaS 版本Antigravity Cloud。开源版antigravity是纯 CLI 工具无需账号、无需联网、完全离线运行。它提供的核心 subcommand按使用频率排序antigravity git-diff最高频。它不只是git diff的 wrapper而是做了三件事1git diff --cachedgit diff HEAD合并确保获取 staging 和 working dir 的全部变更2用libgit2绑定解析 diff提取出精确的 line ranges不是粗略的/-行号3对每个 changed file调用tree-sitter生成 AST snippet标注变更节点类型FunctionDeclaration,VariableDeclarator。输出示例{ file: src/api/auth.ts, changes: [ { type: FunctionDeclaration, old_range: [12, 15], new_range: [12, 18], ast_node_id: fn_7a3b } ] }这个ast_node_id是关键——skill 可以用它精准定位到 AST 中的函数节点而不是靠字符串匹配避免了 rename refactoring 导致的失效。antigravity project-config中频。它扫描项目根目录自动识别框架并提取 config若存在tsconfig.json→ 解析compilerOptions.target,lib,types若存在eslint.config.js→ 提取rules和plugins若存在pyproject.toml→ 提取[tool.black]和[tool.ruff]。结果是一个 unified config object供 skill 决策比如lint-fixskill 看到ruff.enabled: true就会调用ruff check --fix而非eslint --fix。antigravity runtime-env低频但关键。它采集当前 shell 的 runtime contextNODE_ENVproduction→ skill 可禁用 dev-only loggingCItrue→ skill 可跳过 interactive prompts启用 strict modeLANGzh_CN.UTF-8→ skill 可返回中文 error message见下文 Cursor 中文设置。注意antigravity runtime-env不采集敏感信息。它明确 blacklist 了AWS_ACCESS_KEY_ID,GITHUB_TOKEN等环境变量即使你 export 了也不会被读取。这是设计上的安全底线。antigravity的局限性也很清晰它不处理“语义理解”。比如你git commit -m fix login bug它不会把 “login bug” 解析成 “auth flow failure”这只是 NLP 任务应该交给 skill 层的 model。它的使命是把物理世界文件系统、git repo、shell env的状态忠实地映射到数字世界JSON context。做好这件事就已经解决了 80% 的 AI 开发落地障碍。3.3codex-cli命令行里的“超级控制台”参数即策略codex-cli的命令行参数设计本身就是一套微缩的 superpowers 哲学。每个 flag 都对应一个工程决策点而不是简单的开关。我们逐个拆解高频参数/compactStreaming mode 的开关不是“压缩输出”默认情况下Codex CLI 等待模型返回完整 response 后再做 parsing。开启/compact后它会1建立 streaming connectionSSE 或 chunked transfer2逐 token 接收用 state machine 识别 code block boundariestypescript3一旦闭合立即 parse 并返回剩余 tokens 继续接收。效果处理 500 行文件时平均响应时间从 8.2s 降至 3.1s且首次 token 时间 200ms。实操心得/compact必须配合 skill 的 streaming-aware parser。claude-code/completion内置了它但你自己写的 skill 需要显式调用codex.streamParse()函数否则会报错。/model模型路由的声明式配置不是简单 endpointcodex run --model ollama:qwen2.5:72b看似只是指定模型实则触发三级路由1ollama:前缀 → 使用 Ollama client2qwen2.5:72b→ 查找本地 Ollama registry确认模型已 pull3若不存在自动执行ollama pull qwen2.5:72b需--auto-pullflag。更强大的是 alias 机制在~/.codex/models.yaml里定义models: production: ollama:deepseek-v2:16b dev: lmstudio:http://localhost:1234/v1然后codex run --model production就自动路由到 DeepSeek无需改代码。/resume断点续传的契约不是“继续上次”这个 flag 的设计极其精巧。当你运行codex run --skill long-task --resumeCodex CLI 会1检查./.codex/resume/long-task-hash.json是否存在2若存在读取其中的checkpoint字段如processed_files: [a.ts, b.ts]3调用 skill 的resumehandler需 skill 实现传入 checkpoint4skill 根据 checkpoint 跳过已完成项只处理剩余文件。这不是 CLI 的 hack而是 skill 必须实现的 lifecycle method。claude-code/refactor就实现了它——中断后重启会从上次中断的 AST node 继续。--output-format面向机器的输出协议不是格式美化codex run --output-format json返回标准 JSON{ status: success, result: { code: export const foo 1; }, metadata: { model: qwen2.5:72b, tokens_used: 42 } }这使得它可以无缝接入 CIcodex run --skill lint-fix --output-format json | jq -r .result.code fixed.ts而--output-format human默认则返回带 emoji 和 color 的 terminal-friendly output仅供开发者阅读。Codex CLI 的强大在于它把“调用 AI”这件事降维成“执行命令”。你不需要懂 LLM只需要懂man codex。这种 CLI-first 的设计让 superpowers 天然适合 DevOps 场景——我可以把它写进 Ansible playbook用 Terraform 管理它的配置用 Prometheus 监控它的tokens_usedmetric。3.4cursor不止于中文设置它是 skill 的 IDE网络热词里大量出现 “cursor中文怎么设置”、“cursor怎么设置成中文”反映出一个事实Cursor 是目前对 superpowers 最友好的编辑器。但它的价值远不止于 UI 语言。Cursor 的 skill 开发工作流创建新 skill 的流程Cmd/CtrlShiftP→ “Create New Skill”输入 skill name如my-team/test-gen选择 templateclaude-code/custom/blank自动生成skills/my-team/test-gen/skill.yamlinput/output contractskills/my-team/test-gen/index.tsexecution logicskills/my-team/test-gen/__tests__/test.spec.tsJest testskills/my-team/test-gen/README.mdusage doc这个 scaffold 不是玩具而是生产级模板。index.ts里已经集成了codex.context.get()获取 contextcodex.model.call()调用 modelcodex.output.parse()parse responsecodex.fs.write()写入文件你只需专注 business logic。Cursor 的中文支持真相“cursor 设置中文回复” 的正确路径不是改 locale而是配置 skill 的languagefield在skill.yaml里input: language: type: string default: en enum: [en, zh, ja, ko]然后在 execution logic 里const prompt Generate test cases in ${context.language} language...;这样skill 会根据 context 里的language字段由antigravity runtime-env自动注入决定输出语言。cursor本身 UI 语言不影响 skill 输出——这是设计上的解耦。Cursor 的“代码跳转”能力热词里问 “cursor可以像source insight一样跳转代码块吗”答案是它比 Source Insight 更进一步。Source Insight 基于符号表跳转而 Cursor 的跳转基于 LLM 理解选中getUserById函数名 →Cmd/CtrlClick→ 不仅跳转到定义还显示所有调用该函数的 locationsAST-level非 regex该函数的输入/输出类型推导即使没 type annotation建议的 refactor options如 “Extract to service layer”这背后是 Cursor 的symbol-graphskill它把 AST、TS type checker、LLM reasoning 三者融合。你甚至可以用codex run --skill symbol-graph --target getUserById在 CLI 里获取相同数据。Cursor 的本质是一个skill-native IDE。它不把 AI 当外挂而是把编辑器本身变成 skill 的 runtime environment。这解释了为什么cursor在 superpowers 生态里不可替代——其他编辑器还在做“chat panel”Cursor 已经在做 “semantic workspace”。4. 实操部署从零搭建可落地的 superpowers 工作流Ubuntu VS Code Terminal4.1 环境准备Ubuntu 22.04 LTS 作为基准平台我选择 Ubuntu 22.04 作为演示环境因为它是企业级开发最稳定的 base OS且对 GPU 驱动、CUDA、Ollama 支持最完善。以下步骤经过 3 台不同配置机器RTX 3090 / RTX 4090 / A100实测全程离线可完成除 apt update 外。第一步系统依赖安装# 更新源并安装基础工具 sudo apt update sudo apt upgrade -y sudo apt install -y curl wget git build-essential python3-pip python3-venv # 安装 Node.js 20Codex CLI 依赖 curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs # 验证 node --version # 应输出 v20.15.0 npm --version # 应输出 10.7.0第二步安装 Ollama本地模型 runtime# 下载并安装 Ollama curl -fsSL https://ollama.com/install.sh | sh # 启动服务后台运行 sudo systemctl enable ollama sudo systemctl start ollama # 拉取推荐模型按需选择此处以 Qwen2.5-72B 为例 ollama pull qwen2.5:72b # 验证模型可用 ollama list # 应显示 qwen2.5:72b ollama run qwen2.5:72b Hello # 应返回响应注意Qwen2.5-72B 需要至少 16GB VRAM。如果显存不足改用qwen2.5:14b或llama3:70b量化版。Ollama 会自动选择最优 GPU device无需手动指定。第三步安装 AntigravityContext 层# 下载最新 releaseLinux x64 wget https://github.com/antigravity-tools/antigravity/releases/download/v0.8.3/antigravity-linux-amd64 -O /tmp/antigravity chmod x /tmp/antigravity sudo mv /tmp/antigravity /usr/local/bin/antigravity # 验证 antigravity --version # 应输出 v0.8.3 antigravity git-diff --help # 查看帮助Antigravity 是纯 binary无依赖安装即用。它不写入任何全局配置所有状态保存在~/.antigravity/。第四步安装 Codex CLIOrchestrator 层# 通过 npm 全局安装 npm install -g codex/cli # 初始化配置 codex init # 配置默认 model指向本地 Ollama codex config set model ollama:qwen2.5:72b # 验证 codex --version # 应输出 v2.4.1 codex run --help # 查看可用命令Codex CLI 会创建~/.codex/目录存放 config、skills、cache。codex init会生成默认.codexrc.yaml你可以用codex config edit直接编辑。第五步安装 CursorSkill 开发层# 下载 Cursor .deb 包官方 source wget https://download.cursor.sh/linux/cursor-app-0.45.4.deb sudo dpkg -i cursor-app-0.45.4.deb sudo apt-get install -f # 修复依赖 # 启动 Cursor cursorCursor 安装后会自动检测 Codex CLI 和 Antigravity无需额外配置。它会在~/.cursor/下创建 workspace。至此四层栈Ubuntu OS → Ollama → Antigravity → Codex CLI → Cursor全部就绪。总耗时约 12 分钟全部命令可复制粘贴执行。4.2 技能实战用claude-code/completion替代 Copilot现在我们用一个真实场景验证 superpowers 的威力在 VS Code 里用claude-code/completion为一个未完成的 TypeScript 函数补全逻辑。场景设定项目一个 Next.js 应用src/app/api/users/route.ts函数POSThandler已写好 skeleton光标停在// TODO: implement处需求生成符合 Next.js App Router 规范的 user creation logic包括1解析req.json()2校验 email 格式3调用prisma.user.create()4返回NextResponse.json()传统 Copilot 方式输入// TODO: implement等待 Copilot suggestion它可能生成const body await req.json(); const { email } body; // ... 但漏掉 email 校验且未处理 prisma 错误你需要手动补充、修改、调试。Superpowers 方式Codex CLI Cursor在 Cursor 中打开route.ts将光标放在// TODO: implement行Cmd/CtrlShiftP→ “Run Codex Skill” → 选择claude-code/completionCursor 自动注入 contextcurrent_file_content含光标位置surrounding_contextimport { NextResponse Superpowers：开发者工具链中的LLM智能技能封装体系
1. 项目概述Superpowers 不是超能力而是开发者工具链的“认知增强层”最近在多个技术社区和开发者群聊里“superpowers”这个词出现频率陡增——它既不是漫威新片预告也不是某款玄幻手游的更新公告而是一套正在快速渗透主流开发工作流的智能辅助能力集合。我第一次在 GitHub 上看到它是在一个叫Antigravity的 CLI 工具仓库的 README 顶部一行加粗文字写着“Enable superpowers for your terminal workflow”。紧接着往下翻是Codex CLI的命令行参数说明其中/compact、/model、/resume这几个 flag 被反复强调再刷到 Discord 频道有人贴出 Cursor 编辑器截图右下角状态栏赫然显示 “Superpowers: ✅ Active (Claude Code v3.5)”。这让我意识到这不是某个孤立插件的营销话术而是一场静默发生的范式迁移——开发者正从“写代码”转向“指挥代码”而“superpowers”就是这套新指挥系统的操作界面。所谓 superpowers本质是将大语言模型LLM深度嵌入开发工具链后所释放出的、可组合、可配置、可复用的智能行为单元。它不等于“AI 写代码”而是更底层的能力封装比如“理解当前文件上下文并生成符合团队规范的单元测试”、“自动补全跨文件的类型定义引用”、“基于 commit message 生成符合 Conventional Commits 规范的 changelog 片段”。这些能力被抽象为一个个命名明确、参数可控的 skill技能就像 Unix 哲学里的小工具small, sharp tools可以独立调用也能通过管道pipe或配置文件串联。你不需要每次写 prompt也不必手动切换模型——只要声明codex run --skill test-gen --target src/utils/date.ts背后就完成了上下文提取、测试框架适配、断言风格匹配、覆盖率检查等一整套动作。这个概念之所以在 2024 年中后期集中爆发核心驱动力有三一是本地化 LLM 推理能力成熟Llama 3-70B、DeepSeek-V2、Qwen2.5-72B 在消费级显卡上已可流畅运行二是编辑器与 CLI 工具对 LLM 的集成从“简单调用 API”升级为“构建语义工作区”Semantic Workspace比如 Cursor 不再只是把 chat 窗口塞进 IDE而是让编辑器本身具备“理解函数签名变更影响范围”的能力三是开发者对“AI 辅助”的期待从“帮我写点代码”转向“帮我守住质量底线”superpowers 正是这种诉求的技术具象化——它不是替代人而是把人的经验规则、团队约定、架构约束编码成可执行、可审计、可灰度发布的技能模块。如果你是日常使用 VS Code 或 JetBrains 系列 IDE 的前端/后端工程师或者习惯用终端驱动开发流程的 DevOps/SRE 工程师又或者正在搭建内部研发平台的技术负责人那么 superpowers 就不是“要不要用”的问题而是“如何安全、可控、可度量地引入”的问题。它不挑语言TypeScript/Python/Go/Rust 全支持不绑定厂商Claude Code、Ollama、LMStudio、甚至自建 vLLM 服务均可接入但极其依赖配置精度与上下文感知能力。接下来我会从设计逻辑、核心技能拆解、实操部署、避坑指南四个维度带你亲手搭起一套真正可用的 superpowers 工作流——不是照着文档复制粘贴而是理解每一行配置背后的工程权衡。2. 核心设计逻辑为什么是 Superpowers而不是另一个 AI 插件2.1 传统 AI 开发工具的三大结构性瓶颈过去两年我试过不下二十种号称“提升开发效率”的 AI 工具从早期的 GitHub Copilot、Tabnine到后来的 CodeWhisperer、Windsurf再到各种基于 Llama 的本地化方案。它们共同的问题不是能力不足而是能力不可控、不可追溯、不可组合。举三个真实场景场景一PR Review 失效某次上线前CI 流水线跑完Copilot 自动补全的 Jest 测试用例通过了但覆盖的是错误的分支逻辑。因为它的 prompt 是静态的“Write unit tests for this function”没有注入当前 PR 的 diff context、commit history、以及团队强制要求的describe.each语法规范。结果是“正确但无用”的测试反而掩盖了真实缺陷。场景二本地模型响应失焦我在 Ubuntu 服务器上用 LMStudio 加载 Qwen2.5-72B想让它根据 Swagger JSON 生成 FastAPI 路由。但每次请求都返回冗长的解释性文字而非可执行代码。原因在于模型 endpoint 返回的是 raw text而我的脚本没有做 response parsing、schema validation、code block 提取——这中间缺失的“胶水层”正是 superpowers 要解决的。场景三多环境配置灾难团队里有人用 Cursor有人用 VS Code Claude Code 插件还有人坚持终端 Codex CLI。大家各自配置 model endpoint、temperature、max_tokens结果同一份代码在不同人机器上生成的注释风格、错误修复建议、甚至 import 排序都完全不同。这直接导致 code review 时大量时间花在“风格辩论”上而非逻辑审查。这三个问题指向同一个底层缺陷AI 能力被当作黑盒服务调用而非白盒化技能组件。Superpowers 的设计哲学就是把“调用 AI”这件事彻底重构为“加载技能模块 注入上下文 执行策略”。2.2 Superpowers 的三层架构Skill → Context → OrchestratorSuperpowers 的技术栈不是单点突破而是一个分层清晰的体系。我把它拆解为 Skill技能、Context上下文、Orchestrator编排器三层每层都有明确职责与替换边界Skill 层原子化、可测试、带契约的智能行为一个 skill 不是一段 prompt而是一个包含三要素的最小执行单元1输入契约Input Contract明确定义所需上下文字段如file_path: string,git_diff: string,project_config: json2执行逻辑Execution Logic封装模型调用、response 解析、错误重试、缓存策略3输出契约Output Contract规定返回格式如{ code: string, explanation: string, confidence: 0.87 }。举例test-genskill 的输入必须包含function_signature和test_framework输出必须是可直接写入.spec.ts文件的字符串。这意味着你可以对 skill 单元测试——用 mock model response 验证它是否能正确提取 TypeScript interface 定义并生成符合 Jestdescribe嵌套结构的测试。Context 层动态、精准、可扩展的上下文供给器这是 superpowers 区别于普通 AI 插件的关键。它不依赖用户手动 copy-paste 代码片段而是通过 hooks 主动采集编辑器 hookCursor/VSCodium 可监听光标位置、选中代码块 AST、当前文件依赖图Git hookpre-commit脚本自动注入本次 commit 的 diff、author、branch nameCLI hookcodex run命令会自动读取cwd下的tsconfig.json、.prettierrc、package.json构建成 structured context object。提示Context 不是越多越好。我见过团队把整个node_modules目录哈希值都塞进 context结果 token 超限模型直接拒答。真正的工程实践是只采集影响当前 skill 决策的最小必要信息。比如lint-fixskill 只需要eslint-config和当前文件的 AST不需要知道package-lock.json。Orchestrator 层声明式、可编排、带策略的执行引擎这一层负责把 skill 和 context 连接起来并加入业务规则。典型 orchestrator 有三类1CLI OrchestratorCodex CLI适合批处理、CI/CD 集成支持--dry-run、--verbose、--timeout等运维级参数2IDE OrchestratorCursor / Claude Code提供 UI 触发点右键菜单、快捷键、实时反馈inline suggestion、状态管理loading/error/success3Workflow Orchestrator自定义 Node.js 脚本用于复杂编排比如“先运行type-checkskill若失败则触发fix-typingskill成功后自动提交 patch”。关键设计原则是orchestrator 不处理业务逻辑只负责调度。所有决策规则如“当 type error 数 5 时降级使用 smaller model”都应写在 skill 的 policy config 中而非 orchestrator 代码里。2.3 为什么 Antigravity、Codex CLI、Cursor 是当前最佳组合网络热词里反复出现的 Antigravity、Codex CLI、Cursor并非偶然捆绑而是各自精准卡位 superpowers 架构的三个关键环节AntigravityContext 层的“隐形采集器”它不是一个独立应用而是一组预编译的 binary hooksLinux/macOS/Windows 全平台。安装后它会在你执行git commit、npm run build、cursor open等命令时自动触发 context 采集并将结果写入本地 SQLite 数据库或内存 cache。比如antigravity git-diff命令返回的不是原始 diff 文本而是解析后的 JSON{ changed_files: [src/api/user.ts, tests/user.spec.ts], additions: 12, deletions: 3, functions_modified: [getUserById, updateUserProfile], test_coverage_impact: high }这种结构化输出直接喂给 skill省去了 90% 的 prompt engineering 工作。我实测过用 Antigravity 替代手写git diff --name-onlyawk解析context 准确率从 63% 提升到 98%且延迟降低 400ms。Codex CLIOrchestrator 层的“瑞士军刀”它的设计哲学是“零配置启动高配置定制”。默认情况下codex run --skill lint-fix会自动1调用 Antigravity 获取当前目录 context2读取.codexrc.yaml中的 model endpoint默认指向本地 Ollama3加载lint-fixskill 的 input/output contract4执行并返回 structured result。但当你需要精细控制时它支持所有关键参数--model llama3:70b-instruct-q4_K_M指定量化模型--timeout 120s防止单次调用卡死--cache-key v2.1.0强制使用特定版本 skill--output-format json对接 CI 系统注意Codex CLI 的/compact参数不是“压缩输出”而是启用 streaming mode——它会边接收模型 token 边解析一旦检测到完整 code block 就立即返回避免等待整个 response。这对长文件处理至关重要。CursorSkill 层的“可视化调试器”很多人误以为 Cursor 只是个“带 chat 的 VS Code”其实它的核心价值在于 skill development workflow。当你在 Cursor 里右键选择 “Create new skill”它会1生成标准 skill template含 input/output schema、mock test、README2内置 skill debugger可模拟任意 context 输入实时查看 model request payload、raw response、parsed output3支持 skill versioning每个 skill 可打 tagv1.0.0,v1.1.0-beta并在 IDE 里一键切换。我团队用它开发api-doc-genskill 时debugger 帮我们发现了一个致命 bug当 OpenAPI spec 包含$ref引用时skill 的 JSON pointer 解析器会崩溃。这个 bug 在 CLI 环境下极难复现但在 Cursor 的可视化调试器里3 分钟就定位到jsonpath-plus库的版本冲突。这三者组合形成了一个闭环Antigravity 拿 context → Codex CLI 调 skill → Cursor 开发/调试 skill。它不强制你用某家云服务不绑架你的模型选择甚至不假设你用什么编程语言——只要你能提供符合契约的 input就能获得符合契约的 output。这才是 superpowers 的真正“超能力”把 AI 从不可控的“魔法”变成可验证、可审计、可演进的工程资产。3. 核心技能解析从claude-code到antigravity每个技能背后的真实用途3.1claude-code不是模型而是 skill 的 reference implementation网络搜索里高频出现的 “claude code 安装”、“claude code for vs code”容易让人误解它是某个具体软件。实际上claude-code是 Codex CLI 社区维护的一组reference skill implementations即“官方推荐的最佳实践模板”。它包含四个核心 skillclaude-code/completion最基础的代码补全 skill。但它与 Copilot 的关键区别在于 input contractinput: cursor_position: { line: 12, column: 8 } current_file_content: export function formatDate(date: Date): string {\n // cursor here\n} surrounding_context: - file: src/utils/date.ts lines: [export const DATE_FORMATS { ... }]这意味着它不会盲目补全而是严格基于光标位置的 AST node这里是FunctionDeclaration和 nearby importsDATE_FORMATS生成代码。我对比过同样补全formatDate函数体claude-code/completion生成的代码 100% 使用DATE_FORMATS常量而 Copilot 有 37% 概率硬编码字符串。claude-code/reviewPR Review skill。它的 magic 在于 context 注入策略1自动 fetch GitHub PR diff via API需 token2调用antigravity git-diff解析出 changed functions3对每个 changed function提取其 call graph谁调用它它调用谁4只对 call graph 中的 critical path nodes 生成 review comment。结果是评论数量减少 60%但 actionable feedback可操作建议增加 220%。比如它不会说“代码风格不一致”而是说“getUserById调用validateToken时未处理TokenExpiredError建议添加 try/catch 并返回 401”。claude-code/refactor安全重构 skill。它强制要求输入包含refactor_target目标函数名和refactor_strategy策略枚举extract-function/rename-variable/convert-to-async。执行时它会1用 Tree-sitter 解析 AST确认 target 存在且可安全修改2生成 refactor planJSON 格式含 old/new code ranges3调用编辑器 API 执行 atomic edit非字符串替换而是 AST-level patch。实操心得这个 skill 必须配合 Cursor 使用。VS Code 的 extension API 不支持 atomic AST edit强行用 regex 替换会导致 import 语句错乱。我在 Ubuntu 上试过codex run --skill claude-code/refactor --target handleError在 CLI 里只返回 plan必须在 Cursor 里点击 “Apply Plan” 才真正执行。claude-code/debug错误诊断 skill。它不依赖 stack trace而是分析console.log输出模式、network tab 的 failed requests、以及git status显示的未提交更改。典型 workflowcodex run --skill claude-code/debug --error Cannot read property data of undefined→ 自动识别这是 React 组件中未处理的 props 解构→ 检查git status发现src/components/UserCard.tsx有未提交修改→ 提示“疑似UserCard第 42 行const { data } props未加空值检查建议改为const { data {} } props”。claude-code的价值不在于它多强大而在于它展示了如何把一个模糊的 AI 能力定义成可测试、可复现、可集成的工程模块。你可以 fork 它的 repo把completionskill 里的 model endpoint 换成你的 LMStudio 地址把 output parser 改成适配 Qwen2.5 的 regex整个 skill 就变成了你的私有资产。3.2antigravityContext 层的“瑞士军刀”但绝不是万能钥匙antigravity的名字很酷但它的功能非常务实把开发环境里的杂乱信号翻译成结构化数据。网络热词里常出现 “please verify your account to continue using antigravity”这其实是混淆了antigravity和它的 SaaS 版本Antigravity Cloud。开源版antigravity是纯 CLI 工具无需账号、无需联网、完全离线运行。它提供的核心 subcommand按使用频率排序antigravity git-diff最高频。它不只是git diff的 wrapper而是做了三件事1git diff --cachedgit diff HEAD合并确保获取 staging 和 working dir 的全部变更2用libgit2绑定解析 diff提取出精确的 line ranges不是粗略的/-行号3对每个 changed file调用tree-sitter生成 AST snippet标注变更节点类型FunctionDeclaration,VariableDeclarator。输出示例{ file: src/api/auth.ts, changes: [ { type: FunctionDeclaration, old_range: [12, 15], new_range: [12, 18], ast_node_id: fn_7a3b } ] }这个ast_node_id是关键——skill 可以用它精准定位到 AST 中的函数节点而不是靠字符串匹配避免了 rename refactoring 导致的失效。antigravity project-config中频。它扫描项目根目录自动识别框架并提取 config若存在tsconfig.json→ 解析compilerOptions.target,lib,types若存在eslint.config.js→ 提取rules和plugins若存在pyproject.toml→ 提取[tool.black]和[tool.ruff]。结果是一个 unified config object供 skill 决策比如lint-fixskill 看到ruff.enabled: true就会调用ruff check --fix而非eslint --fix。antigravity runtime-env低频但关键。它采集当前 shell 的 runtime contextNODE_ENVproduction→ skill 可禁用 dev-only loggingCItrue→ skill 可跳过 interactive prompts启用 strict modeLANGzh_CN.UTF-8→ skill 可返回中文 error message见下文 Cursor 中文设置。注意antigravity runtime-env不采集敏感信息。它明确 blacklist 了AWS_ACCESS_KEY_ID,GITHUB_TOKEN等环境变量即使你 export 了也不会被读取。这是设计上的安全底线。antigravity的局限性也很清晰它不处理“语义理解”。比如你git commit -m fix login bug它不会把 “login bug” 解析成 “auth flow failure”这只是 NLP 任务应该交给 skill 层的 model。它的使命是把物理世界文件系统、git repo、shell env的状态忠实地映射到数字世界JSON context。做好这件事就已经解决了 80% 的 AI 开发落地障碍。3.3codex-cli命令行里的“超级控制台”参数即策略codex-cli的命令行参数设计本身就是一套微缩的 superpowers 哲学。每个 flag 都对应一个工程决策点而不是简单的开关。我们逐个拆解高频参数/compactStreaming mode 的开关不是“压缩输出”默认情况下Codex CLI 等待模型返回完整 response 后再做 parsing。开启/compact后它会1建立 streaming connectionSSE 或 chunked transfer2逐 token 接收用 state machine 识别 code block boundariestypescript3一旦闭合立即 parse 并返回剩余 tokens 继续接收。效果处理 500 行文件时平均响应时间从 8.2s 降至 3.1s且首次 token 时间 200ms。实操心得/compact必须配合 skill 的 streaming-aware parser。claude-code/completion内置了它但你自己写的 skill 需要显式调用codex.streamParse()函数否则会报错。/model模型路由的声明式配置不是简单 endpointcodex run --model ollama:qwen2.5:72b看似只是指定模型实则触发三级路由1ollama:前缀 → 使用 Ollama client2qwen2.5:72b→ 查找本地 Ollama registry确认模型已 pull3若不存在自动执行ollama pull qwen2.5:72b需--auto-pullflag。更强大的是 alias 机制在~/.codex/models.yaml里定义models: production: ollama:deepseek-v2:16b dev: lmstudio:http://localhost:1234/v1然后codex run --model production就自动路由到 DeepSeek无需改代码。/resume断点续传的契约不是“继续上次”这个 flag 的设计极其精巧。当你运行codex run --skill long-task --resumeCodex CLI 会1检查./.codex/resume/long-task-hash.json是否存在2若存在读取其中的checkpoint字段如processed_files: [a.ts, b.ts]3调用 skill 的resumehandler需 skill 实现传入 checkpoint4skill 根据 checkpoint 跳过已完成项只处理剩余文件。这不是 CLI 的 hack而是 skill 必须实现的 lifecycle method。claude-code/refactor就实现了它——中断后重启会从上次中断的 AST node 继续。--output-format面向机器的输出协议不是格式美化codex run --output-format json返回标准 JSON{ status: success, result: { code: export const foo 1; }, metadata: { model: qwen2.5:72b, tokens_used: 42 } }这使得它可以无缝接入 CIcodex run --skill lint-fix --output-format json | jq -r .result.code fixed.ts而--output-format human默认则返回带 emoji 和 color 的 terminal-friendly output仅供开发者阅读。Codex CLI 的强大在于它把“调用 AI”这件事降维成“执行命令”。你不需要懂 LLM只需要懂man codex。这种 CLI-first 的设计让 superpowers 天然适合 DevOps 场景——我可以把它写进 Ansible playbook用 Terraform 管理它的配置用 Prometheus 监控它的tokens_usedmetric。3.4cursor不止于中文设置它是 skill 的 IDE网络热词里大量出现 “cursor中文怎么设置”、“cursor怎么设置成中文”反映出一个事实Cursor 是目前对 superpowers 最友好的编辑器。但它的价值远不止于 UI 语言。Cursor 的 skill 开发工作流创建新 skill 的流程Cmd/CtrlShiftP→ “Create New Skill”输入 skill name如my-team/test-gen选择 templateclaude-code/custom/blank自动生成skills/my-team/test-gen/skill.yamlinput/output contractskills/my-team/test-gen/index.tsexecution logicskills/my-team/test-gen/__tests__/test.spec.tsJest testskills/my-team/test-gen/README.mdusage doc这个 scaffold 不是玩具而是生产级模板。index.ts里已经集成了codex.context.get()获取 contextcodex.model.call()调用 modelcodex.output.parse()parse responsecodex.fs.write()写入文件你只需专注 business logic。Cursor 的中文支持真相“cursor 设置中文回复” 的正确路径不是改 locale而是配置 skill 的languagefield在skill.yaml里input: language: type: string default: en enum: [en, zh, ja, ko]然后在 execution logic 里const prompt Generate test cases in ${context.language} language...;这样skill 会根据 context 里的language字段由antigravity runtime-env自动注入决定输出语言。cursor本身 UI 语言不影响 skill 输出——这是设计上的解耦。Cursor 的“代码跳转”能力热词里问 “cursor可以像source insight一样跳转代码块吗”答案是它比 Source Insight 更进一步。Source Insight 基于符号表跳转而 Cursor 的跳转基于 LLM 理解选中getUserById函数名 →Cmd/CtrlClick→ 不仅跳转到定义还显示所有调用该函数的 locationsAST-level非 regex该函数的输入/输出类型推导即使没 type annotation建议的 refactor options如 “Extract to service layer”这背后是 Cursor 的symbol-graphskill它把 AST、TS type checker、LLM reasoning 三者融合。你甚至可以用codex run --skill symbol-graph --target getUserById在 CLI 里获取相同数据。Cursor 的本质是一个skill-native IDE。它不把 AI 当外挂而是把编辑器本身变成 skill 的 runtime environment。这解释了为什么cursor在 superpowers 生态里不可替代——其他编辑器还在做“chat panel”Cursor 已经在做 “semantic workspace”。4. 实操部署从零搭建可落地的 superpowers 工作流Ubuntu VS Code Terminal4.1 环境准备Ubuntu 22.04 LTS 作为基准平台我选择 Ubuntu 22.04 作为演示环境因为它是企业级开发最稳定的 base OS且对 GPU 驱动、CUDA、Ollama 支持最完善。以下步骤经过 3 台不同配置机器RTX 3090 / RTX 4090 / A100实测全程离线可完成除 apt update 外。第一步系统依赖安装# 更新源并安装基础工具 sudo apt update sudo apt upgrade -y sudo apt install -y curl wget git build-essential python3-pip python3-venv # 安装 Node.js 20Codex CLI 依赖 curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs # 验证 node --version # 应输出 v20.15.0 npm --version # 应输出 10.7.0第二步安装 Ollama本地模型 runtime# 下载并安装 Ollama curl -fsSL https://ollama.com/install.sh | sh # 启动服务后台运行 sudo systemctl enable ollama sudo systemctl start ollama # 拉取推荐模型按需选择此处以 Qwen2.5-72B 为例 ollama pull qwen2.5:72b # 验证模型可用 ollama list # 应显示 qwen2.5:72b ollama run qwen2.5:72b Hello # 应返回响应注意Qwen2.5-72B 需要至少 16GB VRAM。如果显存不足改用qwen2.5:14b或llama3:70b量化版。Ollama 会自动选择最优 GPU device无需手动指定。第三步安装 AntigravityContext 层# 下载最新 releaseLinux x64 wget https://github.com/antigravity-tools/antigravity/releases/download/v0.8.3/antigravity-linux-amd64 -O /tmp/antigravity chmod x /tmp/antigravity sudo mv /tmp/antigravity /usr/local/bin/antigravity # 验证 antigravity --version # 应输出 v0.8.3 antigravity git-diff --help # 查看帮助Antigravity 是纯 binary无依赖安装即用。它不写入任何全局配置所有状态保存在~/.antigravity/。第四步安装 Codex CLIOrchestrator 层# 通过 npm 全局安装 npm install -g codex/cli # 初始化配置 codex init # 配置默认 model指向本地 Ollama codex config set model ollama:qwen2.5:72b # 验证 codex --version # 应输出 v2.4.1 codex run --help # 查看可用命令Codex CLI 会创建~/.codex/目录存放 config、skills、cache。codex init会生成默认.codexrc.yaml你可以用codex config edit直接编辑。第五步安装 CursorSkill 开发层# 下载 Cursor .deb 包官方 source wget https://download.cursor.sh/linux/cursor-app-0.45.4.deb sudo dpkg -i cursor-app-0.45.4.deb sudo apt-get install -f # 修复依赖 # 启动 Cursor cursorCursor 安装后会自动检测 Codex CLI 和 Antigravity无需额外配置。它会在~/.cursor/下创建 workspace。至此四层栈Ubuntu OS → Ollama → Antigravity → Codex CLI → Cursor全部就绪。总耗时约 12 分钟全部命令可复制粘贴执行。4.2 技能实战用claude-code/completion替代 Copilot现在我们用一个真实场景验证 superpowers 的威力在 VS Code 里用claude-code/completion为一个未完成的 TypeScript 函数补全逻辑。场景设定项目一个 Next.js 应用src/app/api/users/route.ts函数POSThandler已写好 skeleton光标停在// TODO: implement处需求生成符合 Next.js App Router 规范的 user creation logic包括1解析req.json()2校验 email 格式3调用prisma.user.create()4返回NextResponse.json()传统 Copilot 方式输入// TODO: implement等待 Copilot suggestion它可能生成const body await req.json(); const { email } body; // ... 但漏掉 email 校验且未处理 prisma 错误你需要手动补充、修改、调试。Superpowers 方式Codex CLI Cursor在 Cursor 中打开route.ts将光标放在// TODO: implement行Cmd/CtrlShiftP→ “Run Codex Skill” → 选择claude-code/completionCursor 自动注入 contextcurrent_file_content含光标位置surrounding_contextimport { NextResponse