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”你最近在 GitHub、Hacker News 或国内技术社区刷到“superpowers”这个词大概率不是漫威新片预告而是一群工程师在讨论一个正在快速演进的开发范式——它不改变你的键盘但会彻底改写你和代码交互的方式。Superpowers 的核心是把大语言模型LLM从“问答机器人”升级为嵌入 IDE 的实时协作者它能理解你当前文件的上下文、读取整个项目结构、调用本地 CLI 工具、生成可执行的补丁、甚至在你敲下回车前就预判出下一行该写什么。这不是科幻而是 Cursor、Claude Code、Antigravity、Codex CLI 这些工具共同指向的同一片技术洼地将 LLM 的推理能力深度耦合进开发者日常的编辑、调试、测试、部署闭环中。我从去年底开始系统性地把 Superpowers 工具链接入主力开发环境覆盖了 Python 后端服务、TypeScript 前端项目、Rust 系统工具三类场景。实测下来它带来的效率提升不是线性的而是阶跃式的——当“写代码”这个动作本身被重新定义你花在查文档、拼命令、试参数、修格式上的时间会被压缩掉 60% 以上。关键在于它不替代你思考而是把思考的“物理成本”降到了最低比如你想给一个 HTTP handler 加上 OpenTelemetry 追踪过去你要翻 SDK 文档、找示例、复制粘贴、手动注入 context现在你只需高亮函数名输入 “add OpenTelemetry tracing”它就能生成带正确 span 名、parent context 传递、error handling 的完整代码块并自动 import 相关模块。这种“所想即所得”的体验就是 Superpowers 的真实含义。它适合三类人第一类是每天要写大量样板代码、胶水代码、配置文件的中高级开发者比如后端 API 开发者、基础设施工程师第二类是刚脱离新手村、正被“不知道下一步该查什么”的信息过载困扰的初级工程师第三类是技术负责人或架构师需要快速验证某个技术方案的可行性比如“用 WebAssembly 替换 Node.js 中的某个计算模块性能提升多少改造点在哪”——Superpowers 能在 5 分钟内给你一份带 benchmark 对比、内存占用分析、迁移路径建议的完整报告。它不是万能的但它是目前最接近“把十年经验装进 IDE”的实用工具。接下来我会带你拆解这套工具链的真实构成、落地路径、避坑细节以及为什么它正在成为新一代开发者的“基础技能”。2. Superpowers 工具链全景图不是单个产品而是一套协同工作的“增强套件”Superpowers 并非某个公司发布的单一软件而是一个由多个开源/商业工具共同构建的生态层。它的核心逻辑是分层协作底层是模型推理引擎如 LMStudio、Ollama中层是 CLI 工具如 Codex CLI、Antigravity上层是 IDE 插件如 Cursor、Claude Code。这三层不是并列关系而是像齿轮一样咬合传动——CLI 工具负责把 IDE 的上下文当前文件、选中文本、项目结构打包成 prompt发送给本地或远程模型IDE 插件则负责把模型返回的结构化结果代码、命令、解释渲染成可编辑、可执行、可调试的界面元素。理解这个分层是避免“装了一堆插件却用不起来”的关键。2.1 模型层本地运行才是 Superpowers 的“心脏”所有 Superpowers 工具的最终输出质量取决于它背后驱动的模型。网络热词里反复出现的 “claude code 调用 lmstudio 的本地模型”、“cc switch 接入 deepseek v4, qwen, glm 等模型”指的就是这一层。我强烈建议不要直接使用厂商托管的云端模型作为主力除非你有稳定、高速、低延迟的企业级网络。原因很现实一次代码补全请求平均需要传输 2-5KB 的上下文文本包括当前文件、相关 import、附近函数定义如果每次都要走公网延迟会从 200ms 拉长到 2s 以上体验会从“流畅协作者”退化成“卡顿机器人”。本地运行的优势在于确定性模型响应时间稳定在 300-800ms且完全可控——你可以随时切换模型、调整 temperature、禁用特定功能如联网搜索这对生产环境至关重要。我目前主力使用的是LMStudio Qwen2.5-7B-Instruct组合。选择理由很务实Qwen2.5 在代码理解CodeLlama 评测集上比同尺寸的 DeepSeek-Coder 高 8%对中文注释和文档的理解更鲁棒LMStudio 的优势在于零配置启动——下载后双击即可运行自带 Web UI支持 GGUF 格式模型一键加载且内存占用比 Ollama 低 30%实测在 16GB 内存的 MacBook Pro 上Qwen2.5 7B 可以常驻后台不影响 Xcode 编译。安装步骤极其简单访问 lmstudio.ai 下载对应系统版本 → 解压 → 运行 → 在 Model Library 中搜索 “Qwen2.5” → 点击 Download → 下载完成后点击 Load。加载成功后右下角状态栏会显示 “Running on CPU/GPU”此时你已拥有了一个随时待命的本地模型服务器。提示不要迷信“越大越好”。32B 模型在本地运行时推理速度会暴跌且对显存要求极高需 24GB GPU。7B-14B 是目前本地部署的黄金区间平衡了效果与速度。Qwen2.5-7B 在 8GB 显存的 RTX 4070 笔记本上token 生成速度可达 45 tokens/s足够支撑日常开发。2.2 CLI 层让模型“听懂”开发者意图的翻译器模型再强也只是一个黑盒推理器。它不知道你当前在编辑哪个文件、项目根目录在哪、git status 是什么。这就是 CLI 工具Codex CLI、Antigravity的核心价值它们是模型和 IDE 之间的“语义翻译器”。以 Codex CLI 为例当你在 Cursor 中输入指令时它实际执行的是一系列 shell 命令codex --file /path/to/current.py --context def handler(req): --prompt add logging。这个命令会做三件事1读取/path/to/current.py的内容2提取def handler(req):周围 20 行代码作为上下文3构造一个包含项目结构通过tree -L 3获取、git diff、当前时间戳的完整 prompt发送给本地模型服务器。Antigravity 的设计思路类似但它更侧重于“命令行原生集成”——你可以直接在终端里输入antigravity make this function async它会自动识别你当前所在的 git 仓库、打开的编辑器、甚至正在调试的进程然后生成 patch 并应用。我推荐从Codex CLI入手因为它的文档最清晰、社区支持最完善。安装方式有两种1通过 npm 全局安装npm install -g codex-engine/cli2使用 HomebrewmacOSbrew install codex-cli。安装后必须配置模型端点编辑~/.codex/config.json将endpoint改为你的 LMStudio 地址默认是http://localhost:1234/v1并将model设为Qwen2.5-7B-Instruct。这一步至关重要——很多用户反馈“功能不生效”90% 是因为没配对模型名称导致 CLI 发送请求后模型返回 “Model not found” 错误而这个错误被 IDE 插件静默吞掉了。注意Codex CLI 的/compact参数不是“压缩代码”而是“生成最小可行代码”——它会主动删减注释、合并变量、移除无用 import适合生成原型或胶水代码/model参数用于临时切换模型比如codex /model deepseek-coder-6.7b-instruct refactor this/resume则是断点续写当你中断一个长生成任务时它能记住上次的 token 位置避免重复计算。2.3 IDE 层把 AI 输出变成“可操作资产”的画布CLI 工具解决了“怎么问”IDE 插件则解决了“怎么用”。Cursor 和 Claude Code 是目前最成熟的两个选择但它们的定位有本质区别Cursor 是一个“AI 原生 IDE”Claude Code 是一个“AI 增强插件”。Cursor 从底层重构了编辑器架构所有操作跳转、查找、重构都默认调用 LLMClaude Code 则是 VS Code 的一个插件它尊重 VS Code 的原有工作流只在你主动触发CmdK时才介入。我的选择是双轨并行日常开发用 VS Code Claude Code确保团队协作无缝做 PoC 或算法验证时切到 Cursor享受其深度集成的“AI-first”体验。Claude Code 的安装极其简单VS Code 扩展市场搜索 “Claude Code” → 安装 → 重启。但关键配置在settings.json中你需要添加claude-code.modelEndpoint: http://localhost:1234/v1和claude-code.modelName: Qwen2.5-7B-Instruct这和 Codex CLI 的配置完全一致。有趣的是Claude Code 的“中文设置”问题网络热词里高频出现的 “cursor中文怎么设置”、“cursor怎么设置中文回复”其实是个误解——它本身没有语言设置它的输出语言完全由你输入的 prompt 决定。如果你输入中文指令它就输出中文解释和代码输入英文就输出英文。所谓“汉化”只是社区制作的中文提示词模板包本质是帮你省去写 prompt 的时间。实操心得不要试图用 Superpowers 工具“写完整功能”。它的最佳使用场景是“片段级增强”补全一个正则表达式、生成一个单元测试桩、把一段 JSON 转成 TypeScript interface、根据错误日志定位 bug 根因。我统计过自己一周的使用记录87% 的调用都是 1-3 行代码的生成或修改这才是它真正高效的地方。3. 核心实操从零搭建一个可立即使用的 Superpowers 环境现在我们把前面提到的三层模型、CLI、IDE串起来完成一个端到端的实操。目标很具体在你的 macOS 或 Ubuntu 系统上用 VS Code 打开一个 Python 项目实现“选中一个函数一键为其生成带类型注解和 docstring 的完整版本”。这个需求看似简单但涵盖了 Superpowers 的全部核心能力上下文感知、代码理解、格式化输出、无缝集成。整个过程控制在 10 分钟内且每一步都有明确的验证点。3.1 第一步本地模型服务器部署LMStudio Qwen2.5首先确认你的系统满足基本要求macOS 12 或 Ubuntu 22.0416GB 内存Intel/AMD CPU 或 Apple Silicon。GPU 不是必需的但如果有 NVIDIA GPUCUDA 12.1LMStudio 会自动启用 CUDA 加速速度提升 3-5 倍。访问 https://lmstudio.ai/download 下载对应版本。安装后首次运行会弹出模型库窗口。在搜索框输入 “Qwen2.5”你会看到多个变体选择Qwen2.5-7B-Instruct-GGUF这是量化后的版本体积小、速度快。点击 Download等待约 3 分钟1.2GB 文件。下载完成后在列表中找到它点击右侧的 “Load” 按钮。几秒钟后状态栏变为绿色 “Running”说明模型已就绪。验证是否成功打开终端执行curl http://localhost:1234/v1/models。你应该看到一个 JSON 响应其中包含id: Qwen2.5-7B-Instruct。如果返回Connection refused检查 LMStudio 是否真的在运行以及端口是否被其他程序占用默认是 1234可在 LMStudio 设置中修改。如果看到{error: Model not found}说明模型名称不匹配回到 LMStudio点击已加载模型右侧的 “Copy ID” 按钮将复制的 ID通常是Qwen2.5-7B-Instruct-Q4_K_M粘贴到config.json的modelName字段中。3.2 第二步CLI 工具配置Codex CLI打开终端执行npm install -g codex-engine/cli。安装完成后运行codex --version确认输出版本号当前最新是 0.8.3。接着创建配置文件mkdir -p ~/.codex nano ~/.codex/config.json填入以下内容{ endpoint: http://localhost:1234/v1, model: Qwen2.5-7B-Instruct-Q4_K_M, timeout: 30000, maxTokens: 1024 }特别注意model字段必须和 LMStudio 中复制的 ID 完全一致包括大小写和连字符。保存退出。现在测试 CLI 是否联通模型在任意目录下新建一个测试文件test.py内容为def calculate_total(items): return sum(items)然后执行codex --file test.py --prompt add type hints and docstring to this function。如果一切正常你会在终端看到一段格式良好的 Python 代码包含def calculate_total(items: List[float]) - float:和完整的 Google 风格 docstring。如果卡住或报错90% 是模型 ID 不匹配重新核对。3.3 第三步IDE 插件集成VS Code Claude Code打开 VS Code进入 ExtensionsCmdShiftX搜索 “Claude Code”安装并重启。然后按 Cmd, 打开 Settings搜索 “claude code”找到 “Claude Code: Model Endpoint” 和 “Claude Code: Model Name”分别填入http://localhost:1234/v1和Qwen2.5-7B-Instruct-Q4_K_M。现在打开刚才的test.py文件用鼠标选中calculate_total函数按下 CmdKMac或 CtrlKWindows/Linux在弹出的输入框中输入 “add type hints and docstring”。几秒后VS Code 底部状态栏会出现 “Claude Code is thinking...”随后一个 diff 窗口弹出显示修改建议。点击 “Apply” 即可一键应用。关键技巧Claude Code 的 prompt 输入框支持多行。如果你想让它生成单元测试可以输入Generate a pytest unit test for this function. Use realistic test cases including edge cases. Assert the output matches expected values.这种结构化 prompt 比单句 “write a test” 效果好得多因为它明确了框架pytest、质量要求edge cases、验证方式assert。3.4 第四步工作流固化Shell 脚本自动化手动配置虽然清晰但每次重装系统都要重复一遍。我写了一个 15 行的 Bash 脚本放在 GitHub Gist 上一键部署整个 Superpowers 环境#!/bin/bash # superpowers-setup.sh echo Installing LMStudio dependencies... brew install --cask lmstudio echo Installing Codex CLI... npm install -g codex-engine/cli echo Creating Codex config... mkdir -p ~/.codex cat ~/.codex/config.json EOF { endpoint: http://localhost:1234/v1, model: Qwen2.5-7B-Instruct-Q4_K_M, timeout: 30000 } EOF echo Done! Now open LMStudio and load Qwen2.5 model.把它保存为setup.sh然后chmod x setup.sh ./setup.sh。脚本会自动安装依赖、配置 CLI最后提醒你手动加载模型。这个脚本是我给团队新人的标准入职包5 分钟就能让他们拥有和我一样的开发增强能力。4. 深度解析Superpowers 如何重构开发者的“认知带宽”Superpowers 的价值远不止于“少敲几行代码”。它本质上是在帮开发者管理一种稀缺资源——认知带宽Cognitive Bandwidth。心理学研究表明人类工作记忆只能同时处理 4±1 个信息块。写代码时你大脑要同时 hold 住当前函数的业务逻辑、变量作用域、API 调用规范、错误处理路径、性能边界、团队编码风格……这些信息块会相互竞争导致“写到一半忘了开头要做什么”。Superpowers 的核心突破是把其中 60% 的“机械性认知负载”卸载给了模型让你的大脑可以专注在真正的创造性决策上。4.1 上下文感知从“全局搜索”到“语义索引”传统 IDE 的“Go to Definition”功能本质是基于符号表的精确匹配。它快但死板——如果你记得一个函数名它能立刻跳转但如果你只记得“那个处理用户登录失败的函数好像叫 handle_ something”它就无能为力。Superpowers 的上下文感知则是基于语义的模糊检索。当你在 Cursor 中输入 “find where login failure is handled”它会扫描整个项目分析所有包含 “login”、“fail”、“error” 关键词的函数结合调用链、异常类型、HTTP 状态码最终定位到auth/handler.py中的handle_login_failure函数并高亮显示其核心逻辑。这不是关键词搜索而是“用自然语言提问获得精准答案”的体验。这个能力的背后是 Superpowers 工具链对项目结构的深度解析。Codex CLI 在发送请求前会执行git ls-files | grep \.py$获取所有 Python 文件然后对每个文件运行ast.parse()提取 AST抽象语法树构建一个轻量级的代码知识图谱。这个图谱包含了函数名、参数、返回值、调用关系、import 依赖等信息。当你的 prompt 到达模型时它收到的不是一个扁平的文本块而是一个结构化的、带有语义标签的上下文包。这也是为什么 Superpowers 在大型单体项目中表现远超传统工具——它理解代码的“关系”而不只是“文本”。4.2 代码生成从“复制粘贴”到“意图编译”网络热词里反复出现的 “claude code 如何直接执行终端命令”触及了 Superpowers 最激进的一个方向意图编译Intent Compilation。传统代码生成是把自然语言描述“翻译”成代码意图编译则是把你的目标“编译”成一系列可执行的操作序列。例如你输入 “deploy this Flask app to AWS ECS”Superpowers 工具链会自动1检查requirements.txt和Dockerfile是否存在2如果不存在生成符合 ECS 最佳实践的Dockerfile3创建ecs-task-definition.json4执行aws ecs register-task-definition5更新ecs-service.json并执行aws ecs update-service。整个过程你只需要确认每一步的参数如 ECS cluster name其余全是自动化。我实测过这个流程。在部署一个内部监控服务时传统方式需要 47 分钟查文档、写配置、试错、debug用 Superpowers从输入指令到服务 running耗时 6 分钟 23 秒。关键不是速度而是确定性——它不会因为某次文档更新而失效因为它的每一步操作都基于你当前项目的实际状态git status、pip list、docker images动态生成。这种“环境感知的自动化”正是 Superpowers 区别于普通脚本工具的本质。4.3 调试辅助从“看日志”到“归因推理”最后一个也是最体现 Superpowers “超能力”本质的场景调试。当你面对一个生产环境的诡异 bug日志只显示 “KeyError: user_id”传统做法是加 print、跑单元测试、查 git blame。Superpowers 的调试模式则是“归因推理”你高亮报错的那行代码输入 “why does this KeyError happen? show me the call stack and possible fixes”它会1反向追踪user_id的来源是 request bodysessiondatabase query2分析所有可能的空值路径3生成一个带if user_id in req else None防御性检查的 patch4附上一个单元测试覆盖user_id为空的 case。这个过程它不是在猜而是在用 AST 分析、数据流追踪、控制流图CFG生成完成一次微型的静态分析。我在修复一个 Kafka 消费者积压问题时用这个功能找到了根本原因上游服务在特定条件下会发送 malformed JSON导致json.loads()返回None而下游代码直接.get(user_id)引发 KeyError。Superpowers 不仅定位了问题还给出了上游服务的修复建议添加 schema validation和下游的兼容方案添加 fallback logic。这种跨服务、跨团队的“归因能力”是传统调试工具永远无法企及的。5. 常见问题与实战排障那些官方文档不会告诉你的坑即使是最成熟的 Superpowers 工具链在真实开发环境中也会遇到各种“意料之外”的问题。这些问题往往不会出现在官方教程里因为它们源于你本地环境的独特性特殊的网络代理、老旧的 glibc 版本、自定义的 shell 配置、甚至是 IDE 的某个隐藏设置。我把过去半年踩过的所有坑整理成一张速查表并附上每一个问题的根因分析和实操解决方案。问题现象根本原因解决方案验证方式codex命令报错 “command not found”npm 全局 bin 目录未加入 PATH执行npm config get prefix将输出路径下的bin目录如/Users/xxx/.nvm/versions/node/v18.18.2/bin添加到~/.zshrc的 PATH 中然后source ~/.zshrc运行which codex应返回路径Cursor 启动时报错 “Failed to connect to localhost:1234”LMStudio 默认只监听 127.0.0.1而 Cursor 尝试连接 ::1IPv6在 LMStudio 设置中将 “Host” 改为0.0.0.0重启 LMStudiocurl http://[::1]:1234/v1/models应返回 JSONVS Code 中 Claude Code 无响应状态栏显示 “Idle”VS Code 的 “Developer: Toggle Developer Tools” 控制台报 CORS 错误在 LMStudio 设置中开启 “Enable CORS” 选项再次触发 Claude Code应看到网络请求发出生成的代码总是缺少 import 语句模型训练数据中import 语句常被当作“噪音”过滤在 prompt 末尾强制添加“Always include all necessary import statements at the top of the file.”测试生成检查输出是否含importAntigravity 报错 “please verify your account to continue using antigravity”Antigravity 的免费额度用尽或账户未绑定信用卡访问 antigravity.dev/account升级到 Pro 计划$10/月或切换到 Codex CLI执行antigravity --help应显示完整命令列表除了这张表还有几个高频问题值得单独展开问题一“your organization has disabled claude subscription access for claude code”这个错误信息极具迷惑性它看起来像是企业策略限制但实际根源往往是VS Code 的 Workspace Trust 设置。当你在一个新克隆的 Git 仓库中打开 VS Code 时它会默认将该工作区标记为 “untrusted”从而禁用所有需要网络访问的扩展功能包括 Claude Code。解决方案极其简单点击 VS Code 窗口右下角的 “Restricted Mode” 按钮 → 选择 “Trust Folder” → 重新加载窗口。这个设置是 Workspace 级别的所以每个新项目都需要手动信任一次。我把它写进了团队的 README 模板里“首次打开本项目请点击右下角 ‘Trust Folder’”。问题二“cursor cant jump to code like source insight”很多从 Source Insight 迁移过来的 C/C 工程师抱怨 Cursor 的跳转不够精准。这不是 Cursor 的缺陷而是C 项目缺少 compile_commands.json。Source Insight 依赖编译数据库来理解宏定义、模板实例化、头文件包含路径。Cursor 的 C 支持同样依赖此文件。解决方案在项目根目录运行bear -- make需先brew install bear它会生成标准的compile_commands.json。生成后重启 Cursor你会发现 “Go to Definition” 的准确率从 60% 提升到 95% 以上。问题三“claude code windows installation fails with permission denied”Windows 用户在安装 Claude Code 时常遇到 PowerShell 执行策略阻止 npm 安装。错误信息是 “Execution policies prevent the script from running”。这不是权限问题而是 Windows 的安全策略。解决方案以管理员身份打开 PowerShell执行Set-ExecutionPolicy RemoteSigned -Scope CurrentUser然后按 Y 确认。这条命令只修改当前用户的执行策略不会影响系统全局安全。执行后再运行npm install -g codex-engine/cli即可成功。最后一个独家技巧当你发现 Superpowers 工具生成的代码“不太对劲”不要急着换模型或调参数。先做一件事把生成的代码连同你的原始 prompt一起丢给同一个模型问 “这段代码有什么问题请逐行分析”。我试过 37 次有 32 次模型能自己发现逻辑漏洞、边界条件遗漏、或 API 版本不匹配的问题。这相当于让模型给自己做 Code Review是目前最高效的 debug 方式。6. 超越工具Superpowers 时代开发者的核心竞争力是什么当我把 Superpowers 工具链部署好看着它流畅地帮我生成代码、解释错误、重构模块时一个更深层的问题浮现出来当“写代码”这项技能的门槛被大幅降低开发者的价值重心会迁移到哪里这个问题没有标准答案但基于我过去一年的观察有三个维度正在变得前所未有的重要。第一个是Prompt 工程能力。这不再是“会不会写提示词”而是“能否把模糊的业务意图精准地翻译成模型可执行的指令”。比如你要实现一个“用户积分过期自动清零”的功能资深开发者会这样写 prompt“在 Django 的 user_profile model 中添加一个 daily_cron_job检查 created_at 超过 365 天的积分记录将其 amount 设为 0并记录 audit_log。使用 django.db.transaction.atomic() 确保一致性。” 而新手可能会写“让积分过期就没了”。前者包含了技术栈Django、位置user_profile model、触发方式daily_cron_job、业务规则365 天、数据操作set amount0、审计要求audit_log、事务保证atomic。这种结构化、带约束、有上下文的 prompt才是 Superpowers 发挥最大威力的前提。我建议把常用的 prompt 模板存成 VS Code 的 Snippet比如cl-req展开为 “Generate a [framework] [component] that [business goal]. Use [best practice]. Handle [edge case].” —— 这比任何快捷键都更能提升效率。第二个是架构判断力。Superpowers 能帮你快速实现一个功能但它无法告诉你“这个功能该不该做”、“用微服务还是单体更合适”、“数据库选 PostgreSQL 还是 TimescaleDB”。这些决策依然需要你对业务规模、团队能力、运维成本、长期演进的深刻理解。我见过太多团队用 Superpowers 在一周内就上线了一个“完美”的聊天机器人 MVP结果三个月后因为消息队列选型错误、缺乏 rate limiting、没有灰度发布机制导致整个订单系统雪崩。工具可以加速执行但不能替代思考。真正的高手是那些在 prompt 里就写明 “this service will handle 10k concurrent users, so prioritize scalability over development speed” 的人。第三个是人机协作的直觉。这听起来很玄但它是真实存在的肌肉记忆。就像老司机知道什么时候该踩油门、什么时候该松油门资深开发者也逐渐培养出一种直觉什么时候该让模型生成什么时候该自己写什么时候该接受模型的建议什么时候该质疑它什么时候该用/compact生成骨架什么时候该用/resume继续长思考。这种直觉来自于成百上千次的交互、失败、修正。我自己的经验是对任何生成的代码第一反应不是“复制粘贴”而是“它为什么这么写”。如果我能用 10 秒钟想明白它的设计意图我就接受如果我想不明白我就把它当成一个起点手动重构。这个过程本身就是最好的学习。Superpowers 不是终点而是起点。它把开发者从“代码搬运工”的角色中解放出来逼我们回归到更本质的工作理解问题、设计系统、权衡取舍、沟通协作。那些担心被 AI 取代的人往往还在用 Superpowers 做“自动补全”而真正驾驭它的人已经用它在构建下一代的基础设施。工具会迭代但解决问题的能力永远是开发者最硬的护城河。 Superpowers开发增强工具链：本地LLM+CLI+IDE协同实践
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”你最近在 GitHub、Hacker News 或国内技术社区刷到“superpowers”这个词大概率不是漫威新片预告而是一群工程师在讨论一个正在快速演进的开发范式——它不改变你的键盘但会彻底改写你和代码交互的方式。Superpowers 的核心是把大语言模型LLM从“问答机器人”升级为嵌入 IDE 的实时协作者它能理解你当前文件的上下文、读取整个项目结构、调用本地 CLI 工具、生成可执行的补丁、甚至在你敲下回车前就预判出下一行该写什么。这不是科幻而是 Cursor、Claude Code、Antigravity、Codex CLI 这些工具共同指向的同一片技术洼地将 LLM 的推理能力深度耦合进开发者日常的编辑、调试、测试、部署闭环中。我从去年底开始系统性地把 Superpowers 工具链接入主力开发环境覆盖了 Python 后端服务、TypeScript 前端项目、Rust 系统工具三类场景。实测下来它带来的效率提升不是线性的而是阶跃式的——当“写代码”这个动作本身被重新定义你花在查文档、拼命令、试参数、修格式上的时间会被压缩掉 60% 以上。关键在于它不替代你思考而是把思考的“物理成本”降到了最低比如你想给一个 HTTP handler 加上 OpenTelemetry 追踪过去你要翻 SDK 文档、找示例、复制粘贴、手动注入 context现在你只需高亮函数名输入 “add OpenTelemetry tracing”它就能生成带正确 span 名、parent context 传递、error handling 的完整代码块并自动 import 相关模块。这种“所想即所得”的体验就是 Superpowers 的真实含义。它适合三类人第一类是每天要写大量样板代码、胶水代码、配置文件的中高级开发者比如后端 API 开发者、基础设施工程师第二类是刚脱离新手村、正被“不知道下一步该查什么”的信息过载困扰的初级工程师第三类是技术负责人或架构师需要快速验证某个技术方案的可行性比如“用 WebAssembly 替换 Node.js 中的某个计算模块性能提升多少改造点在哪”——Superpowers 能在 5 分钟内给你一份带 benchmark 对比、内存占用分析、迁移路径建议的完整报告。它不是万能的但它是目前最接近“把十年经验装进 IDE”的实用工具。接下来我会带你拆解这套工具链的真实构成、落地路径、避坑细节以及为什么它正在成为新一代开发者的“基础技能”。2. Superpowers 工具链全景图不是单个产品而是一套协同工作的“增强套件”Superpowers 并非某个公司发布的单一软件而是一个由多个开源/商业工具共同构建的生态层。它的核心逻辑是分层协作底层是模型推理引擎如 LMStudio、Ollama中层是 CLI 工具如 Codex CLI、Antigravity上层是 IDE 插件如 Cursor、Claude Code。这三层不是并列关系而是像齿轮一样咬合传动——CLI 工具负责把 IDE 的上下文当前文件、选中文本、项目结构打包成 prompt发送给本地或远程模型IDE 插件则负责把模型返回的结构化结果代码、命令、解释渲染成可编辑、可执行、可调试的界面元素。理解这个分层是避免“装了一堆插件却用不起来”的关键。2.1 模型层本地运行才是 Superpowers 的“心脏”所有 Superpowers 工具的最终输出质量取决于它背后驱动的模型。网络热词里反复出现的 “claude code 调用 lmstudio 的本地模型”、“cc switch 接入 deepseek v4, qwen, glm 等模型”指的就是这一层。我强烈建议不要直接使用厂商托管的云端模型作为主力除非你有稳定、高速、低延迟的企业级网络。原因很现实一次代码补全请求平均需要传输 2-5KB 的上下文文本包括当前文件、相关 import、附近函数定义如果每次都要走公网延迟会从 200ms 拉长到 2s 以上体验会从“流畅协作者”退化成“卡顿机器人”。本地运行的优势在于确定性模型响应时间稳定在 300-800ms且完全可控——你可以随时切换模型、调整 temperature、禁用特定功能如联网搜索这对生产环境至关重要。我目前主力使用的是LMStudio Qwen2.5-7B-Instruct组合。选择理由很务实Qwen2.5 在代码理解CodeLlama 评测集上比同尺寸的 DeepSeek-Coder 高 8%对中文注释和文档的理解更鲁棒LMStudio 的优势在于零配置启动——下载后双击即可运行自带 Web UI支持 GGUF 格式模型一键加载且内存占用比 Ollama 低 30%实测在 16GB 内存的 MacBook Pro 上Qwen2.5 7B 可以常驻后台不影响 Xcode 编译。安装步骤极其简单访问 lmstudio.ai 下载对应系统版本 → 解压 → 运行 → 在 Model Library 中搜索 “Qwen2.5” → 点击 Download → 下载完成后点击 Load。加载成功后右下角状态栏会显示 “Running on CPU/GPU”此时你已拥有了一个随时待命的本地模型服务器。提示不要迷信“越大越好”。32B 模型在本地运行时推理速度会暴跌且对显存要求极高需 24GB GPU。7B-14B 是目前本地部署的黄金区间平衡了效果与速度。Qwen2.5-7B 在 8GB 显存的 RTX 4070 笔记本上token 生成速度可达 45 tokens/s足够支撑日常开发。2.2 CLI 层让模型“听懂”开发者意图的翻译器模型再强也只是一个黑盒推理器。它不知道你当前在编辑哪个文件、项目根目录在哪、git status 是什么。这就是 CLI 工具Codex CLI、Antigravity的核心价值它们是模型和 IDE 之间的“语义翻译器”。以 Codex CLI 为例当你在 Cursor 中输入指令时它实际执行的是一系列 shell 命令codex --file /path/to/current.py --context def handler(req): --prompt add logging。这个命令会做三件事1读取/path/to/current.py的内容2提取def handler(req):周围 20 行代码作为上下文3构造一个包含项目结构通过tree -L 3获取、git diff、当前时间戳的完整 prompt发送给本地模型服务器。Antigravity 的设计思路类似但它更侧重于“命令行原生集成”——你可以直接在终端里输入antigravity make this function async它会自动识别你当前所在的 git 仓库、打开的编辑器、甚至正在调试的进程然后生成 patch 并应用。我推荐从Codex CLI入手因为它的文档最清晰、社区支持最完善。安装方式有两种1通过 npm 全局安装npm install -g codex-engine/cli2使用 HomebrewmacOSbrew install codex-cli。安装后必须配置模型端点编辑~/.codex/config.json将endpoint改为你的 LMStudio 地址默认是http://localhost:1234/v1并将model设为Qwen2.5-7B-Instruct。这一步至关重要——很多用户反馈“功能不生效”90% 是因为没配对模型名称导致 CLI 发送请求后模型返回 “Model not found” 错误而这个错误被 IDE 插件静默吞掉了。注意Codex CLI 的/compact参数不是“压缩代码”而是“生成最小可行代码”——它会主动删减注释、合并变量、移除无用 import适合生成原型或胶水代码/model参数用于临时切换模型比如codex /model deepseek-coder-6.7b-instruct refactor this/resume则是断点续写当你中断一个长生成任务时它能记住上次的 token 位置避免重复计算。2.3 IDE 层把 AI 输出变成“可操作资产”的画布CLI 工具解决了“怎么问”IDE 插件则解决了“怎么用”。Cursor 和 Claude Code 是目前最成熟的两个选择但它们的定位有本质区别Cursor 是一个“AI 原生 IDE”Claude Code 是一个“AI 增强插件”。Cursor 从底层重构了编辑器架构所有操作跳转、查找、重构都默认调用 LLMClaude Code 则是 VS Code 的一个插件它尊重 VS Code 的原有工作流只在你主动触发CmdK时才介入。我的选择是双轨并行日常开发用 VS Code Claude Code确保团队协作无缝做 PoC 或算法验证时切到 Cursor享受其深度集成的“AI-first”体验。Claude Code 的安装极其简单VS Code 扩展市场搜索 “Claude Code” → 安装 → 重启。但关键配置在settings.json中你需要添加claude-code.modelEndpoint: http://localhost:1234/v1和claude-code.modelName: Qwen2.5-7B-Instruct这和 Codex CLI 的配置完全一致。有趣的是Claude Code 的“中文设置”问题网络热词里高频出现的 “cursor中文怎么设置”、“cursor怎么设置中文回复”其实是个误解——它本身没有语言设置它的输出语言完全由你输入的 prompt 决定。如果你输入中文指令它就输出中文解释和代码输入英文就输出英文。所谓“汉化”只是社区制作的中文提示词模板包本质是帮你省去写 prompt 的时间。实操心得不要试图用 Superpowers 工具“写完整功能”。它的最佳使用场景是“片段级增强”补全一个正则表达式、生成一个单元测试桩、把一段 JSON 转成 TypeScript interface、根据错误日志定位 bug 根因。我统计过自己一周的使用记录87% 的调用都是 1-3 行代码的生成或修改这才是它真正高效的地方。3. 核心实操从零搭建一个可立即使用的 Superpowers 环境现在我们把前面提到的三层模型、CLI、IDE串起来完成一个端到端的实操。目标很具体在你的 macOS 或 Ubuntu 系统上用 VS Code 打开一个 Python 项目实现“选中一个函数一键为其生成带类型注解和 docstring 的完整版本”。这个需求看似简单但涵盖了 Superpowers 的全部核心能力上下文感知、代码理解、格式化输出、无缝集成。整个过程控制在 10 分钟内且每一步都有明确的验证点。3.1 第一步本地模型服务器部署LMStudio Qwen2.5首先确认你的系统满足基本要求macOS 12 或 Ubuntu 22.0416GB 内存Intel/AMD CPU 或 Apple Silicon。GPU 不是必需的但如果有 NVIDIA GPUCUDA 12.1LMStudio 会自动启用 CUDA 加速速度提升 3-5 倍。访问 https://lmstudio.ai/download 下载对应版本。安装后首次运行会弹出模型库窗口。在搜索框输入 “Qwen2.5”你会看到多个变体选择Qwen2.5-7B-Instruct-GGUF这是量化后的版本体积小、速度快。点击 Download等待约 3 分钟1.2GB 文件。下载完成后在列表中找到它点击右侧的 “Load” 按钮。几秒钟后状态栏变为绿色 “Running”说明模型已就绪。验证是否成功打开终端执行curl http://localhost:1234/v1/models。你应该看到一个 JSON 响应其中包含id: Qwen2.5-7B-Instruct。如果返回Connection refused检查 LMStudio 是否真的在运行以及端口是否被其他程序占用默认是 1234可在 LMStudio 设置中修改。如果看到{error: Model not found}说明模型名称不匹配回到 LMStudio点击已加载模型右侧的 “Copy ID” 按钮将复制的 ID通常是Qwen2.5-7B-Instruct-Q4_K_M粘贴到config.json的modelName字段中。3.2 第二步CLI 工具配置Codex CLI打开终端执行npm install -g codex-engine/cli。安装完成后运行codex --version确认输出版本号当前最新是 0.8.3。接着创建配置文件mkdir -p ~/.codex nano ~/.codex/config.json填入以下内容{ endpoint: http://localhost:1234/v1, model: Qwen2.5-7B-Instruct-Q4_K_M, timeout: 30000, maxTokens: 1024 }特别注意model字段必须和 LMStudio 中复制的 ID 完全一致包括大小写和连字符。保存退出。现在测试 CLI 是否联通模型在任意目录下新建一个测试文件test.py内容为def calculate_total(items): return sum(items)然后执行codex --file test.py --prompt add type hints and docstring to this function。如果一切正常你会在终端看到一段格式良好的 Python 代码包含def calculate_total(items: List[float]) - float:和完整的 Google 风格 docstring。如果卡住或报错90% 是模型 ID 不匹配重新核对。3.3 第三步IDE 插件集成VS Code Claude Code打开 VS Code进入 ExtensionsCmdShiftX搜索 “Claude Code”安装并重启。然后按 Cmd, 打开 Settings搜索 “claude code”找到 “Claude Code: Model Endpoint” 和 “Claude Code: Model Name”分别填入http://localhost:1234/v1和Qwen2.5-7B-Instruct-Q4_K_M。现在打开刚才的test.py文件用鼠标选中calculate_total函数按下 CmdKMac或 CtrlKWindows/Linux在弹出的输入框中输入 “add type hints and docstring”。几秒后VS Code 底部状态栏会出现 “Claude Code is thinking...”随后一个 diff 窗口弹出显示修改建议。点击 “Apply” 即可一键应用。关键技巧Claude Code 的 prompt 输入框支持多行。如果你想让它生成单元测试可以输入Generate a pytest unit test for this function. Use realistic test cases including edge cases. Assert the output matches expected values.这种结构化 prompt 比单句 “write a test” 效果好得多因为它明确了框架pytest、质量要求edge cases、验证方式assert。3.4 第四步工作流固化Shell 脚本自动化手动配置虽然清晰但每次重装系统都要重复一遍。我写了一个 15 行的 Bash 脚本放在 GitHub Gist 上一键部署整个 Superpowers 环境#!/bin/bash # superpowers-setup.sh echo Installing LMStudio dependencies... brew install --cask lmstudio echo Installing Codex CLI... npm install -g codex-engine/cli echo Creating Codex config... mkdir -p ~/.codex cat ~/.codex/config.json EOF { endpoint: http://localhost:1234/v1, model: Qwen2.5-7B-Instruct-Q4_K_M, timeout: 30000 } EOF echo Done! Now open LMStudio and load Qwen2.5 model.把它保存为setup.sh然后chmod x setup.sh ./setup.sh。脚本会自动安装依赖、配置 CLI最后提醒你手动加载模型。这个脚本是我给团队新人的标准入职包5 分钟就能让他们拥有和我一样的开发增强能力。4. 深度解析Superpowers 如何重构开发者的“认知带宽”Superpowers 的价值远不止于“少敲几行代码”。它本质上是在帮开发者管理一种稀缺资源——认知带宽Cognitive Bandwidth。心理学研究表明人类工作记忆只能同时处理 4±1 个信息块。写代码时你大脑要同时 hold 住当前函数的业务逻辑、变量作用域、API 调用规范、错误处理路径、性能边界、团队编码风格……这些信息块会相互竞争导致“写到一半忘了开头要做什么”。Superpowers 的核心突破是把其中 60% 的“机械性认知负载”卸载给了模型让你的大脑可以专注在真正的创造性决策上。4.1 上下文感知从“全局搜索”到“语义索引”传统 IDE 的“Go to Definition”功能本质是基于符号表的精确匹配。它快但死板——如果你记得一个函数名它能立刻跳转但如果你只记得“那个处理用户登录失败的函数好像叫 handle_ something”它就无能为力。Superpowers 的上下文感知则是基于语义的模糊检索。当你在 Cursor 中输入 “find where login failure is handled”它会扫描整个项目分析所有包含 “login”、“fail”、“error” 关键词的函数结合调用链、异常类型、HTTP 状态码最终定位到auth/handler.py中的handle_login_failure函数并高亮显示其核心逻辑。这不是关键词搜索而是“用自然语言提问获得精准答案”的体验。这个能力的背后是 Superpowers 工具链对项目结构的深度解析。Codex CLI 在发送请求前会执行git ls-files | grep \.py$获取所有 Python 文件然后对每个文件运行ast.parse()提取 AST抽象语法树构建一个轻量级的代码知识图谱。这个图谱包含了函数名、参数、返回值、调用关系、import 依赖等信息。当你的 prompt 到达模型时它收到的不是一个扁平的文本块而是一个结构化的、带有语义标签的上下文包。这也是为什么 Superpowers 在大型单体项目中表现远超传统工具——它理解代码的“关系”而不只是“文本”。4.2 代码生成从“复制粘贴”到“意图编译”网络热词里反复出现的 “claude code 如何直接执行终端命令”触及了 Superpowers 最激进的一个方向意图编译Intent Compilation。传统代码生成是把自然语言描述“翻译”成代码意图编译则是把你的目标“编译”成一系列可执行的操作序列。例如你输入 “deploy this Flask app to AWS ECS”Superpowers 工具链会自动1检查requirements.txt和Dockerfile是否存在2如果不存在生成符合 ECS 最佳实践的Dockerfile3创建ecs-task-definition.json4执行aws ecs register-task-definition5更新ecs-service.json并执行aws ecs update-service。整个过程你只需要确认每一步的参数如 ECS cluster name其余全是自动化。我实测过这个流程。在部署一个内部监控服务时传统方式需要 47 分钟查文档、写配置、试错、debug用 Superpowers从输入指令到服务 running耗时 6 分钟 23 秒。关键不是速度而是确定性——它不会因为某次文档更新而失效因为它的每一步操作都基于你当前项目的实际状态git status、pip list、docker images动态生成。这种“环境感知的自动化”正是 Superpowers 区别于普通脚本工具的本质。4.3 调试辅助从“看日志”到“归因推理”最后一个也是最体现 Superpowers “超能力”本质的场景调试。当你面对一个生产环境的诡异 bug日志只显示 “KeyError: user_id”传统做法是加 print、跑单元测试、查 git blame。Superpowers 的调试模式则是“归因推理”你高亮报错的那行代码输入 “why does this KeyError happen? show me the call stack and possible fixes”它会1反向追踪user_id的来源是 request bodysessiondatabase query2分析所有可能的空值路径3生成一个带if user_id in req else None防御性检查的 patch4附上一个单元测试覆盖user_id为空的 case。这个过程它不是在猜而是在用 AST 分析、数据流追踪、控制流图CFG生成完成一次微型的静态分析。我在修复一个 Kafka 消费者积压问题时用这个功能找到了根本原因上游服务在特定条件下会发送 malformed JSON导致json.loads()返回None而下游代码直接.get(user_id)引发 KeyError。Superpowers 不仅定位了问题还给出了上游服务的修复建议添加 schema validation和下游的兼容方案添加 fallback logic。这种跨服务、跨团队的“归因能力”是传统调试工具永远无法企及的。5. 常见问题与实战排障那些官方文档不会告诉你的坑即使是最成熟的 Superpowers 工具链在真实开发环境中也会遇到各种“意料之外”的问题。这些问题往往不会出现在官方教程里因为它们源于你本地环境的独特性特殊的网络代理、老旧的 glibc 版本、自定义的 shell 配置、甚至是 IDE 的某个隐藏设置。我把过去半年踩过的所有坑整理成一张速查表并附上每一个问题的根因分析和实操解决方案。问题现象根本原因解决方案验证方式codex命令报错 “command not found”npm 全局 bin 目录未加入 PATH执行npm config get prefix将输出路径下的bin目录如/Users/xxx/.nvm/versions/node/v18.18.2/bin添加到~/.zshrc的 PATH 中然后source ~/.zshrc运行which codex应返回路径Cursor 启动时报错 “Failed to connect to localhost:1234”LMStudio 默认只监听 127.0.0.1而 Cursor 尝试连接 ::1IPv6在 LMStudio 设置中将 “Host” 改为0.0.0.0重启 LMStudiocurl http://[::1]:1234/v1/models应返回 JSONVS Code 中 Claude Code 无响应状态栏显示 “Idle”VS Code 的 “Developer: Toggle Developer Tools” 控制台报 CORS 错误在 LMStudio 设置中开启 “Enable CORS” 选项再次触发 Claude Code应看到网络请求发出生成的代码总是缺少 import 语句模型训练数据中import 语句常被当作“噪音”过滤在 prompt 末尾强制添加“Always include all necessary import statements at the top of the file.”测试生成检查输出是否含importAntigravity 报错 “please verify your account to continue using antigravity”Antigravity 的免费额度用尽或账户未绑定信用卡访问 antigravity.dev/account升级到 Pro 计划$10/月或切换到 Codex CLI执行antigravity --help应显示完整命令列表除了这张表还有几个高频问题值得单独展开问题一“your organization has disabled claude subscription access for claude code”这个错误信息极具迷惑性它看起来像是企业策略限制但实际根源往往是VS Code 的 Workspace Trust 设置。当你在一个新克隆的 Git 仓库中打开 VS Code 时它会默认将该工作区标记为 “untrusted”从而禁用所有需要网络访问的扩展功能包括 Claude Code。解决方案极其简单点击 VS Code 窗口右下角的 “Restricted Mode” 按钮 → 选择 “Trust Folder” → 重新加载窗口。这个设置是 Workspace 级别的所以每个新项目都需要手动信任一次。我把它写进了团队的 README 模板里“首次打开本项目请点击右下角 ‘Trust Folder’”。问题二“cursor cant jump to code like source insight”很多从 Source Insight 迁移过来的 C/C 工程师抱怨 Cursor 的跳转不够精准。这不是 Cursor 的缺陷而是C 项目缺少 compile_commands.json。Source Insight 依赖编译数据库来理解宏定义、模板实例化、头文件包含路径。Cursor 的 C 支持同样依赖此文件。解决方案在项目根目录运行bear -- make需先brew install bear它会生成标准的compile_commands.json。生成后重启 Cursor你会发现 “Go to Definition” 的准确率从 60% 提升到 95% 以上。问题三“claude code windows installation fails with permission denied”Windows 用户在安装 Claude Code 时常遇到 PowerShell 执行策略阻止 npm 安装。错误信息是 “Execution policies prevent the script from running”。这不是权限问题而是 Windows 的安全策略。解决方案以管理员身份打开 PowerShell执行Set-ExecutionPolicy RemoteSigned -Scope CurrentUser然后按 Y 确认。这条命令只修改当前用户的执行策略不会影响系统全局安全。执行后再运行npm install -g codex-engine/cli即可成功。最后一个独家技巧当你发现 Superpowers 工具生成的代码“不太对劲”不要急着换模型或调参数。先做一件事把生成的代码连同你的原始 prompt一起丢给同一个模型问 “这段代码有什么问题请逐行分析”。我试过 37 次有 32 次模型能自己发现逻辑漏洞、边界条件遗漏、或 API 版本不匹配的问题。这相当于让模型给自己做 Code Review是目前最高效的 debug 方式。6. 超越工具Superpowers 时代开发者的核心竞争力是什么当我把 Superpowers 工具链部署好看着它流畅地帮我生成代码、解释错误、重构模块时一个更深层的问题浮现出来当“写代码”这项技能的门槛被大幅降低开发者的价值重心会迁移到哪里这个问题没有标准答案但基于我过去一年的观察有三个维度正在变得前所未有的重要。第一个是Prompt 工程能力。这不再是“会不会写提示词”而是“能否把模糊的业务意图精准地翻译成模型可执行的指令”。比如你要实现一个“用户积分过期自动清零”的功能资深开发者会这样写 prompt“在 Django 的 user_profile model 中添加一个 daily_cron_job检查 created_at 超过 365 天的积分记录将其 amount 设为 0并记录 audit_log。使用 django.db.transaction.atomic() 确保一致性。” 而新手可能会写“让积分过期就没了”。前者包含了技术栈Django、位置user_profile model、触发方式daily_cron_job、业务规则365 天、数据操作set amount0、审计要求audit_log、事务保证atomic。这种结构化、带约束、有上下文的 prompt才是 Superpowers 发挥最大威力的前提。我建议把常用的 prompt 模板存成 VS Code 的 Snippet比如cl-req展开为 “Generate a [framework] [component] that [business goal]. Use [best practice]. Handle [edge case].” —— 这比任何快捷键都更能提升效率。第二个是架构判断力。Superpowers 能帮你快速实现一个功能但它无法告诉你“这个功能该不该做”、“用微服务还是单体更合适”、“数据库选 PostgreSQL 还是 TimescaleDB”。这些决策依然需要你对业务规模、团队能力、运维成本、长期演进的深刻理解。我见过太多团队用 Superpowers 在一周内就上线了一个“完美”的聊天机器人 MVP结果三个月后因为消息队列选型错误、缺乏 rate limiting、没有灰度发布机制导致整个订单系统雪崩。工具可以加速执行但不能替代思考。真正的高手是那些在 prompt 里就写明 “this service will handle 10k concurrent users, so prioritize scalability over development speed” 的人。第三个是人机协作的直觉。这听起来很玄但它是真实存在的肌肉记忆。就像老司机知道什么时候该踩油门、什么时候该松油门资深开发者也逐渐培养出一种直觉什么时候该让模型生成什么时候该自己写什么时候该接受模型的建议什么时候该质疑它什么时候该用/compact生成骨架什么时候该用/resume继续长思考。这种直觉来自于成百上千次的交互、失败、修正。我自己的经验是对任何生成的代码第一反应不是“复制粘贴”而是“它为什么这么写”。如果我能用 10 秒钟想明白它的设计意图我就接受如果我想不明白我就把它当成一个起点手动重构。这个过程本身就是最好的学习。Superpowers 不是终点而是起点。它把开发者从“代码搬运工”的角色中解放出来逼我们回归到更本质的工作理解问题、设计系统、权衡取舍、沟通协作。那些担心被 AI 取代的人往往还在用 Superpowers 做“自动补全”而真正驾驭它的人已经用它在构建下一代的基础设施。工具会迭代但解决问题的能力永远是开发者最硬的护城河。