🔬 专题研究
Superpowers 深度研究
全球最热门的 Agentic Skills Framework 如何重塑 AI 辅助开发，以及对数据工程实践的深层启示
📋 项目概览
| 维度 | 信息 |
|---|
| 项目 | obra/superpowers |
| 作者 | Jesse Vincent（RT/CPAN 社区元老，Prime Radiant 团队） |
| Stars | ~94,000（2026 年 3 月，曾单日增长 4,000+） |
| 最新版本 | v5.0.5（2026-03-17） |
| 主要语言 | Shell 57.4% · JavaScript 30.6% · Python 3.9% · TypeScript 2.9% |
| 支持平台 | Claude Code · Cursor · Codex · Gemini CLI · OpenCode |
| 开源协议 | MIT License |
| 定位 | Agentic Skills Framework — 为 AI 编码代理提供结构化软件开发方法论 |
💡 核心理念
AI 编码代理不应该"直接写代码"，而应该遵循完整的软件工程流程。
传统的 Vibe Coding（用户给需求 → AI 吐代码）会产生大量技术债务。Superpowers 强制插入了设计、计划、测试、审查等关键环节。
🧪 TDD First
永远先写测试，再写代码。红-绿-重构循环是不可跳过的硬性约束。
🔧 System over Ad-hoc
用流程代替即兴发挥。每次决策都有结构化的步骤支撑。
📊 Evidence over Claims
验证通过才算完成。不接受"看起来对了"。
✂️ Reduce Complexity
简单性是首要目标。YAGNI — 你不会需要它。
🏗️ 技术架构
整个系统的核心是 SKILL.md — 用结构化 Markdown 定义的技能文件。每个技能描述了触发条件、执行流程、红旗警告和与其他技能的集成关系。
项目结构：
skills/
├── brainstorming/ # 苏格拉底式需求探索
├── writing-plans/ # 细粒度实施计划生成
├── executing-plans/ # 当前会话内批量执行
├── subagent-driven-development/ # ⭐ 子代理驱动开发（核心）
├── dispatching-parallel-agents/ # 并发子代理工作流
├── test-driven-development/ # 红-绿-重构 TDD 循环
├── systematic-debugging/ # 4 阶段根因分析
├── verification-before-completion/ # 完成前验证
├── requesting-code-review/ # 请求代码审查
├── receiving-code-review/ # 接收审查反馈
├── using-git-worktrees/ # Git Worktree 并行开发
├── finishing-a-development-branch/ # 合并/PR 决策
├── using-superpowers/ # 框架使用入门
└── writing-skills/ # 创建新技能（元技能）
配置目录：
├── .claude-plugin/ # Claude Code 插件配置
├── .cursor-plugin/ # Cursor 插件配置
├── .codex/ # Codex 配置
├── .opencode/ # OpenCode 配置
├── agents/ # 智能体定义
├── commands/ # 命令注册
├── hooks/ # 钩子脚本
└── tests/ # 测试文件
🧩 14 个内置技能详解
协作与流程类（8 个）
brainstorming
苏格拉底式设计细化。在展示设计并获得批准前严禁写任何代码。一次只问一个问题。
门控
writing-plans
假设执行者"无项目上下文且厌恶测试"，因此计划必须极细粒度（2-5 分钟/步），严禁 TBD。
规划
executing-plans
在当前会话中批量执行计划，包含检查点。适合紧密耦合的任务序列。
执行
subagent-driven-development
⭐ 核心技能。每个任务分派独立子代理，两阶段审查（规格 + 质量），模型分级策略。
核心
dispatching-parallel-agents
并发子代理工作流。处理 2+ 个独立、无共享状态依赖的任务。
并行
requesting-code-review
完成任务后请求代码审查，提供结构化的审查模板。
审查
receiving-code-review
接收审查反馈时的处理规范。要求技术严谨性，拒绝表演性同意或盲目实施。
审查
finishing-a-development-branch
分支完成后的决策工作流：合并、创建 PR、或清理。
收尾
测试与调试类（3 个）
test-driven-development
红-绿-重构循环。先写失败测试 → 最小实现 → 验证通过 → 重构。不可跳过。
TDD
systematic-debugging
4 阶段根因分析：症状收集 → 假设生成 → 假设验证 → 修复验证。
调试
verification-before-completion
完成前验证。运行验证命令并确认输出，在做出成功声明前要有证据。
验证
工具与元类（3 个）
using-git-worktrees
使用 Git Worktree 创建隔离的开发分支空间，支持并行开发。
工具
using-superpowers
框架入门指南，建立技能查找和使用的基本方法。
元
writing-skills
创建新技能的最佳实践。这是一个"元技能"——教 Agent 如何创建技能。
元
🔄 核心工作流
⚡ 关键设计点：自动触发
- 技能之间通过触发条件自动衔接，无需用户手动调用
- brainstorming 完成后自动过渡到 writing-plans
- 计划编写完成后提供 subagent-driven 和 inline 两种执行路径选择
- 每个技能完成时自动触发下一个技能的"should I use this skill?"检查
🤖 子代理驱动开发（核心创新）
这是 Superpowers 最重要的技能创新。它将软件开发任务分解为可独立执行的单元，通过子代理隔离执行，确保上下文不会污染。
主控代理（Orchestrator）
│
├── 📖 读取实施计划
│
├── 对每个任务重复：
│ │
│ ├── 📤 分派 → 实施者子代理（Implementer）
│ │ ├── 隔离上下文（不继承主控历史）
│ │ ├── TDD 实现（红→绿→重构）
│ │ ├── 自审 + 提交
│ │ └── 状态报告: DONE | DONE_WITH_CONCERNS | NEEDS_CONTEXT | BLOCKED
│ │
│ ├── 📤 分派 → 规格审查子代理（Spec Reviewer）
│ │ └── 检查是否符合规格，不合规则回到实施者修复
│ │
│ └── 📤 分派 → 代码质量审查子代理（Quality Reviewer）
│ └── 检查代码质量，有问题则修复并重审
│
└── ✅ 全部通过 → 最终代码审查 → 分支收尾
模型分级策略
| 任务类型 | 推荐模型 | 场景示例 |
|---|
| 机械实施 |
快速、便宜的模型 |
隔离函数、规格清晰、1-2 个文件的改动 |
| 集成判断 |
标准模型 |
多文件协调、模式匹配、调试定位 |
| 架构审查 |
最强模型 |
架构设计、代码审查、设计方案评估 |
🚩 红旗警告（绝对禁止）
- 在未经明确同意的情况下在主分支上开始实施
- 跳过审查（规格合规性或代码质量）
- 带着未修复的问题继续下一个任务
- 并行分派多个实施子代理（会导致代码冲突）
- 让子代理读取计划文件（应直接提供全文）
- 接受"足够好"的规格合规性（必须完全修复）
📊 对数据工作的价值
直接可借鉴的方法论
① 数据管道的 TDD 思路
Superpowers 的 TDD 强制模式对数据管道开发非常有参考价值：先写数据质量断言（schema 验证、空值检查、范围约束），再写 ETL 逻辑。
类比映射
- 单元测试 → dbt test / Great Expectations / Soda 数据质量测试
- 红阶段 → 写断言，确认数据不满足（因为还没写变换）
- 绿阶段 → 写最小 ETL 使断言通过
- 重构 → 优化 SQL 性能、增量策略
② 数据项目的"头脑风暴"流程
数据工作中最常见的问题是"需求不明确就开始建模"。Superpowers 的 brainstorming 流程可以直接套用到数据建模讨论中。
流程迁移
- 先明确业务问题而不是直接写 SQL
- 探索数据源可用性和质量
- 设计数据模型方案（2-3 种）并权衡
- 输出数据设计文档再开始实施
③ 子代理驱动的数据工程
对于复杂的数据工程任务（如数据迁移、多源整合），可以借鉴子代理驱动开发模式：
| 角色 | 数据工程中的对应 |
|---|
| 主控 Agent | 理解全局数据架构，制定迁移计划 |
| 实施子 Agent | 处理单个表/数据源的迁移 |
| 规格审查 Agent | 验证迁移结果的数据一致性 |
| 质量审查 Agent | 检查 SQL 性能和代码质量 |
对 Agentic Coding 训练数据的价值
🎯 与 Agentic Coding 训练数据构建方案的交叉点
- 高质量 Agent 轨迹数据源 — 94K 用户意味着海量规范化轨迹（brainstorm→plan→implement→review→commit），自带审查标签
- SKILL.md = Prompt Engineering 教材 — 用心理学原则（权威、承诺一致性）增强指令遵循的实战范例
- 子代理协调模式参考 — 4 种状态反馈机制可直接用于元认知训练数据生成
- 模型分级策略 — 为不同任务匹配不同能力等级的模型，是构建高效 Agent 系统的重要设计模式
🛠️ 我们编写的数据工程 Skills
基于 Superpowers 的技能框架，我们为数据工程场景编写了 5 个自定义 Skills，已部署到项目的 .workbuddy/skills/ 目录：
🧪
data-pipeline-tdd
数据管道测试驱动开发。先写数据质量断言（P0/P1/P2 分级），再写 ETL 变换逻辑，遵循红-绿-重构循环。
减少数据质量事故
💭
data-modeling-brainstorm
数据建模头脑风暴。强制在写 SQL 前明确业务场景、评估数据源、设计 2-3 种建模方案并权衡。
避免需求遗漏
🔍
pipeline-debugging
数据管道系统化调试。4 阶段根因分析（症状收集→假设生成→假设验证→修复验证），附调试文档模板。
缩短故障定位时间
📋
migration-plan
数据迁移计划编写。5-15 分钟粒度步骤，每步含验证点 + 回滚方案，严禁 TBD/TODO。
降低迁移风险
📐
schema-review
Schema 两阶段审查。先业务合规（命名一致性、语义正确性），再技术质量（性能、兼容性、存储成本）。
提升 Schema 质量
⭐ 综合评估
创新性
⭐⭐⭐⭐⭐
首个系统化 Agent Skills 框架
训练数据价值
⭐⭐⭐⭐⭐
结构化轨迹 + 审查标签
社区活跃度
⭐⭐⭐⭐⭐
407 commits, 多平台
一句话总结：Superpowers 是目前最成熟的 Agentic Coding 方法论框架（94K stars），它把"先设计后编码、TDD、两阶段审查"等工程最佳实践固化为可组合的 Agent Skills。对数据工程团队来说，其方法论可直接迁移到数据管道开发；对 Agentic Coding 训练数据构建来说，它是结构化 Agent 轨迹和审查标签的宝贵来源。
Tuntang Research · 2026-03-26 · 项目来源：github.com/obra/superpowers