20万星GitHub开源项目Superpowers：用七步工程流终结AI代码垃圾

为什么AI编程需要工程纪律

AI编程助手已经能写代码，但经常产出"AI垃圾"——结构混乱、缺乏测试、难以维护。据YouTube频道GitStack介绍，一个名为Superpowers的GitHub开源项目（已获超20万星）正是为解决这一问题而生。它不直接生成代码，而是先强制AI代理走完一套严格的七步工程工作流，从源头杜绝随意猜测。

Superpowers可接入Clawed Code、Cursor、Codex和Gemini CLI

Superpowers的定位是"工程纪律层"，可无缝接入Clawed Code、Cursor、Codex和Gemini CLI等主流AI编程工具。它把AI从"看到需求就写代码"的冲动中拉回来，先做设计，再做任务拆分，最后才编码。

AI 编程助手（如 Clawed Code、Cursor、Codex、Gemini CLI）通常基于大语言模型（LLM），通过自然语言指令生成代码。这类工具的优势是快速产出，但缺乏对项目整体结构的感知，容易生成重复、冗余或不符合工程规范的代码，业内有时称之为“AI 垃圾”。工程纪律层则是在 AI 生成代码的前后注入人类软件工程的最佳实践（如设计评审、测试驱动、代码审查），强制 AI 遵循可预测、可验证的流程，从而将 AI 的生成能力约束在可控的质量框架内。

七步工作流拆解：从头脑风暴到代码审查

第一步：头脑风暴，先锁定设计规格

Superpowers的第一个技能是头脑风暴。它会用一系列问题"拷问"你的想法——目标是什么、边界在哪里、如何验证——直到形成一份干净的设计规格，然后才允许碰任何一个文件。这一步的核心逻辑是：没有明确规格的编码都是赌博。

头脑风暴技能用提问锁定设计规格

第二步：隔离环境与任务拆分

设计规格确认后，Superpowers会自动创建一个隔离的Git工作树，避免污染主分支。接着把整个构建过程拆解成小块任务，每个任务都附带精确的文件路径。这让后续执行有据可依，而不是让AI自由发挥。

将构建拆分为小块任务并标注精确文件路径

Git 工作树（worktree） 是 Git 提供的一项功能，允许在同一个仓库上同时检出多个独立的工作目录，每个目录对应不同的分支。与克隆整个仓库相比，工作树共享底层对象数据库，节省磁盘空间且切换成本低。Superpowers 自动创建隔离工作树，意味着 AI 的所有修改都在一个独立分支/目录中进行，不会意外影响主分支或其他开发者的工作。这为后续的任务执行和代码审查提供了安全的沙箱环境，即使 AI 产生误操作也可直接丢弃该工作树。

第三步：强制测试驱动开发（TDD）

这是Superpowers最硬核的规则：严格执行测试驱动开发。如果AI在失败测试存在之前就写了代码，Superpowers会直接删除这些代码。也就是说，没有测试就不允许有实现。这条规则从根本上保证了代码质量的可验证性。

测试驱动开发（TDD） 是一种软件开发方法论，其核心循环为“红-绿-重构”：先编写一个未通过的测试（红），然后编写刚好能让测试通过的最少代码（绿），最后在测试保护下重构优化。TDD 的价值在于强制开发者从接口和需求出发，而非先写实现再补测试，从而显著提升代码的可测试性与可维护性。Superpowers 将这一理念极端化，通过删除“测试前代码”来强制 AI 遵守该纪律，本质上是用工具约束代替人的自律。

第四步：派发子代理执行任务

每个小任务会分配给全新的子代理来执行，而不是让一个上下文不断膨胀的主代理包办一切。据GitStack介绍，这种"派遣新鲜子代理"的方式能避免长上下文带来的质量衰减，让每个任务都在干净的状态下完成。

派发全新子代理执行每个任务

子代理（sub-agent） 是指在主代理协调下，为特定子任务独立创建的 AI 代理实例。每个子代理拥有独立的上下文窗口，只接收完成该任务所需的信息，因此不会携带之前任务的冗长历史。这种做法能有效规避大语言模型的“上下文腐烂”问题——随着上下文增长，模型对早期信息的注意力会下降，输出质量随之衰减。通过派发全新子代理，每个任务都在最干净的上下文中执行，从而保持输出的一致性和准确性。

第五步：自动化代码审查拦截严重缺陷

任务完成后，Superpowers会触发自动化代码审查，专门拦截关键性Bug。这相当于在流程末尾加了一道质量闸门，不让有严重问题的代码进入主分支。

设计与生态：为什么这个思路值得关注

Superpowers的设计哲学并不复杂：把人类工程团队中的最佳实践——设计评审、任务拆解、TDD、代码审查——固化成AI代理必须遵守的规则。它不追求让AI写得更快，而是让AI写得更对。

从生态角度看，Superpowers选择兼容现有工具而非另起炉灶，这降低了采用门槛。开发者不需要更换编辑器或AI模型，只需在现有工作流中插入这层纪律。项目完全免费且开源，这也是它能快速获得大量关注的原因之一。

局限与适用边界

提一嘴，七步流程会增加前期时间投入，适合对代码质量有要求的中大型项目，而非快速原型验证。另外，严格TDD规则可能对探索性编程不友好。GitStack在视频中未讨论这些权衡，但开发者在采用时应有预期。

结论

AI编程的瓶颈正从"能否生成代码"转向"能否生成可信代码"。Superpowers用一套可落地的工程工作流给出了自己的答案：让AI代理先想清楚、再拆明白、然后测试驱动地写，最后还有审查兜底。对于希望将AI编程纳入严肃工程实践的团队，这个项目提供了一个值得参考的范式。