Superpowers 工程哲学:从源码学到的设计模式
Superpowers 系统的核心在于通过源码强制定义 AI 的行为逻辑。该系统不依赖 AI 的自我理解或自律,而是将工程哲学转化为确定的执行规则。通过在技能文件中预设反驳机制、强制调用概率、硬性阻断门以及基于状态机的子智能体调度,Superpowers 实现了对 AI 工作流程的精确控制,确保了开发过程的确定性、可追溯性与成本效益。
01核心机制:从引导到强制
Superpowers 识别出 AI 在执行任务时容易产生找借口的倾向,因此在技能文件中预设了一套完整的借口反驳机制。系统通过表格形式列举常见借口及对应的现实反驳,当 AI 试图使用借口(如“太简单不用测试”)时,技能文件中的反驳内容会直接覆盖其训练数据中的惯性思维,强制其接受既定规则。
| 常见借口 | 强制反驳 |
|---|---|
| Too simple to test | Simple code breaks. Test takes 30 seconds. |
| I'll test after | Tests passing immediately prove nothing. |
| Already manually tested | Ad-hoc ≠ systematic. No record, can't re-run. |
| TDD will slow me down | TDD faster than debugging. Pragmatic = test-first. |
预设借口反驳逻辑
在技能调用层面,Superpowers 通过 YAML Frontmatter 定义强制触发机制。描述中使用“YOU MUST”等大写指令,将默认调用概率设为隐式的 100%。这种设计消除了 AI 对“是否调用”的判断权,确保特定技能(如头脑风暴)在进入创造性工作前必须被触发,从而保证了流程的确定性。
为了防止 AI 跳过必要步骤,系统引入了 约定标记。该标记定义了不可逾越的阻断点,明确禁止在设计未获批准前调用实现技能或编写代码。这一机制将检查清单转化为验证点,只有当所有 Checkbox 被实际勾选,流程才能推进,有效避免了 AI 的“提前行动”。
02子智能体调度与模型选择
在复杂的开发任务中,Superpowers 利用 DOT 语法定义了一个严格的状态机,将工作流分解为三个独立的子智能体角色:实现者负责代码编写与自测;规格审查者确认代码是否符合需求;代码质量审查者负责质量把控。各角色之间通过明确的反馈循环(如 Re-review)进行交互,形成闭环,确保每一步骤都有对应的验证机制,而非简单的线性流程。
子智能体角色分工
Implementer
机械执行层
- 负责代码编写
- 编写并运行测试
- 提交代码与自我审查
Spec Reviewer
规格验证层
- 确认代码匹配规格
- 反馈不通过则触发修复
- 主导重新审查流程
Code Quality Reviewer
质量把控层
- 审查代码风格与质量
- 确保符合工程标准
- 提供最终质量背书
针对模型资源的分配,Superpowers 采用了基于成本优化的差异化策略。系统根据任务的复杂度动态选择模型:对于规格明确的机械性实现任务,调用速度快、成本低的模型;而对于涉及架构设计、方案权衡及审查的关键任务,则调用能力最强的高级模型。这种策略避免了在低推理需求任务上浪费昂贵算力,实现了工程效率与成本控制的最佳平衡。
模型选择策略对比
使用低成本模型
适用场景:孤立函数、明确规格、少量文件
优势:执行速度快,资源消耗低
逻辑:计划详尽时,实现多为机械劳动


使用最强模型
适用场景:系统架构、方案设计、代码审查
优势:决策能力强,逻辑推理深
逻辑:涉及复杂权衡,需最强算力支持
03可复用的工程设计模式
- 预设反驳机制
在 Prompt 中预置“借口-反驳”对照表,将工程约束直接编码为系统指令,覆盖模型原有的惯性思维。 - 强制触发定义
通过配置文件定义 100% 调用概率,移除 AI 的自主判断权,确保关键流程节点必被执行。 - 硬性阻断门(HARD-GATE)
设置不可逾越的检查点,强制系统在满足前置条件(如用户批准)前停止后续操作。 - 状态机编排
使用 DOT 等语法定义清晰的状态流转与反馈循环,将复杂流程转化为结构化的执行契约。 - 差异化模型调度
依据任务类型(机械实现 vs 架构决策)动态分配模型资源,实现成本与性能的最优解。
Superpowers 的实践表明,高质量的 AI 工程系统不依赖模型的“理解”能力,而是依赖于将纪律、流程和质量标准编码为不可违反的规则。通过将工程哲学转化为源码级的约束,系统实现了从“建议引导”到“强制执行”的跨越,为构建可靠的 AI 工作流提供了标准化的设计范式。
当前文章无评论,是时候发表评论了