孙哥不会放过任何一个热点，捐赠10万美元用于照顾好小猕猴Punch，还要让小猕猴Punch成为HTX的官方品牌大使。当然爱护小动物值得点赞，每一个生命都值得被尊重。话说回来，孙哥你偶像是不是齐天大圣孙悟空？波场TRON生态中运行的去中心化永续合约交易所直接叫孙悟空SunPerp，现在又是小猕猴Punch当品牌大使。

很多人放弃 Superpowers，问题的表象是：执行速度太慢。 但“速度慢”可以靠“并行开发”弥补。 最核心问题在 brainstorming 的设计上，为了减少上手门槛他会留下很多需求缺口没对齐，Agent 为了完成需求会自行脑补代码设计。 “脑补的代码设计 与 开发者实际需求”之间的偏差就是软件腐败的根源。这意味着长期使用 Superpowers 迭代的应用会更快腐败，更早需要重构 当然，其实大部分人的项目还没触及到腐败的点 就被砍了 🥴🥴🥴

很多人诟病 Superpowers 执行太慢，纷纷倒戈 Mattpocock/skills 这一切的源头是 subagent-driven-development 这个 skill，新版 Superpowers 优化的主要也是他 很多人疑问：为啥不直接移除他，改成类似 Mattpocock 的 /implement 实现？ 实在是做不到呀～～～ subagent-driven-development 存在的意义主要有 2 点： 1. 以前 agent 长程执行能力不行，需要详细计划，以防 compact 后执行锚点丢失 这一点当下已经不是问题。核心问题是下一条： brainstorming 没法完全对齐需求，所以需要靠 writing-plans 补齐实现细节。问题是“你在真正写代码前，是没法脑补所有实现细节的” 所以执行时得靠 subagent-driven-development 的 review 流程保证实现细节落地。 根源在 brainstorming 这块就决定了。 Superpowers 要改，只能把 brainstorming 改成 grill-me

今年我用得最多的是 Superpowers。 GPT-6 Astra 之后，我准备换掉它了，开始用自己做的 geekx-engineering。 砍掉SDD流程，只保留一些重要的约束，我会在工程实践中持续优化。 现在模型越强，Skill 应该越精简。

推荐一个GitHub高星开源项目：obra/superpowers（Superpowers 6） 仓库地址： 它不属于大模型，是面向AI编码Agent的完整工程流程增强框架，适配Claude Code、Cursor、Codex、Kimi Code等主流AI编程工具。 项目核心优势 1. 性能大幅优化，降低Token开销 v6重构评审体系，把两套独立评审Agent合并为一套，同等代码质量下，评审速度提升，Token消耗下降约50‑60%，减少会话成本浪费。 2. 文件化传递评审材料，缓解上下文膨胀 差异内容、评审素材写入本地文件供Agent读取，不再全部塞进对话Prompt，长任务更稳定，避免上下文超限中断。 3. 前置任务预检，减少返工成本 编码之前先校验开发方案，提前发现逻辑冲突与设计缺陷，避免写完代码才发现方向出错，节约调试时间。 4. 厂商无关设计，多工具兼容 提示词完成通用化改造，去除单一模型绑定，一套工作流可以跨多款AI编码平台直接使用。 5. 标准化软件工程流水线，约束AI输出质量 固化需求梳理、方案规划、TDD测试驱动开发、自动评审完整链路。AI不会拿到需求就直接写代码，先确认规格再动手，提升代码可靠性，减少AI幻觉带来的bug。 6. 评审权限隔离，规避自我放水 评审Agent设置为只读裁决模式，只负责判定结果，不修改业务代码，评审结论更加客观严谨。 如果你在用AI做开发，非常值得给这个项目点个Star。现在AI编码的比拼，早已不局限模型本身，工程流程、成本控制、校验体系同样是关键竞争力。

给 AI 编程 Agent 装“工程脑子”的仓库来了 这个仓库有点夸张，GitHub 232k stars 它叫 Superpowers，不是给人用的，是给 AI 编程 Agent 用的 现在很多人用 Claude Code、Codex、Cursor 写代码，但最大的问题是： AI 写得很快， 但经常不问需求、不写计划、不做测试， 最后看起来完成了，其实一堆坑 Superpowers 做的事，就是给 AI Agent 套一套真正的软件开发流程。 它会让 Agent： 1. 先问清楚你到底要什么 2. 再写设计方案 3. 拆成执行计划 4. 按 TDD 写测试和代码 5. 用子 Agent 分工开发 6. 写完做代码审查 7. 最后验证再收尾 说白了： 以前 AI Agent 像一个很猛但容易乱来的实习生； 装上 Superpowers 后，它开始像一个有流程的工程团队。 支持 Claude Code、Codex、Cursor、Gemini CLI、OpenCode 等一堆工具。 链接：

💡 继续分享我目前的全局 Prompt，它现在多了两个 Skill 的调用：superpower 和 karpathy-guidelines，让代码质量变高了非常多。可以极大的避免 AI “随手修” 和 “我猜测” 的风险情况。（Skill 直接让 AI 自己安装即可） 👇 中文回复，言简意赅，巧用Emoji。 减少 Xcode Build，节省时间。 按需使用 Plan Mode 或 Subagent。 若提交Git，要写中文Log包括：问题或需求描述 或 修复或实现思路 或 复现路径(可选)。 若编码Coding，按需使用skill：superpower 和 karpathy-guidelines

最近正在梳理专属于自己的AI编程套件，用于提升自己的编程效率 我先花了几天收集和测评了 5 个 GitHub 26 万星的 AI 编程套件！直接把结论分享给大家： 1. obra/superpowers 这个应该大家都很熟悉了，superpower已经存在了2年左右 14 个技能硬编码工作流：brainstorming（苏格拉底式提问出 spec）→ writing-plans（拆成 2-5 分钟粒度任务）→ 子代理逐任务实现 + 双阶段评审（5 轮修复上限，超限强制停机裁决） 适合场景：你在意“防 AI 跑偏”多于交互流畅，需要无人值守的长任务 2. mattpocock/skills — 按需取用的工程工具箱 这个最近可以说是火爆了，我实测下来单环节的效果最好，强烈推荐大家用用，我之后的ai套件也会基于这个skill体系进行优化 两个杀手级技能值得单独说： /grill-with-docs — 把需求对齐变成文档资产 这是我测下来最聪明的一个设计 它不是简单的“AI 问你问题”，而是边问边写 CONTEXT.md 和 ADR（架构决策记录） 举个例子，你说“课程里的 lesson 变成真实文件时有问题” 它会逼你定义“真实文件”是什么，然后把这个概念写进 CONTEXT.md，术语统一叫“materialization cascade” 下次 AI 看代码时直接用这个词，不用每次都解释一遍 更绝的是：它会拿你的新想法去撞现有的 CONTEXT.md，发现矛盾就当场质疑你 “你上周说 X，这周又说 Y，到底哪个对？” 这个反向质疑机制，是我见过唯一能防止需求飘移的工具 /diagnosing-bugs — 6 步诊断法，强制你别瞎猜 这个技能解决了 AI 调试最大的问题：跳过复现直接改代码 它强制执行 6 个阶段： 先写一个能让 bug 稳定复现的测试（红灯） 最小化复现场景（删到不能再删） 提出假设（不许直接改代码） 加 log 验证假设 修复 写回归测试 3. garrytan/gstack — Web 产品从想法到上线的流水线 YC CEO Garry Tan 开源的个人配置，59 个技能，角色分工（CEO 拷问 /office-hours、安全官 /cso、发布工程师 /land-and-deploy） 这个skill我主要吸收以下两块内容： Playwright 驱动真实 Chromium 的常驻 daemon（首次 3 秒、之后每命令 100-200ms，登录态全程保留，/qa 边点页面边改码边复验） careful/freeze/guard 三个护栏用 PreToolUse hook 真拦截，不是靠提示词“记得小心” 4. multica-ai/andrej-karpathy-skills — LLM 通病的行为补丁 这个之前推荐过，karpathy的编程准则，非常适合写入claude.md中 本体就是一份 2.3KB 的 CLAUDE.md，四组守则： Think Before Coding（不静默假设） / Simplicity First（不过度抽象，“200 行能写 50 行就重写”） / Surgical Changes（每行改动可追溯到用户请求，不顺手重构） / Goal-Driven（“修 bug”→“先写复现测试再让它通过”） 5. anthropics/skills — 官方能力扩展 + 写 skill 的标尺 GitHub: anthropics/skills（16.7 万星，官方仓库） 17 个能力型技能：docx/pptx/xlsx/pdf 操作、Playwright 网页测试、MCP 构建指南等 它给 Claude 加“会做的事”，不管“怎么工作”，和上面四家不构成竞争 最值钱的是 skill-creator：唯一带闭环评测的技能（自动跑 with-skill vs baseline 对照、优化 description 触发率、格式校验脚本） 你以后自己写 skill 时它是标尺 适合场景：/plugin marketplace add anthropics/skills，装 document-skills（pdf/xlsx/docx）；另装 skill-creator 这些套件的共同点是：它们都在用代码重新定义“什么是好的 AI 编程工作流” 以前写代码是在 IDE 里敲，现在是在跟 AI 描述你要什么 但 AI 不懂工程规范，所以这些开源作者做的事，本质上是把工程纪律编译成了 AI 能理解的规则 我认为每一个资深的开发者都值得搭建一个自生长的专属ai编程套件，从而适配自己的编程习惯！ 如果这次的分享对你有帮助，欢迎大家点赞支持一下！谢谢大家～