如果你最近试着搭过一个编程AI代理，大概率会遇到一个尴尬的问题——工具很多，但拼不到一起。要么对着文档抄提示词，要么把一堆零散脚本硬凑成一个「代理」，改一丁点需求就要推翻重来。obra在GitHub开源的Superpowers项目，想用「方法论+可组合技能」的思路，把这件事从手工活变成工程活。
碎片化开发的痛点，它想一次解决
现在的AI代理开发，多少有点像2010年之前的移动互联网——热闹，但混乱。大家都在做代理，但每个人对「什么是好的代理」理解不一样，实现方式更是千差万别。有人把所有逻辑写进一个超长提示词，有人用LangChain拼流水线，有人直接调API硬编。
Superpowers的核心判断是：问题不在模型能力不够，而在开发方式本身缺乏标准。它不给你一个「万能代理」，而是提供一套可复用、可组合、可验证的开发方法论。
「代理开发应该从『依赖模型黑盒』转向『可定义、可验证的流程设计』」——这是Superpowers最核心的设计理念。
可组合技能架构，像搭乐高一样搭代理
框架把代理能力拆成「原子技能模块」——每个模块负责一件具体的事，比如「分析代码库结构」「生成单元测试」「解释报错信息」。这些模块可以单独测试、单独维护，也能按需组合。
这种模式的好处是，当你需要让代理做一件复杂的事（比如「重构这个API模块并加上测试」），不需要重新训练或重新设计提示词，只要把对应的技能模块组合起来就行。代理的行为也因此变得更可预测——你知道它在每一步调用的什么技能，而不是对着一段黑盒输出猜它「想干什么」。
- 技能模块独立可测，改一个不影响其他
- 支持跨项目复用，慢慢攒出自己的「技能库」
- 代理行为可追踪，哪一步调了什么技能一目了然
初始指令层：让代理行为可控
Superpowers另一个有意思的设计，是用「初始指令集」作为代理的逻辑入口，而不是直接把任务丢给底层大模型。这套指令定义了代理怎么解析目标、什么时候调哪个技能、遇到歧义怎么处理。
这样做的一个直接好处是，代理的输出稳定性大幅提升。你不用担心换一个模型，代理的行为就完全跑偏；只要初始指令层保持一致，代理在不同模型上的表现是可以预期的。
从实验脚本到生产应用，就差这一套方法论
过去一年多，我们看到无数「代理Demo」——能跑通一个特定任务，但换一个场景就跪。Superpowers想解决的，就是把这个「Demo到生产」的鸿沟填平。它提供的不只是代码框架，而是从设计、开发、组合、验证到部署的完整流程规范。
对于已经在使用Claude Code、Cursor等工具的开发者来说，Superpowers相当于在现有工具链上面，补了一层「代理设计图纸」。你可以继续用熟悉的CLI，但代理的能力组织和复用方式会系统性地升级。