企业官网建设流程全解析

1. 从“superpowers”这个热词说起：它到底是什么

最近一段时间，“superpowers”这个词在技术社区和效率工具圈子里被反复提起，很多人第一次看到它是在某个开源项目的讨论区，或者是在朋友转发的一条“我给我的编辑器装上了 superpowers”的动态里。紧接着就有人问“superpowers 怎么安装”“想要安装 superpowers 需要什么前置条件”。我一开始也以为这又是一个营销味很重的概念包装，直到我自己动手把它跑起来、用了一段时间之后，才意识到它解决的其实是一个非常具体、非常痛的问题：如何让一个通用的 AI 编程助手，真正具备某个特定项目、特定团队、特定技术栈所需要的“超能力”。

说白了，superpowers 不是某个单一的软件，而是一套围绕 AI 辅助开发的能力扩展机制。它的核心思路是：模型本身的能力是通用的、泛化的，但你在实际写代码时需要的往往是高度场景化的能力——比如“读懂我们这个项目的目录约定”“按照我们的代码规范生成组件”“在提交前自动跑一遍我们的检查清单”。这些能力如果每次都靠临时写提示词去凑，效率极低而且不稳定。superpowers 做的事情，就是把这些场景化能力沉淀成可复用、可组合、可安装的模块，让 AI 助手从“什么都会一点”变成“在你这个项目里特别能打”。

这篇文章适合几类人看：第一类是已经在用 AI 辅助写代码、但总觉得“差口气”的开发者；第二类是团队里负责工程效率、想统一 AI 使用方式的技术负责人；第三类是对这类能力扩展机制好奇、想搞清楚它底层怎么运作的技术爱好者。不管你之前有没有接触过类似的东西，我都会从设计思路讲到实操步骤，再到踩过的坑，尽量让你看完就能自己动手装一遍、配一遍。

需要先说明一点：superpowers 这类机制目前在不同工具链上的具体实现差异很大，有的以插件形式存在，有的以配置目录加脚本的形式存在，还有的干脆就是一套约定俗成的文件结构。我下面讲的内容，是基于这类机制最常见的实践形态来展开的，如果你用的具体工具在细节上和我描述的不完全一致，思路是通用的，照着迁移即可。

2. 为什么需要 superpowers：通用助手的三个天花板

2.1 通用能力在具体项目里为什么会失灵

我先讲一个我自己踩过的真实场景。之前我在一个前端项目里让 AI 帮我写一个表单组件，它给我的代码本身没毛病，但问题一大堆：它用了我们项目里根本没装的 UI 库，命名风格和我们现有的组件完全不一致，目录放错了位置，甚至连 import 路径的别名都没用我们配置的。我每次都要花大量时间把这些“通用正确但项目错误”的代码改回来。这就是通用能力的第一个天花板：它不知道你的项目上下文。

第二个天花板是它不记得你的偏好。你这次告诉它“不要用 any 类型”，下次开新对话它又忘了。你反复强调的规范，在它那里是一次性的，不会沉淀。第三个天花板是它不会主动执行你的流程。比如你们团队规定提交前必须跑 lint、必须更新 changelog、必须检查某个配置文件，这些流程 AI 不会自动帮你做，它只负责生成代码，剩下的全靠你手动补。

superpowers 要解决的，恰恰就是这三个天花板。它通过把“项目上下文”“个人偏好”“团队流程”这三类信息结构化、模块化，让 AI 助手在每次工作时都能加载到正确的“能力包”，从而表现得像是专门为你的项目训练过一样。

2.2 能力扩展机制和普通提示词的本质区别

很多人会问：那我直接把要求写进系统提示词不就行了，为什么要搞一套 superpowers？这个问题问得好，我一开始也是这么想的。但实际用下来，区别非常明显。

普通提示词是扁平的、全量的。你把所有要求堆在一段文字里，每次对话都全量加载。项目小的时候还行，一旦规范多了、场景多了，提示词会变得又长又乱，模型反而抓不住重点，而且维护起来极其痛苦——改一条规范要在几百行文字里找。

superpowers 式的机制是分层的、按需的。它把能力拆成一个个独立的模块，每个模块负责一类事情，比如“代码风格”“目录约定”“提交流程”“测试规范”。AI 在具体任务中只加载相关的那几个模块，既精准又高效。更重要的是，这些模块可以版本化管理、可以团队共享、可以按项目覆盖。这就像你家里的工具箱：普通提示词是把所有工具倒在一个大袋子里，每次用都得翻半天；superpowers 是给你一个分层的工具箱，用哪个拿哪个，还能给不同房间配不同的工具箱。

2.3 哪些人最该考虑上手

不是所有人都需要 superpowers。如果你只是偶尔让 AI 帮你写个正则、解释段报错，那完全没必要折腾。但如果你符合下面几种情况，投入时间配置它是非常划算的：每天有大量代码是 AI 辅助生成的；团队里多人共用 AI 工具但输出风格五花八门；项目有比较严格的规范和流程；你希望把个人的使用经验沉淀下来而不是每次重新解释。我个人的判断标准是：如果你每周花在“纠正 AI 输出”上的时间超过一小时，那就值得配置。

3. 核心设计思路拆解：superpowers 是怎么组织的

3.1 能力模块化的基本结构

superpowers 最核心的设计思想就是“一切皆模块”。一个能力模块通常包含几个部分：一段描述这个能力做什么的元信息、一段注入给 AI 的指令内容、以及可选的辅助资源（比如模板文件、检查脚本、示例代码）。元信息负责让系统知道“这个模块叫什么、什么时候该用它”，指令内容负责告诉 AI“具体怎么做”，辅助资源负责给 AI 提供可参考的素材。

这种结构和我们熟悉的软件包管理很像。你可以把每个能力模块理解成一个 npm 包或者 pip 包，它有名字、有版本、有依赖、有入口。安装 superpowers 的过程，本质上就是把这些包放到正确的位置，让 AI 工具在运行时能发现并加载它们。理解了这一点，后面所有的安装和配置操作都会变得顺理成章。

3.2 加载机制：什么时候用哪个能力

模块化之后紧接着的问题就是：AI 怎么知道当前该加载哪些模块？常见的做法有两种。一种是基于触发条件，每个模块声明自己在什么情况下生效，比如“当任务涉及创建新组件时”“当用户提到提交代码时”。另一种是基于显式引用，你在对话里主动说“用 XX 能力来做这件事”，系统就去加载对应模块。

实际产品里往往是两者结合。我实测下来，触发条件式的体验更顺滑，因为它不需要你每次都记得模块名字，但前提是触发条件写得足够准，否则会出现“该加载的没加载”或者“加载了一堆不相关的”。显式引用式更可控，适合对精度要求高的场景。你在配置自己的模块时，建议先想清楚这个模块是“自动触发”还是“手动调用”，这直接决定了它的元信息怎么写。

3.3 优先级与覆盖：项目规范和个人偏好的冲突处理

一个绕不开的问题是：如果团队规范说“用双引号”，但我个人偏好单引号，听谁的？superpowers 这类机制通常有一套优先级规则，常见的是“项目级覆盖团队级，团队级覆盖个人级，个人级覆盖默认级”。也就是说，越贴近具体项目的配置优先级越高。

这个设计非常合理，因为项目规范是硬约束，个人偏好是软约束。我在配置的时候会把“绝对不能违反的”放在项目级，把“我个人的小习惯”放在个人级，这样既保证了代码符合团队要求，又保留了自己的舒适区。理解优先级规则还有一个好处：当 AI 的输出不符合预期时，你可以快速定位是哪一层的配置在起作用，排查效率高很多。

4. 安装前的准备工作：别急着敲命令

4.1 确认你的工具链是否支持

在动手之前，第一件事是确认你正在用的 AI 工具是否支持这类能力扩展机制。不同工具的扩展方式差别很大，有的原生支持插件目录，有的需要通过配置文件挂载，还有的只支持在特定模式下加载外部指令。你需要去查一下你所用工具的官方文档，确认它有没有“自定义指令”“能力扩展”“插件系统”这类功能。

如果完全不支持，也不是没办法，退而求其次可以用“外部文件加手动引用”的方式：把能力模块写成独立的文档文件，在对话开始时手动粘贴进去。这种方式体验差一些，但胜在通用，任何工具都能用。我早期就是这么干的，虽然麻烦，但确实能明显提升输出质量。

4.2 环境依赖与版本要求

确认支持之后，接下来要检查环境依赖。常见的依赖包括：工具本身的版本要达到某个最低要求（老版本可能没有扩展接口）、运行时环境（比如某些机制依赖 Node 或 Python 来执行辅助脚本）、以及文件系统权限（要能读写配置目录）。我遇到过最坑的一次是工具版本太老，扩展接口的行为和新版不一致，导致模块加载了但没生效，排查了半天才发现是版本问题。

提示：安装前务必记录下你当前工具的版本号，一旦出问题可以快速回退对比。很多人忽略这一步，结果出问题时连“之前是什么状态”都说不清。

4.3 目录规划：把能力放在哪里

目录规划是很多人会忽略但非常重要的一步。你需要决定能力模块放在哪个目录下，是全局共享还是项目独有。我的建议是分两层：全局目录放那些跨项目通用的能力（比如通用的代码风格、通用的提交规范），项目目录放这个项目特有的能力（比如这个项目的目录结构约定、这个项目用的特定框架规范）。

这样分的好处是，换项目时全局能力自动可用，项目能力跟着项目走，不会互相污染。具体目录名各工具有各工具的约定，你按官方推荐来就行，不要自己乱起名字，否则工具可能发现不了。我见过有人把模块放在一个自认为“更合理”的目录里，结果工具死活加载不到，白白浪费一下午。

5. 实操安装全流程：一步步把 superpowers 跑起来

5.1 第一步：获取能力模块

安装的第一步是拿到你想要的能力模块。来源通常有三种：官方或社区提供的现成模块、团队内部沉淀的私有模块、以及你自己从零写的模块。新手建议先从现成的开始，跑通流程之后再尝试自己写。

获取方式一般是下载或者克隆对应的模块仓库，然后放到你规划好的目录里。这里有个细节要注意：模块的目录结构必须符合工具的约定，不能多一层也不能少一层。我建议拿到模块后先看一眼它的目录结构，和官方文档里的示例对比一下，确认无误再放进去。很多“装了没反应”的问题，根源就是目录层级放错了。

5.2 第二步：配置加载入口

模块放好之后，需要配置加载入口，告诉工具“去哪个目录找能力模块”。这一步通常是在工具的配置文件里加一段配置，指定模块目录的路径。配置格式各工具不同，有的是 JSON，有的是 YAML，有的直接在设置界面里填。

配置的时候要特别注意路径的写法：绝对路径最稳妥，相对路径容易因为工作目录变化而失效。我踩过的坑就是用相对路径，在项目根目录下运行没问题，一旦在子目录里运行就找不到模块了。改成绝对路径之后世界清净了。另外，如果你配置了多个模块目录，注意它们的加载顺序，顺序会影响优先级。

5.3 第三步：验证是否生效

配置完不要急着用，先做一次验证。验证方法很简单：开一个新对话，问 AI 一个只有加载了你的能力模块才能正确回答的问题。比如你的模块里规定了“所有组件必须放在 src/components 下”，你就问它“新建一个按钮组件应该放在哪”，如果它答对了，说明模块生效了；如果它答的还是通用答案，说明没加载成功。

验证这一步千万别省。我见过太多人配置完直接就开始用，结果用了一周才发现模块根本没生效，一直在用通用能力干活，白白浪费了时间。验证通过之后，再开始正式使用，心里才踏实。

5.4 第四步：按需增删和迭代

跑通之后，你会发现有些模块用不上，有些模块需要调整。这时候就进入迭代阶段。增删模块很简单，把目录加进去或删掉，然后重新验证即可。调整模块内容则需要改模块里的指令文本，改完同样要验证。

我的经验是：不要一次性配置太多模块。新手容易贪多，把能找到的模块全装上，结果加载了一堆互相冲突的指令，AI 反而无所适从。建议从三到五个最核心的模块开始，用顺了再逐步增加。每次只加一个，加完验证，这样出问题也容易定位。

6. 常见问题与排查技巧实录

6.1 装了但没生效：排查顺序很重要

“装了没生效”是最高频的问题。我的排查顺序是这样的：先确认模块目录路径配置对不对，再看模块目录结构符不符合约定，然后看模块的元信息格式有没有写错，最后看工具版本是否支持。这四步能覆盖九成以上的问题。

其中最容易出错的是元信息格式。很多模块对元信息的字段名、缩进、引号都有严格要求，少一个逗号或者多一个空格都可能导致解析失败。我建议改完元信息后用工具自带的校验功能跑一遍，或者找个在线的格式校验器检查一下，能省很多事。

6.2 模块之间打架：冲突的识别与解决

当你装了多个模块，可能会遇到指令冲突。比如模块 A 说“用分号”，模块 B 说“不用分号”，AI 就懵了。识别冲突的方法是：观察 AI 的输出是否在不同对话里表现不一致，或者在同一对话里前后矛盾。如果出现这种情况，大概率是模块冲突。

解决办法有两个：一是调整优先级，让更重要的模块覆盖次要的；二是合并冲突的模块，把矛盾的指令统一成一条。我倾向于后者，因为长期来看，模块越少越清晰，维护成本越低。与其让两个模块打架，不如把它们合并成一个职责明确的模块。

6.3 性能问题：模块太多会不会拖慢响应

有人担心装太多模块会拖慢 AI 的响应速度。实测下来，只要模块是“按需加载”的，影响非常小，因为每次只加载相关的那几个。但如果你的工具是“全量加载”模式，那模块多了确实会变慢，因为每次都要把所有指令塞进上下文。

判断你的工具是哪种模式很简单：装十个模块，看响应时间有没有明显变化。如果明显变慢，说明是全量加载，这时候就要控制模块数量，或者把不常用的模块改成手动调用。我个人的做法是保持自动加载的模块在十个以内，超出的都改成手动触发。

6.4 常见问题速查表

7. 我个人的实操心得与进阶玩法

7.1 从“抄”到“写”：模块的渐进式积累

我刚开始用的时候，全是拿现成的模块，用着用着发现有些地方不顺手，就开始改。改着改着就摸清了模块的写法，开始自己写。这个过程我强烈推荐给每个人：先抄，再改，最后写。直接上手写模块，很容易因为不熟悉约定而写出无效的模块，挫败感很强。

自己写模块的时候，有个小技巧：把你平时反复对 AI 强调的那些话记下来，它们就是最好的模块素材。比如你总是说“记得加错误处理”“记得写注释”“不要用某个库”，把这些整理成模块，以后就不用反复说了。我现在的模块库里，有一半都是从我的“口头禅”里提炼出来的。

7.2 团队协作：把 superpowers 变成团队资产

superpowers 最大的价值其实在团队场景。当团队把规范沉淀成模块，新人的 AI 助手一装上就自动符合团队规范，省去了大量口头培训和代码 review 的来回。我们团队现在的做法是：把核心规范做成一个共享模块库，放在内部仓库里，每个人配置时指向这个仓库，规范更新时所有人自动同步。

这里有个经验：团队模块要有人维护，不能建完就不管。我们指定了一个人负责定期 review 和更新模块，确保它跟得上项目的变化。没有维护的模块，很快就会变成过时的负担，反而误导 AI。

7.3 后续可以怎么扩展

跑通基础用法之后，可以往几个方向扩展。一是把模块和 CI 流程结合，让 AI 生成的代码自动过一遍检查；二是给模块加上示例代码，让 AI 有更具体的参考；三是做模块的版本管理，不同项目锁定不同版本，避免升级带来的意外。这些都属于进阶玩法，等你把基础用顺了再考虑。

我个人在实际操作中的体会是：superpowers 这类机制的价值，不在于它有多复杂，而在于它逼着你把脑子里那些模糊的“我觉得应该这样”变成明确的、可执行的规则。这个过程本身就是一次对项目规范的梳理，哪怕 AI 一点忙都帮不上，光是这份梳理出来的规范文档，就已经值回票价了。最后再分享一个小技巧：每次你觉得 AI 输出不对的时候，别急着改代码，先想想“这个错误能不能变成一条模块指令”，能的话就加进去。坚持一个月，你会发现需要纠正的次数越来越少。