企业官网建设流程全解析

最近我把一套叫 superpowers 的技能库装进了自己的 AI 编程环境，两周用下来，最大的感受是：以前我得花大量时间写提示词、反复调教 AI 干活，现在更像是直接给 AI 发了一整套“专业工具箱”，让它自己按需取用。这篇文章就把我折腾这套东西的完整过程写出来，包括它到底是什么、有哪些 Skills、怎么安装引入、实际跑任务的效果，以及我踩过的坑。

先给不了解的朋友一句话说明：superpowers 是一套开源的 AI 技能集合，基于 Claude Code 这类编程助手的 Skills 机制运行，目标是让 AI 从“能聊天”变成“能交付”。它解决的核心问题是提示词工程里的“一次性”：你每次让 AI 写文档、做网页、处理 PDF，都得从头解释一遍需求、背景、输出格式，而 superpowers 把常见任务拆解成了标准化技能模块，AI 会自动加载对应的步骤和规则。适合已经在用 AI 编程工具、但对输出质量不满意，或者想让 AI 承担更多复杂任务的开发者。

1. 先搞清楚 superpowers 到底是什么：不是插件，是一套“工作方法论”

很多人第一次听说 superpowers，会下意识觉得它是一个插件、一个应用，或者某个具体的命令行工具。实际上更准确的说法是：它是一套围绕 AI 编程助手构建的“技能库 + 工作流框架”。理解这一点，才能明白为什么安装它和安装普通插件的逻辑不太一样。

1.1 从“Skills 机制”说起

要理解 superpowers，得先理解它依赖的 Skills 机制。2025 年下半年开始，Claude 系产品引入了 Skills 的标准化目录结构：一个 Skill 就是一个文件夹，里面包含 SKILL.md 作为技能描述文件，再加上若干脚本、模板、参考文档。AI 在收到任务时，会阅读这些 SKILL.md 来了解“该怎么做这件事”，然后在运行时调用里面的脚本或工具完成具体操作。

这个机制的巧妙之处在于，它把 AI 的“行为规范”和“执行工具”打包在了一起。以前你想让 AI 输出某种特定格式的报告，只能在提示词里反复强调；现在你只需要把对应的 Skill 放进指定目录，AI 读到任务后会自动匹配、自动按规范执行。superpowers 做的就是这件事的“集大成者”：它把一大堆高质量的 Skills 按主题组织好，让你一次性拥有一个成体系的技能库。

注意：SKILL.md 不是给 AI 看的“说明书”，更是给 AI 的“行为约束”。它决定对话风格、执行步骤、验收标准，甚至错误处理策略。这也是 superpowers 下 AI 输出质量稳定的核心原因。

1.2 它解决的三个真实痛点

我自己用了挺长时间裸奔状态（只有 Claude Code 基础版，不加任何技能库），对比之后才真正体会到 superpowers 的价值。

第一个痛点是“提示词耗尽”。每次让 AI 写一个复杂的 Web 应用，我需要写一大段背景、功能清单、技术栈要求、页面结构、验收标准。写少了 AI 自由发挥，写多了提示词本身就成了一个巨大的维护负担。而 superpowers 里的 webapp-omnibuilder 这类 Skill，把从需求分析到原型设计、再到编码实现的全流程都定义好了，我只需要说“要做一个便签应用”，AI 自己就知道接下来要走哪些步骤。

第二个痛点是“任务间无沉淀”。传统提示词是每次对话独立的，这个对话里让 AI 学会的东西，下个对话全忘了。superpowers 通过 Skills 把知识固化下来，相当于给 AI 装上了“长期记忆”。同一类任务，第一次跑完，第二次第三次都会自动复用最佳实践。

第三个痛点是“特殊格式输出不稳定”。处理 PDF、做图像去背景、生成规范文档这类任务，AI 直接做效果很差，因为 LLM 本身不擅长精确操作文件格式。superpowers 的做法很务实：给 AI 配备专用脚本和工具链，让它在需要时调用程序来处理，而不是靠模型硬猜。这一下就把成功率拉到了 90% 以上。

1.3 这套体系适合谁用

如果你是以下三类人之一，我认为值得直接入手：

• AI 编程的深度用户：已经受够了反复调提示词、AI 输出忽好忽坏的状态，希望建立一套稳定的任务执行标准。
• 用 AI 做内容生产的写作者/研究者：经常需要 AI 帮你读 PDF、整理资料、生成结构化文档，但总被格式问题和引用错误困扰。
• 对 AI Agent 感兴趣的开发者：想理解 Skills 机制、MCP 协议、Agent 工作流如何实际组合运行，superpowers 是一套很好的参考实现。

1.4 与普通插件的本质区别

我见过有人把 superpowers 和常见的 VS Code 插件、Chrome 插件放在一起比较，这其实不太恰当。普通插件是“给编辑器加功能”，superpowers 更像是“给 AI 换一套工作方式”。它不直接接管界面或提供按钮，而是通过改变 AI 的思考路径和工具调用来提升产出质量。

举个例子，传统方式让 AI 生成一张图片，AI 可能直接尝试输出一个假的图片链接。而在 superpowers 体系里，image-tools 这个 Skill 会指导 AI 调用本地的图像处理工具，真正生成一张可用的图片文件。差别就在这里：一个是“模型能力的边界”，一个是“引入外部工具突破边界”。

2. 技能全家桶拆解：superpowers 到底带来了哪些 Skills

superpowers 最吸引我的点，就是它内置的 Skills 覆盖度极广。从文档处理到 Web 开发、从浏览器自动化到科学计算，几乎覆盖了我日常工作的全部场景。我把它按功能分成几类，逐个说一下每个 Skill 的实际效果和适用场景。

2.1 文档与内容处理类

这一类里最常用的就是 pdf-tools 和 doclab。

pdf-tools解决的是 PDF 读取和生成问题。llm 直接读 PDF 经常遇到排版错乱、乱码、表格丢失的问题。这个 Skill 的做法是，先把 PDF 转成结构化文本，然后按需提取信息、生成摘要、甚至批量转换格式。我实测用它处理一份 80 页的研报，AI 给出来的摘要结构清晰，还自动标注了页码和章节出处，这是裸模型很难稳定做到的。

doclab则是面向长文档写作的。它适合写技术方案、产品说明、研究报告这类需要章法分明的任务。它会先拆解写作目标、拟定大纲，再逐章生成内容，最后统一润色校对。我用它写了一份 8 千字的项目设计方案，全程只给了几个关键点，AI 自动补全了背景分析、技术选型对比和实施计划，而且格式风格统一，几乎没有来回修改的碎片感。

2.2 Web 开发与原型构建类

webapp-omnibuilder是 superpowers 里最被社区称道的 Skill 之一。它的定位是“一句话需求直接生成完整 Web 应用”。它的厉害之处在于过程是分阶段执行的：先确认需求，再设计数据模型和 API 接口，然后才写前端页面和交互逻辑。整个过程符合真实项目的开发节奏，而不是像传统 AI 一样直接把所有代码堆在一个文件里。

在我实际测试中，让它从零搭建一个带用户登录和本地存储的记账应用，它自动完成了需求分析、技术栈选择（最终选了一个轻量的前后端分离方案）、目录结构创建、核心功能编码、以及基础测试。整个流程我几乎没有干预，产出物的完整性远高于裸模型直接写。

browser-tool是浏览器自动化技能。它能让 AI 打开网页、点击按钮、填写表单、抓取页面数据。我拿它做了一件事：自动登录一个后台管理页面，把某个报表数据截图并保存到本地。整个过程由 AI 自主调度浏览器完成，这在以前是不可想象的。

2.3 视觉与图像处理类

image-tools覆盖了图像格式转换、压缩、裁剪、去背景等操作。它的实现思路不是让 AI“理解”图片，而是让 AI 调用底层图像处理库（比如 Pillow）来操作文件。效果非常稳定，比如去背景任务，AI 会自动完成抠图并输出透明底 PNG。

canvas-mcp则把 AI 连接到画布工具，支持自动生成思维导图、架构图、流程图。它通过 MCP 协议把画布应用变成 AI 的可操作界面，AI 可以直接在上面放置节点、连线条。我拿它画了一张系统架构图，AI 会根据服务模块自动排版布局，节省了我大量手动拖拽的时间。注意，这个 Skill 依赖 MCP 配置，环境搭不好会连接失败，后面我会讲排查方法。

2.4 开发者效率工具类

这一块是我的最爱，因为全是面向程序员日常的“体力活”。

mcp-builder能根据自然语言描述直接构建自定义 MCP 服务器。你告诉它“帮我搞一个能查询本地 SQLite 数据库的 MCP”，它会生成完整的服务器代码、注册配置和使用文档。这个 Skill 对想深度定制 AI 工具的开发者来说，几乎等于把“造轮子”的成本降到了零。

devops是针对部署运维场景的。它包含容器操作、服务器监控、日志分析等流程。我试过让它排查一个 Node 服务的内存异常，它先连接服务器查看日志，再分析是哪个进程占了资源，最后给出优化建议，整个过程像是一个初级运维工程师在配合我干活。

prompt-optimizer是优化提示词的工具，适合经常与 AI 对话但觉得输出发散的人。你给它一段原始提示词，它会诊断问题（太模糊、缺约束、缺示例），然后生成一个结构清晰的新版本。我拿它优化过几条公众号文案的指令，输出效果立竿见影。

2.5 科学计算与知识推理类

science-guy这个小工具很有意思，适合需要快速做数值计算、单位换算、公式验证的场景。比如我让它算一个立方体水箱的容积和不同液位下的压力，它直接写 Python 脚本完成了计算，并给出了带单位的结果，比手工推算可靠得多。

另外，核心概念和心智模型类的一组 Skills 也很值得关注。它包含一系列 AI 协作方法论，比如“让 AI 先计划再执行”“分步骤验证结果”“上下文压缩策略”。这些看起来是软技能，但在复杂任务里起着决定性作用。主要的功能是改变 AI 和你合作的默认行为，让产出更接近专业团队的水平。

3. 部署实操：两种方式把 superpowers 装进你的 AI 工作流

了解了 superpowers 能干什么，接下来就是所有人最关心的环节：怎么装。我实测了两种路径，一种是用现成的命令行工具快速安装，适合新手；另一种是手动导入，适合需要精细控制或已有自定义配置的技术玩家。下面把两条路都讲清楚。

3.1 安装前的环境准备

无论走哪条路，你需要先确认自己的基础环境。superpowers 依赖于 Claude Code 或支持相同 Skills 机制的 AI 编程助手。我以 Claude Code 为例来说明。

第一步，安装 Node.js（建议 18 以上版本），因为 Claude Code 本身是 npm 包，运行时也需要 Node 环境。第二步，全局安装 Claude Code CLI：

npm install -g @anthropic-ai/claude-code

装完后运行claude命令，确认能正常启动对话界面。第三步，登录 Anthropic 账号并确认 API 可用。这一步要是卡住，后面什么都跑不动，所以务必先确认基础命令畅通。

提示：如果你的主要工具是 Cursor、Windsurf 等编辑器内置的 AI 助手，只要它们支持读取 SKILL.md 或 MCP Marketplace，同样可以接入 superpowers，只是路径配置会有差异。建议优先在 Claude Code 里跑通，再迁移到其他工具。

3.2 快速安装路径：使用 skil 命令

superpowers 官方推荐的方式非常“傻瓜化”。Claude Code 在较新版本中内置了一个skil命令（这个命名看着像 skill 的变体，但就是官方定义的安装入口），专门用于管理技能包。安装只需要两行：

/skil install anthropic/skil-superpowers

在 Claude Code 的交互界面中输入这段命令，AI 会自动去指定仓库拉取 superpowers 的全部内容，然后按默认策略将技能安装到当前项目目录。整个过程会有输出日志，告诉你每个 Skill 被存放到了哪里。

这里要特别注意一下命令的写法：开头的/skil是斜杠命令，表示在会话内执行；后面跟的是 GitHub 仓库路径。我最初以为要写全https://github.com/anthropic/skil-superpowers.git，但实测下来完整路径也能识别，简短写法更稳定。

3.3 手动安装路径：精确控制技能目录

如果你想自己控制每个 Skill 的存放位置，或者需要离线部署，手动安装是更好的选择。

先说原理：superpowers 本质上是一个 GitHub 仓库，仓库里按目录组织着各种 Skills。手动安装只需要做两件事：把仓库下载到本地，再让 AI 工具能扫描到这个目录。

具体步骤是：

git clone https://github.com/anthropic/skil-superpowers.git mkdir -p ~/.claude/skills cp -R skil-superpowers/skills/* ~/.claude/skills/

把技能文件复制到全局 skills 目录后，Claude Code 在每次会话启动时都会主动扫描这个目录，从而加载所有技能。这里有一个关键细节：~/.claude/skills/是全局位置，任何项目都能用；如果你想只在某个项目里启用，应该复制到该项目的.claude/skills/下。

我的经验是：日常学习阶段用全局位置最方便，因为随时能测试；等真正上了生产项目，再改成项目级目录，避免不同项目的 Skill 互相干扰。

3.4 安装后怎么确认技能被识别

装完后第一件事，不是急着跑任务，而是确认技能真的被 AI 加载了。最直接的验证方式，是在 Claude Code 会话中直接提问：

你当前加载了哪些可用的 Skills？请列出目录和各自用途。

如果安装成功，AI 会列出一份完整的技能清单。如果你什么都没问出来，大概率是目录放错了位置，或者SKILL.md文件格式有问题。排错方法我放到后面“避坑手册”里专门讲。

另外需要注意，安装完成并不是一劳永逸。superpowers 是活跃维护的开源项目，新技能、新功能会持续更新。我后来发现它会把技能安装时生成的 list.md 文件放在技能目录中，并在更新时自动检查并安装新版已有技能。建议每隔一段时间安排一次同步更新。

4. 实战演示：让 AI 用 superpowers 完成一个完整任务

部署完成后，最激动人心的部分就是实测。这一节我完整复盘一个真实任务：用 superpowers 快速搭建一个“节日贺卡生成器”网页应用，覆盖需求确认、页面生成、图像处理全链路。这个案例刻意挑了常见的业务需求，好让你看到 superpowers 会做哪些“额外”的工作。

4.1 需求确认阶段：AI 主动提问，而不是直接开写

传统模式下，你让 AI“做个节日贺卡生成器”，它会直接给出一大段代码，效果通常很粗糙。而 superpowers 下挂了 webapp-omnibuilder 后，AI 的反应完全不同：它会先进入“项目经理”模式，向你确认几个关键问题。

实际对话里，AI 问了我三个问题：

1. 这个贺卡生成器是单页展示，还是需要支持用户自定义文案和图片？
2. 是否需要上传本地图片，还是只用预设的背景图？
3. 对移动端适配有要求吗？

这三个问题会直接影响技术选型。由于我的需求是“用户挑选模板、修改文字、导出发送”，AI 最终选择了轻量前端方案：单 HTML 页面加原生 JavaScript，数据用 localStorage 存储，不引入重型框架。这个方案在静态托管上能直接跑，非常符合轻工具类产品的定位。

这个阶段的价值在于，AI 不再盲目产出，而是先和用户对齐需求边界。这背后是 superpowers 内置的行动规划机制在起作用，它会要求 AI 在执行前先“弄清任务”再“拆解步骤”。

4.2 构建过程：从零生成可用项目

确认完需求后，AI 自动开始创建项目结构。它生成了一个js/目录存放逻辑代码，一个assets/目录放样式和图片资源，还自动生成了一个本地调试用的index.html。

整个生成过程中，我没有输入任何代码相关指令。AI 自动完成了模板渲染、文案编辑绑定、图片选择器、导出按钮等功能实现。最关键的是，它生成的代码是完整可运行的，不是“示意代码”或“伪代码”。我直接打开index.html，一个能挑选模板、修改祝福文字、点击导出的贺卡应用已经能用了。

这里体现出的“不只是编码能力”在于流程管理：它先写骨架、再填功能、最后自查有没有遗漏。比如当它发现自己生成的导出自定义图片涉及跨域问题时，主动加了 canvas 绘制的方案来规避。

4.3 遇到跨域问题：AI 自查并修复

在测试导出功能时，AI 生成的代码在本地打开是正常的，但在某些部署环境下，图片导出会因为浏览器安全策略而失效。传统 AI 到这里可能就“躺平”了，但 superpowers 体系下的 AI 会主动检查这个隐患。

它在输出代码后附加了一条“部署提示”：如果使用外部图片资源，建议在画布绘制时设置图片的crossOrigin属性，或者把资源转成 base64 内嵌。随后它直接修改了代码，在加载图片的函数里加上了跨域配置，并在导出函数里加了 try-catch 错误提示。这些细节说明 skills 里的“上下文感知”和“严谨性”确实在发挥作用。

4.4 用 image-tools 处理素材：AI 自动调用本地工具

贺卡需要背景图，我本来打算自己找几张。但司 AI 在方案里提到，可以用 image-tools 做一张渐变背景并输出到背景素材，这一步相当惊艳。

它生成了一张渐变背景图，并直接保存到了项目的assets/目录，整个操作不需要我手动运行任何命令。它实际是在后台调用了图像处理库的代码，自动完成了创建空白画布、填充渐变色、保存文件这三件事。对我这种不爱碰设计工具的人来说，用自然语言“让 AI 直接生成本地图片素材”的效率提升是巨大的。

4.5 最终验收：交付结果超出预期

全部功能完成后，AI 自觉列出“已完成功能清单”和“建议后续优化项”。完成的清单包括：模板选择、文字编辑、实时预览、导出分享。建议优化项则包括：增加自定义字体、使用服务端保存用户作品、增加更多节日模板。

我随后在本地跑了几轮测试，模板切换、文字修改、导出功能都能正常使用。整体体验下来，最直接的感受是：一个本来需要至少半天开发的小工具，在 superpowers 体系下只用了 5 分钟对话时间，而且产出质量基本达到了上线标准。

实操心得：superpowers 最大的提升不是“一次生成代码”，而是“逼着 AI 先想清楚再动手”。如果你希望它产出更专业的代码，最好的做法是先把自己的需求描述清楚。它问你的那些问题，其实就是把模糊需求固化成可执行规格的过程。

5. 避坑手册：安装和使用中可能遇到的典型问题

再好的工具，实操中总会踩到不少坑。这一节整理我在使用 superpowers 过程中遇到的真实问题和排查方法，按频率从高到低排列。

5.1 技能没有被 AI 识别：最常见的安装失败

症状：按步骤装完了，但问 AI 有哪些 Skills，AI 回答“我没有加载任何技能”或直接跳过。

原因排查顺序：

1. 目录放错位置。如果你把 skills 复制到了项目目录，要在项目里启动 Claude Code 才会加载；放到了全局目录，也要确认路径是~/.claude/skills/而不是~/.claude/skill/（少一个 s 都不行）。
2. SKILL.md 文件缺失。每个技能文件夹必须包含SKILL.md文件，这是 Agent 识别的唯一入口。如果解压过程出错，检查一下是否有文件损坏或权限不足。
3. 工具版本过旧。部分旧版本 Claude Code 不支持 Skills 扫描机制，升级到最新版即可解决。运行npm update -g @anthropic-ai/claude-code更新。

5.2 MCP 连接类技能连不上

问题表现：使用 canvas-mcp、browser-tool 时，AI 提示“无法连接 MCP 服务”或“工具调用失败”。

原因：这类技能不只是依赖 SKILL.md，还需要在 MCP 配置文件中注册服务地址。superpowers 的安装过程会自动写入配置，但如果你改过全局配置或使用代理，连接就会失败。

排查方法：检查 MCP 配置文件（通常在~/.claude.json或项目目录的.mcp.json中），确认对应服务的command字段指向了正确的可执行文件路径。另外，部分 MCP 服务依赖本地运行的环境（如 Python 或 Node 18+），确认依赖安装完整后再试。

提示：新手最容易忽略的是 MCP 服务需要“冷启动”时间。第一次调用时，工具进程会后台拉起，偶尔会超时。遇到“连接失败”，等几秒再让 AI 重试一次，成功的概率很高。

5.3 安装后原有功能“变笨”了

这个现象很有意思。有用户在安装 superpowers 后发现，AI 变得特别“啰嗦”，每次都先列一堆计划、问一堆问题，甚至简单的翻译任务也要走完整流程。

原因：superpowers 默认让 AI “凡事多想几步”，这在复杂任务中是优点，但在轻量任务中就成了负担。

解决思路是分级使用：把 superpowers 装在项目级目录而不是全局目录，只在需要的项目里启用；或者在提示词中明确要求“跳过流程规划，直接执行”。我个人的习惯是，简单任务直接对话，复杂任务则切到有 superpowers 的项目环境。

5.4 技能冲突导致行为异常

如果你不只是装了 superpowers，还自定义了其他技能，偶尔会遇到两个技能对同一类任务给出不同指令的情况，AI 的执行结果会变得不可预测。

解决办法是先明确优先级。superpowers 的技能目录在加载时有默认顺序，如果你希望某个自定义技能优先执行，可以把它的目录名排序放到前面（目录名首字母会影响扫描顺序）。更稳妥的方式是：把冲突的技能移到不同环境，互不干扰。

5.5 性能下降：技能加载拖慢响应

最后是一个下意识容易忽略的问题：技能加载需要额外扫描和阅读时间，所以有 superpowers 的会话，首条响应速度会比裸环境慢一些。特别是全局装了几十个技能后，每次启动都要遍历一遍目录。

优化方案有三种：删掉不用的技能目录；把技能改为项目级安装；或者在会话开始直接指定只解析某个技能。如果只是追求“快”，临时在提示词里加一句“不要使用任何技能”也能绕过扫描。

6. 组合玩法和进阶技巧：把 superpowers 真正变成自己的工具箱

等到你对单个 Skill 都熟悉了，就可以开始组合使用了。这一部分把我的“私藏玩法”分享出来，算是给想更进一步的读者的一点参考。

6.1 技能之间存在隐式依赖

很多人以为 Skills 是孤立的，实际用下来会发现，最优路径往往是多个技能协同。举例说明，我想要做一个带数据图表的研究报告页面，完整工作流是：

• pdf-tools 读取源 PDF 并抽取关键数据
• webapp-omnibuilder 生成页面框架
• science-guy 计算并生成可视化数据
• image-tools 处理报告中需要的图片素材
• doclab 写报告文案

这些技能单独使用效果都不错，但串起来后，整个链路非常丝滑。AI 会自己在技能之间跳转调用，我只负责提供需求和验收结果。可以说，superpowers 最大的价值在于技能之间形成了生态协同，而不是各干各的。

6.2 利用 prompt-optimizer 反哺日常对话

我还有一个习惯：把 prompt-optimizer 的输出拿来当“常用提示词模板”。比如让它优化过一条“让 AI 总结会议纪要”的提示词，产出的版本包含了角色设定、输出格式、注意事项等完整结构。我把这个模板存下来，在没挂 superpowers 的环境里也能直接用，效果比原始版稳定得多。

类似地，你也可以用其他技能生成“中间产品”来反哺工作流。比如用 mcp-builder 做一个内部数据库查询工具，虽然不是超级技能，但对接上 devops 后，整个发布流程都会受益。

6.3 跳过整个技能库：细粒度“局部技能”启用

如果你只想用其中一两个技能，不需要全局安装整套 superpowers，也可以手动只复制需要的技能目录。比如我只想要 pdf-tools，就只把pdf-tools这个文件夹复制到 skills 目录，不引入其他技能。这样既能保留功能，又能最大程度降低加载开销。

手动局部安装时，如果一个技能内部还依赖了公共脚本或模板，需要一并拷贝，否则技能运行时可能报“找不到文件”。建议直接对比仓库里的目录结构，把依赖文件完整复刻过去。

6.4 配合自定义 MCP 服务器：从使用技能到创造技能

如果你已经顺利使用了一段时间 superpowers，下一步很有价值的尝试是：把公司内部系统或常用工具做成 MCP 服务，接入到自己的 AI 环境中。superpowers 的 mcp-builder 就是为此准备的。

举个例子，我内部有一个订单查询系统，以前要让 AI 帮忙查订单，只能把数据导出成表格再喂给 AI。后来我用 mcp-builder 快速生成一个封装了查询接口的 MCP 服务，注册到配置里。现在直接告诉 AI “帮我查一下昨天华东区的成交订单”，它就会调用 MCP 工具实时查询，再按需生成分析结果。这感觉就像给 AI 接上了公司内部的“手和眼睛”。

6.5 保持技能的“进化能力”

最后一条建议有点“长期主义”：superpowers 是一个活跃迭代的项目，隔一段时间就会新增技能或优化既有行为。我的习惯是每周同步一次仓库，留意更新日志。别小看这个动作，技能版本的差异往往体现在“AI 行为细节”上，而行为细节决定了你交付物的专业度。

我个人在实际使用中最深的体会是：工具本身再强大，也需要使用的人理解它的运作逻辑。superpowers 教会我的不只是“怎么用 AI”，更是“怎么组织 AI 的工作方式”。与其每次事无巨细地下指令，不如建立一套可复用的工作标准，让 AI 自己按标准执行。这也正是技能库这一设计背后更大的意义所在。希望这篇文章能把你在 superpowers 路上的起步成本降到最低，剩下的探索，自己去试试更有乐趣。