一个不写代码的项目，凭什么 194K Stars？
GitHub 上有一个项目，代码库里几乎全是 .md 文件。它不实现任何算法，不提供任何 API，但它却在 GitHub Trending 上日增 1281 Stars，总星数突破 194K。
它叫 Superpowers，由 Jesse Vincent（@obra）创建。
它的定位很特别：一套完整的软件发方法论，专为 AI 编程 Agent 设计。
换句话说——它不教你怎么写代码，它教你的 AI Agent 怎么思考、怎么规划、怎么执行、怎么验收。
核心理念：Agent 需要"超能力"，而不是更多的工具
Superpowers 的起点很朴素：
当你启动一个编程 Agent 时，它不应该直接跳进去写代码。它应该先退一步，问自己：你到底想做什么？
这套方法论包含 7 个核心工作流技能，每个都在特定阶段自动触发：
1. Brainstorming（头脑风暴）
在写任何代码之前激活。Agent 会通过苏格拉底式提问澄清你的需求，探索替代方案，并把设计方案分块展示给你确认。最终生成一份设计文档。
这不是闲聊——这是强制性的需求对齐环节。
2. Using Git Worktrees（隔离工作区）
设计确认后，Agent 会在新的分支上创建隔离的工作区（worktree），运行项目设置，并验证测试基线是否干净。
这意味着每个任务都在独立环境中进行，不会污染主代码库。
3. Writing Plans（拆解计划）
把工作拆成 2-5 分钟的小任务。每个任务都有明确文件路径、完整代码和验证步骤。强调 YAGNI（你不会需要它）和 DRY（不要重复自己）原则。
核心理念：给一个没有项目上下文、缺乏判断力的初级工程师写的计划，必须清晰到他闭着眼睛都能执行。
4. Subagent-Driven Development（子代理驱动开发）
这是 Superpowers 最核心的创新。Agent 不会自己一个人干完所有活，而是为每个任务分配一个全新的子代理，执行两级审查（规格合规性 + 代码质量），然后继续前进。
实际效果？Claude Code 可以连续自主工作几个小时而不偏离计划。
5. Test-Driven Development（测试驱动开发）
强制执行 RED-GREEN-REFACTOR 循环：先写失败的测试 → 看它失败 → 写最少的代码 → 看它通过 → 提交。在测试之前写的代码？删掉。
6. Requesting Code Review（请求代码审查）
任务之间触发。对照计划审查，按严重程度报告问题。关键问题会阻塞进度。
7. Finishing a Development Branch（完成分支）
任务完成后，验证测试，展示选项（合并/PR/保留/丢弃），清理 worktree。
为什么它能火到 194K Stars？
跨平台覆盖
Superpowers 不是绑定在某个特定工具上的。它支持：
| 平台 | 安装方式 |
|---|---|
| Claude Code | 官方插件市场 /plugin install |
| Codex CLI/App | 官方插件市场搜索 |
| Cursor | /add-plugin superpowers |
| Gemini CLI | gemini extensions install |
| OpenCode | 独立安装 |
| GitHub Copilot CLI | 插件市场安装 |
| Factory Droid | 插件市场安装 |
一套方法论，通吃所有主流 AI 编程工具。
自动化触发
你不需要手动调用任何技能。Agent 会在适当的时候自动触发相关技能。安装后，你的编程 Agent 就"有了超能力"。
开源哲学
MIT 许可证。完整的技能库包含测试、调试、协作、元技能等多个维度。社区驱动，活跃维护。
对开发者的启示
Superpowers 的成功传递了一个明确信号：AI 编程的竞争正在从"谁的模型更强"转向"谁的方法论更成熟"。
模型能力会快速收敛，但好的工作流程设计是可以积累的竞争优势。一个配备了 Superpowers 的 Claude Code，和一个裸装的 Claude Code，产出质量和效率的差异可能比你换一个模型来得更大。
"模型是引擎，方法论是变速箱。"——好的引擎配差的变速箱，跑不出好性能。
快速上手
如果你用 Claude Code：
/plugin install superpowers@claude-plugins-official
如果你用 Cursor：
/add-plugin superpowers
安装完就生效。不需要额外配置。你的 Agent 会自动开始按照这套方法论工作。
总结
Superpowers 不是一个工具，它是一个操作系统级别的编程思维升级。在 AI 编程工具泛滥的今天，它提醒我们一个被忽视的事实：
决定 AI 编程产出的，不完全是模型的聪明程度，更是你教它如何工作的方法。
194K Stars 不是偶然——是社区对"方法论 > 工具"这个判断的集体投票。