4个实战阶段:用Superpowers构建全流程开发体系
需求洞察与规划阶段:从混沌需求到清晰蓝图
假设你正在开发一个电商平台支付模块,面对产品经理模糊的需求描述和不断变化的用户反馈,如何快速梳理出可执行的开发计划?
需求解构:将模糊需求转化为可执行任务
📌 核心工具:brainstorming技能
通过结构化头脑风暴,将用户故事拆解为功能点和验收标准。例如将"用户支付体验优化"分解为支付方式扩展、错误处理机制和交易状态同步三个可量化任务。
重要提示:需求分析阶段需区分"必要功能"和"锦上添花"功能,避免开发范围无限扩大。
实操路径:技能文档参考skills/brainstorming/SKILL.md
开发规划:制定精准执行路线图
📌 核心工具:writing-plans技能
采用时间盒管理法分配开发任务,为每个功能模块设定明确的交付里程碑。例如将支付模块拆分为接口开发(3天)、集成测试(2天)和性能优化(1天)三个阶段。
实操路径:规划模板参考docs/plans/2025-11-22-opencode-support-design.md
💡 常见误区
- 需求收集不全面:解决方案 - 使用"5W1H"分析法(Who/What/Why/When/Where/How)确保需求维度完整
- 计划颗粒度不足:解决方案 - 将任务拆解至"2人天内可完成"的最小单元
- 忽视技术依赖:解决方案 - 在规划阶段绘制技术依赖图谱,识别关键路径
开发与质量保障阶段:构建可靠代码体系
假设你需要实现支付模块的退款功能,如何确保代码质量同时提高开发效率?
协作开发:子代理驱动的并行开发
📌 核心工具:subagent-driven-development技能
通过子代理分工完成复杂功能,例如让"接口设计代理"负责API规范制定,"安全审计代理"专注支付数据加密实现。这种模式能将开发周期缩短40%以上。
实操路径:协作流程参考skills/subagent-driven-development/SKILL.md
测试驱动:构建防御式代码
📌 核心工具:test-driven-development技能
采用"红-绿-重构"循环开发退款功能:先编写失败的测试用例(红),实现最小可用代码使测试通过(绿),最后优化代码结构(重构)。
重要提示:针对支付场景需特别关注边界测试,如超时处理、异常订单状态等特殊情况。
实操路径:测试案例参考tests/subagent-driven-dev/
💡 常见误区
- 测试覆盖不足:解决方案 - 使用测试覆盖率工具,确保核心业务逻辑覆盖率达90%以上
- 忽视集成测试:解决方案 - 建立API契约测试,确保服务间交互符合预期
- 过度设计:解决方案 - 遵循YAGNI原则(You Aren't Gonna Need It),只实现当前必要功能
质量控制与部署阶段:从代码完成到安全交付
假设你的支付模块代码已完成,如何确保代码符合团队规范并安全部署到生产环境?
代码审查:构建质量门禁
📌 核心工具:requesting-code-review技能
通过"自我审查→同伴审查→自动化检查"三级审查机制,重点关注支付逻辑的安全性、异常处理完整性和代码可读性。
实操路径:审查清单参考skills/requesting-code-review/SKILL.md
部署管理:平稳过渡到生产环境
📌 核心工具:finishing-a-development-branch技能
采用"功能标记→灰度发布→全量部署"的渐进式发布策略,为支付模块设置独立的功能开关,便于紧急回滚。
实操路径:部署流程参考skills/finishing-a-development-branch/SKILL.md
💡 常见误区
- 审查流于形式:解决方案 - 使用审查 checklist 确保关键检查点不遗漏
- 忽视部署前验证:解决方案 - 在预发环境进行全流程模拟交易测试
- 版本管理混乱:解决方案 - 严格遵循语义化版本规范(Semantic Versioning)
持续优化阶段:构建闭环改进体系
假设支付模块已上线运行,如何基于用户反馈持续优化系统?
问题诊断:系统化定位根因
📌 核心工具:systematic-debugging技能
通过"现象记录→数据采集→假设验证→根本原因确认"四步法,解决支付延迟问题。例如发现第三方接口超时是导致90%支付失败的根本原因。
实操路径:调试方法参考skills/systematic-debugging/SKILL.md
验证改进:构建反馈闭环
📌 核心工具:verification-before-completion技能
在实施改进前建立验证标准,例如将支付成功率提升至99.95%作为改进目标,通过A/B测试验证优化效果。
实操路径:改进案例参考docs/plans/2025-11-28-skills-improvements-from-user-feedback.md
💡 常见误区
- 头痛医头式优化:解决方案 - 使用鱼骨图分析法识别问题根本原因
- 忽视小概率问题:解决方案 - 建立错误监控系统,跟踪低频率但高影响的异常
- 改进缺乏验证:解决方案 - 实施"假设-实验-验证"的科学改进流程
行动号召
快速入门(适合新手开发者)
- 克隆项目仓库:
git clone https://gitcode.com/GitHub_Trending/su/superpowers - 阅读入门指南:README.md
- 尝试第一个技能:运行
commands/brainstorm.md中的示例需求分析流程
深度学习(适合进阶用户)
- 深入技能开发:研究skills/writing-skills/SKILL.md中的自定义技能创建方法
- 参与测试开发:贡献tests/目录下的测试用例
- 学习高级工作流:参考docs/superpowers/plans/中的系统设计文档
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust011
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00