一、Superpowers 简介
obra/superpowers 是由 Jesse Vincent 与 Prime Radiant 开发的 agentic skills framework。它不是传统代码库，而是一套嵌入 Claude Code、Cursor、Codex、Gemini CLI 等工具的软件开发方法论。
核心机制：14 个可组合 skill，在任务启动时按关键词自动触发，强制 AI 遵循"先思考、再规划、后执行、最后验证"的完整闭环。
| 类别 | Skills |
|---|---|
| 思考与规划 | brainstorming, writing-plans, using-git-worktrees |
| 执行与开发 | subagent-driven-development, executing-plans, test-driven-development |
| 调试与验证 | systematic-debugging, verification-before-completion |
| 协作与收尾 | requesting-code-review, receiving-code-review, finishing-a-development-branch |
你可以把它理解为给 AI 配备了一套标准化作业程序（SOP）——每个任务从启动到交付，都要经过特定的检查点和技能触发。
二、设计哲学：为什么输出质量高
Superpowers 的核心不是"写更好的代码"，而是**"用流程约束对抗认知捷径"**。四条铁律：
- Evidence over claims — 声称完成前，必须先运行测试、读取完整输出、确认一致
- Systematic over ad-hoc — 任何任务开始前，必须先调用对应 skill
- Test-Driven Development — 没有"先看到测试失败"，就不允许写生产代码
- Complexity reduction — 每个任务拆到 2-5 分钟，禁止占位符和过度设计
这个流程的精妙之处：把质量控制嵌入到每一个环节，而不是只在最后检查一次。
三、Superpowers 工作流：从想法到交付
+---------------------+ +---------------------+ +---------------------+
| brainstorming | --> | using-git-worktrees| --> | writing-plans |
| 明确需求与方案 | | 创建隔离工作空间 | | 拆成2-5分钟小任务 |
+---------------------+ +---------------------+ +---------------------+
| |
v v
+---------------------+ +---------------------+ +---------------------+
| subagent-driven-dev | --> | test-driven-develop | --> | requesting-code-review
| 分配子代理执行 | | 红-绿-重构循环 | | 每任务完成后评审 |
+---------------------+ +---------------------+ +---------------------+
| |
v v
+---------------------+ +---------------------+
|verification-before- | --> |finishing-a-dev- |
| completion | | branch |
| 声称完成前必须验证 | | 整理合并 |
+---------------------+ +---------------------+
对分析师的启示：数据分析也可以建立同样的分段质量控制流水线——在拉数据、做模型、写结论的每一步都设置检查点。
四、数据分析人员的 5 个落地实践
实践 1：Brainstorming = 第二大脑
在 Superpowers 里，brainstorming 是硬门槛。分析师可以要求 Claude 扮演三种角色：
| 角色 | 作用 | 示例 prompt |
|---|---|---|
| 盲区探测者 | 列出没想到的维度 | "基于我的想法，列出 3-5 个我可能忽略的变量或风险" |
| 细节确认者 | 追问假设前提 | "对每个假设追问一层——它成立的前提条件是什么？" |
| 反面论证者 | 挑战分析框架 | "如果我是 CEO，我会怎么质疑这个结论？" |
示例：当你说"分析降价促销对新用户转化的影响"，AI 应该反问：你如何控制季节性？竞品是否也在促销？"新用户"是注册还是首单？你看的是短期转化还是 LTV？
分析师最大的风险往往不是算错数，而是问错了问题。
实践 2：TDD = 假设先行
| 要素 | 内容 |
|---|---|
| 业务问题 | 我们要回答什么？ |
| 分析假设 | 我预计结果是什么？ |
| 验收标准 | 什么数据能证实/证伪这个假设？ |
业务问题：新用户首月留存是否因渠道不同有显著差异？ 分析假设：organic 渠道留存率高于 paid 至少 10 个百分点。 验收标准：按 channel 分组后，30 天留存率的置信区间不重叠。
实践 3：Writing-plans = 分阶段交付
不要一次性交付 50 页"终极报告"：
Phase 1: 数据清洗 + 基础指标 (今天)
|
v
Phase 2: 分维度对比分析 (明天)
|
v
Phase 3: 洞察提炼 + 策略建议 (后天)
每一阶段都有明确的验收标准。
实践 4：Code-review = 自检检查点
| 检查点 | 自检问题 |
|---|---|
| 数据完整性 | 时间范围完整？有无异常缺失？ |
| 口径一致性 | 指标定义与历史报告一致？ |
| 逻辑一致性 | 细分加总等于总体？百分比约为 100%？ |
| 归因合理性 | 相关关系是否被当成因果关系？ |
| 可执行性 | 建议是否足够具体，业务方能直接落地？ |
实践 5：Verification = 验证附录
Superpowers 的 Iron Law：
NO COMPLETION CLAIMS WITHOUT FRESH VERIFICATION EVIDENCE
具体操作：
- 在报告最后一页附上"验证附录"
- 核心数字用至少两道口径交叉验证
- 例如："GMV 同比增长 15%" 同时通过订单表和财务表验证
五、省钱技巧：把 MCP-SQL 查询与分析解耦
Superpowers 的 workflow 虽然能显著提升质量，但每一步都走完整技能链（brainstorming → planning → subagent → review），非常消耗 token。对数据分析师来说，最大的 token 杀手通常是 MCP SQL 返回的大量原始查询结果——如果把几千行数据 inline 在对话里，上下文会迅速膨胀，分析阶段还没开始 token 就烧光了。
核心思路：查询落盘，分析读盘
把"取数"和"分析"拆成两个独立阶段，让 Superpowers 的后续流程只在"数据摘要/洞察"层面运行。
【阶段 A：Query → Export】 【阶段 B：Analysis → Read Local】
+---------------------+ +---------------------+
| MCP SQL 提交查询 | | pandas 读取本地文件 |
| poll 到 FINISHED | ---------------> | 描述性统计 / 可视化 |
| 结果写入 data/ | 保存为 .xlsx | 假设验证 / 洞察提炼 |
+---------------------+ +---------------------+
^ |
| v
+---------------------+ +---------------------+
| | Superpowers 后续流程 |
| | (brainstorming |
| | /writing-plans |
| | /review) |
| +---------------------+
推荐目录结构
analysis_project/
├── code/
│ ├── fetch_data.py # 封装 MCP SQL 查询
│ ├── analyze_*.py # 后续分析脚本
│ └── query_*.sql # SQL 模板（可选）
├── data/
│ └── raw_20250413.xlsx # 查询结果落盘（gitignored）
└── report.md
脚本模板：code/fetch_data.py
import os
import time
import pandas as pd
# 1. 提交 MCP SQL 查询
# （在 Claude Code 中通过 MCP tool 执行，或把 queryId 传入脚本）
# 2. 等待结果
query_id = "your-query-id-from-mcp"
# status = mcp_get_query_status(query_id)
# while status == "RUNNING":
# time.sleep(3)
# status = mcp_get_query_status(query_id)
# 3. 获取结果并落盘
# result = mcp_get_query_result(query_id)
# df = pd.DataFrame(result['rows'], columns=[c['name'] for c in result['columns']])
# 4. 保存
output_path = "data/raw_20250413.xlsx"
df.to_excel(output_path, index=False)
print(f"✓ 已保存 {len(df)} 行到 {output_path}")
在 Superpowers workflow 中的位置
| Superpowers 步骤 | 操作对象 | 说明 |
|---|---|---|
brainstorming |
业务问题 + 假设 | 不涉及 SQL 数据 |
writing-plans |
阶段 A 和阶段 B 的计划 | 明确 "先 query 落盘，再读盘分析" |
subagent-driven-dev |
阶段 A | 只跑 fetch_data.py，目标是把数据写进 data/ |
| Checkpoint | 本地文件 | 确认 data/ 里有文件且行数合理 |
subagent-driven-dev |
阶段 B | 读取本地文件，做统计分析 |
verification |
数据 + 结论 | 检查文件完整性 + 数字交叉验证 |
关键注意事项
-
data/必须加入.gitignoredata/ - 每次 query 前确认
truncated字段为 false。如果为 true，说明结果超过 10,000 行，需要加聚合或分区过滤。 - 保存一个
data_summary.txt（行数、时间范围、核心指标），方便后续 subagent快速了解情况，而不必打开整个 Excel。 - 如果 query 可能超时或失败，采用 checkpoint/resume 模式：先检查本地是否已有文件，有则跳过 query 直接读盘。
六、在 Claude Code 中使用
安装
/plugin install superpowers@claude-plugins-official
或：
/plugin marketplace add obra/superpowers-marketplace
/plugin install superpowers@superpowers-marketplace
触发词
| 关键词 | 效果 |
|---|---|
tdd |
进入 TDD 模式 |
autopilot |
全自动模式 |
deep interview |
深度访谈模式 |
brainstorming / writing-plans |
规划模式 |
非程序员 Prompt 模板
我要做一个关于 [主题] 的数据分析。
请遵循以下流程：
1. 先 brainstorming，明确目标、假设、验收标准，并挑战我可能遗漏的维度
2. 然后 writing-plans，拆成 2-3 个可交付阶段
3. 每个阶段完成后 verification，检查数据完整性和逻辑一致性
4. 最后输出带"验证附录"的分析报告
七、总结
| Superpowers 原则 | 分析师版本 |
|---|---|
| Brainstorming | AI 反诘式头脑风暴，补全盲区 |
| TDD | 假设先行，验证驱动 |
| Writing-plans | 分阶段交付 |
| Code-review | 每阶段自检清单 |
| Verification | 报告附验证附录 |
Superpowers 的本质是用结构化流程对抗认知惰性。对策略分析师的价值，不在于写代码更快，而在于让每一次分析都有清晰的问题定义、可追溯的逻辑链条、以及经得起检验的结论。
撰写时间：2026-04-13
Loading comments...