Superpowers 破 12.1 萬星的原因

Superpowers 這個專案，現在已經衝到 121,000 顆 GitHub stars。更誇張的是，它在單日還拿到 2,292 顆星。講白了，這不是大家順手收藏而已。這代表很多開發者真的跑去試了。

我覺得這個數字很有意思。因為大家現在對 AI 寫程式，早就沒那麼天真。GitHub Trending 上的熱度，反映的不是八卦，是痛點。很多人都遇過同一件事：AI 產碼很快，整理更慢。

Superpowers 的做法很硬。它不是放任 agent 自由發揮。它把流程切成技能、測試、審查、分工。只要流程不對，甚至會把寫壞的 code 刪掉。這種作法很兇，但也很像資深工程師在管團隊。

為什麼它會衝這麼快

先講結論。Superpowers 會紅，不是因為它比較會聊天。是因為它把 AI agent 變得比較像可控的工程流程。對開發者來說，這比「看起來很聰明」更重要。

它的核心是 skills repo。技能寫成 Markdown，再加上 YAML frontmatter。這些技能不是裝飾品，而是強制流程。要先規劃，就先規劃。要先寫測試，就先寫測試。流程錯了，結果就不算數。

這種設計很像把 AI 放進 SOP。很多團隊現在卡住的點，不是模型不夠強，而是輸出太散。你可能看過一段 code 很帥，但一跑就爆。Superpowers 就是在處理這件事。

• 5 個月衝到 121,000 stars
• 單日增加 2,292 顆星
• GitHub Trending 一度排在前段班
• 主打技能化流程，不靠自由發揮
• 把測試與審查當成硬規則

這個成長速度也說明一件事。開發者已經很累了。大家不想再養一個只會亂寫的 agent。大家要的是能進 codebase、能守規則、能少留爛攤子的工具。

它怎麼把 agent 管起來

Superpowers 的思路很直接。不要讓 agent 自己決定一切。先把任務拆成可執行的技能，再把技能綁到流程上。這樣做的好處，是每一步都有檢查點。

它常被拿來跟 LangChain 比。LangChain 比較像工具箱。你可以自己拼流程，但也要自己負責拼得好不好。Superpowers 則像一個很愛管事的總工程師。它直接告訴你，先做哪一步，後做哪一步。

它也跟 AutoGPT 很不一樣。AutoGPT 偏向開放式代理。Superpowers 比較像受控流程。前者像放飛，後者像帶著安全帽進工地。兩種風格沒有誰絕對贏，但目標差很多。

“It makes me a better developer by forcing TDD.”

這句話很直白。重點不是 AI 多會寫。重點是它逼你守 TDD。說真的，很多團隊不是缺 agent，是缺紀律。AI 只是把原本偷懶的地方放大而已。

所以 Superpowers 吸引人的地方，不是「更自由」。而是「更難亂來」。這對 production code 很重要。因為 demo 可以亂，正式環境不行。

7 階段流程到底在幹嘛

Superpowers 的流程很像軍規。它有 7 個階段。先做蘇格拉底式腦力激盪，再切到 Git worktree 隔離。接著是微任務規劃、平行 subagent 執行、TDD、系統化 code review，最後才收 branch。

你可能會想問，這樣不會很慢嗎？一開始會。可是它慢的是前 10 到 20 分鐘。後面因為結構清楚，反而比較少返工。這跟很多人的直覺相反，但很合理。

文章提到，有人用它做出一個 Notion clone，45 到 60 分鐘就完成，還有 87% test coverage。功能包含 rich-text editing、table、Kanban board，還有 PostgreSQL persistence。這種速度不是魔法，是流程切得夠細。

• 7 個階段，從發想到收尾
• Notion 類原型約 45 到 60 分鐘完成
• 該案例 test coverage 達 87%
• 實務上常見 85% 到 95% coverage
• 一般 AI 工作流常落在 30% 到 50%

我覺得這裡最有價值的，不是快，而是少修。很多 AI coding 工具讓你先爽一下，後面再補洞。Superpowers 則是先把洞堵住。這種差異，對團隊效率差很多。

跟其他工具比，差在哪

如果你要的是高度自由的 agent，AutoGPT 還是有它的位置。它適合探索、研究、跑比較鬆的任務。可是你要是想把 code 穩穩送進主分支，這種自由就可能變成風險。

LangChain 也還是很強。它的優勢是彈性高。你可以接檢索、工具、模型、流程。問題是，彈性高也代表你要自己設計很多細節。對一些團隊來說，這是自由。對另一些團隊來說，這是額外工作。

Superpowers 的取向就很明確。它不是要包山包海。它是要把 agent 行為收斂到可重複、可檢查、可維護。這也是它現在會被大量討論的原因。

• LangChain：彈性高，適合自訂流程
• AutoGPT：偏自主，適合探索型任務
• Superpowers：偏強制流程，適合交付型任務
• Spring AI：也開始看 agent skills 模式

這裡還有一個值得看的訊號。Spring AI 已經把 Agent Skills 的概念放進自己的路線。這表示不是只有獨立專案在玩這套。連企業框架也開始往這方向靠。

這件事背後的產業脈絡

AI 寫程式這件事，已經走過「只要能產 code 就好」的階段。現在大家開始在意維護成本、測試覆蓋率、review 流程，還有團隊能不能重複使用同一套方法。說白了，大家不想再被 demo 騙第二次。

METR 的研究提到，AI 相關工作有時會出現 39 點的主觀效率落差。也就是說，你覺得自己快了，實際上不一定。甚至在某些 coding 情境下，還會慢 19%。這種數字很刺耳，但很真實。

所以 Superpowers 受歡迎，不是偶然。它剛好踩中一個轉折：大家開始從「能不能做」轉向「能不能穩定交付」。這個差別很大。前者容易出現炫技。後者才會進到 production。

另外，Jesse Vincent 的背景也有意思。他是 Perl 專案負責人，也是 Keyboardio 創辦人。這種人做出來的工具，通常不太愛空話。會比較在意系統怎麼運作，還有長期怎麼維護。

接下來會怎麼走

我自己的判斷很直接。接下來會紅的 agent 工具，不會只比誰更會講話。它們會比誰能把流程管好，誰能把 skills 拆清楚，誰能讓測試先跑起來。

如果你的團隊現在也在用 AI 寫 code，但 cleanup 時間很長，那你很可能該試試這種強制流程。不是每個案子都適合。可是只要是要進 production 的東西，規則越清楚越好。

Superpowers 這波熱度，對台灣開發者也很有參考價值。因為我們常常很務實。工具好不好，不看簡報，看能不能少加班。這套東西如果真的能把 test coverage 拉到 85% 以上，又能少掉一堆返工，那它就不只是熱鬧而已。

你如果現在要選一套 AI coding 工作流，我會先問一個問題：你要的是快 demo，還是穩交付？答案不同，工具就不同。這題沒有標準解，但 Superpowers 已經把一個方向講得很清楚了。