从 Superpowers 学习高质量 AI 协作：一份给策略分析师的 Claude Code 指南

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

flowchart TD
    accTitle: Superpowers 从想法到交付
    accDescr: 明确需求、创建隔离工作区、拆分计划、子代理执行、测试驱动开发、代码评审、完成前验证，最后整理合并。
    A["brainstorming<br/>明确需求与方案"]
    B["using-git-worktrees<br/>创建隔离工作空间"]
    C["writing-plans<br/>拆成 2–5 分钟的小任务"]
    D["subagent-driven-<br/>development<br/>分配子代理执行"]
    E["test-driven-development<br/>红—绿—重构循环"]
    F["requesting-code-review<br/>每个任务完成后评审"]
    G["verification-before-<br/>completion<br/>声称完成前必须验证"]
    H["finishing-a-development-<br/>branch<br/>整理合并"]
    A --> B --> C --> D --> E --> F --> G --> H

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"：

flowchart TD
    accTitle: 数据分析的三个交付阶段
    accDescr: 今天完成数据清洗和基础指标，明天完成分维度对比分析，后天提炼洞察并提出策略建议。
    A["Phase 1 · 今天<br/>数据清洗与基础指标"]
    B["Phase 2 · 明天<br/>分维度对比分析"]
    C["Phase 3 · 后天<br/>洞察提炼与策略建议"]
    A --> B --> C

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。

flowchart TD
    accTitle: 查询落盘与本地分析解耦
    accDescr: MCP SQL 提交查询并轮询完成，将结果保存到 data 目录的 xlsx 文件。pandas 读取本地文件开展分析，再进入后续 Superpowers 流程；需要补充数据时返回查询阶段。
    A["阶段 A：查询<br/>MCP SQL 提交查询<br/>轮询至 FINISHED"]
    F["保存为 .xlsx<br/>查询结果写入 data/"]
    B["阶段 B：分析<br/>pandas 读取本地文件<br/>描述性统计与可视化<br/>假设验证与洞察提炼"]
    C["后续 Superpowers 流程<br/>brainstorming<br/>writing-plans<br/>review"]
    A --> F --> B --> C

需要补充数据时，回到阶段 A 重新查询。

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 .gitignore
```
data/
```
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

关联实践

看这套协作思路如何用在内容发布：从 Obsidian 到博客的实际工作流，由我审核，再交给 Agent 处理发布。
看后来的多 Agent 实践：我如何使用 Paseo，把目标讨论、任务分工与最后验收放进日常操作。
如果还需要评估模型预算：读AI 编程订阅的额度与成本对比，不要把跑满额度的估算当成每个人都能获得的成本。

Search

从 Superpowers 学习高质量 AI 协作：一份给策略分析师的 Claude Code 指南

一、Superpowers 简介

二、设计哲学：为什么输出质量高

三、Superpowers 工作流：从想法到交付

四、数据分析人员的 5 个落地实践

实践 1：Brainstorming = 第二大脑

实践 2：TDD = 假设先行

实践 3：Writing-plans = 分阶段交付

实践 4：Code-review = 自检检查点

实践 5：Verification = 验证附录

五、省钱技巧：把 MCP-SQL 查询与分析解耦

核心思路：查询落盘，分析读盘

推荐目录结构

脚本模板：`code/fetch_data.py`

在 Superpowers workflow 中的位置

关键注意事项

六、在 Claude Code 中使用

安装

触发词

非程序员 Prompt 模板

七、总结

关联实践

Conversation

一、Superpowers 简介

二、设计哲学：为什么输出质量高

三、Superpowers 工作流：从想法到交付

四、数据分析人员的 5 个落地实践

实践 1：Brainstorming = 第二大脑

实践 2：TDD = 假设先行

实践 3：Writing-plans = 分阶段交付

实践 4：Code-review = 自检检查点

实践 5：Verification = 验证附录

五、省钱技巧：把 MCP-SQL 查询与分析解耦

核心思路：查询落盘，分析读盘

推荐目录结构

脚本模板：code/fetch_data.py

在 Superpowers workflow 中的位置

关键注意事项

六、在 Claude Code 中使用

安装

触发词

非程序员 Prompt 模板

七、总结

关联实践

Conversation

脚本模板：`code/fetch_data.py`