# AI-Literacy-Superpowers：构建AI辅助开发的完整工作流框架

> 一个为Claude Code和GitHub Copilot CLI设计的插件生态系统，实现了AI Literacy框架的完整开发工作流，包括约束工程、代理编排、文学编程、CUPID代码审查和三层执行循环。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-04-08T22:45:25.000Z
- 最近活动: 2026-04-08T22:53:16.573Z
- 热度: 163.9
- 关键词: ai-literacy, claude-code, github-copilot, harness-engineering, agent-orchestration, literate-programming, cupid, code-review, ci-cd, developer-tools
- 页面链接: https://www.zingnex.cn/forum/thread/ai-literacy-superpowers-ai-66fbd8b8
- Canonical: https://www.zingnex.cn/forum/thread/ai-literacy-superpowers-ai-66fbd8b8
- Markdown 来源: ingested_event

---

# AI-Literacy-Superpowers：构建AI辅助开发的完整工作流框架\n\n## 项目概述与核心理念\n\n随着大型语言模型(LLM)在软件开发领域的广泛应用，开发者们逐渐意识到一个关键问题：单纯依靠AI生成代码并不能自动提升软件质量。事实上，研究表明AI更像是现有工程纪律的放大器——拥有良好实践的团队受益更多，而缺乏规范约束的团队可能反而受害。\n\nAI-Literacy-Superpowers项目正是基于这一洞察而诞生的。它是一个为Claude Code和GitHub Copilot CLI设计的插件生态系统，完整实现了AI Literacy框架的开发工作流。项目的核心理念是"环境塑造行为"——与其依赖个体的自律，不如构建一个能够自动引导和约束开发行为的"栖息地(habitat)"。\n\n这一理念深受建筑学家Christopher Alexander和软件思想家Richard P. Gabriel的启发。Alexander在《建筑模式语言》中提出的"无名之质"——为使用者而非旁观者设计——成为约束工程的概念根源。Gabriel则将这一思想延伸到软件领域，提出"可居住性(habitability)"概念：代码应该是人们愿意在其中"生活"的地方。\n\n## 三层执行循环架构\n\nAI-Literacy-Superpowers的核心创新在于其三层执行循环架构，这一设计源自Birgitta Boeckeler的约束工程(Harness Engineering)理论：\n\n### 咨询循环(Advisory Loop)——编辑时警告\n\n咨询循环在开发者工作时提供实时反馈，但不阻止操作。它通过PreToolUse和Stop钩子实现：\n\n- **约束门(Constraint Gate)**：在写入/编辑文件时读取HARNESS.md中的约束，对违规操作发出警告\n- **Markdownlint检查**：对正在编辑的Markdown文件运行markdownlint\n- **漂移检测(Drift Check)**：检测到CI、linter或依赖配置变更时，提示运行审计\n- **快照陈旧检查**：检测到约束快照超过30天未更新时，提示运行健康检查\n- **反思提示**：检测到会话中的提交操作时，提示捕获学习心得\n- **密钥扫描**：使用gitleaks扫描意外提交的密钥或凭证\n- **轮转GC检查**：每次会话运行一个确定性的垃圾回收规则\n\n这些钩子都是建议性的，它们利用开发者上下文最fresh的时机提供反馈，而不是等到提交后才报错。\n\n### 严格循环(Strict Loop)——合并时阻塞\n\n严格循环在代码合并前强制执行质量门槛，违规会阻止合并。它通过CI工作流和代理管道实现：\n\n**CI工作流**：PR范围的约束强制执行、每周确定性规则的垃圾回收、语言特定的变异测试。\n\n**代理管道**：编排器协调完整管道，包含计划审批门和最大审查循环保护；规范编写者在编写代码前更新规范；TDD代理从规范场景编写失败测试；代码审查者通过CUPID和文学编程视角审查代码；集成代理处理CHANGELOG、提交、PR、CI、合并、反思。\n\n计划审批门在实现前捕获不良计划，循环保护防止无限制的审查循环。两者共同防止编排失控。\n\n### 调查循环(Investigative Loop)——定期清扫\n\n调查循环通过定期任务清扫缓慢的熵增，这些熵增可能逃过了前两个循环：\n\n- **垃圾回收规则**：每周CI工作流运行确定性规则\n- **复合学习**：REFLECTION_LOG.md记录代理反思，AGENTS.md由人工策展\n- **约束审计**：进行完整的元验证\n- **健康检查**：生成带趋势的快照和元可观测性检查\n\n三个循环产生的信号被收集起来，使整个栖息地可观测。\n\n## 技能体系：领域知识的模块化封装\n\nAI-Literacy-Superpowers包含18个技能，每个技能封装特定领域的知识，供代理在会话开始时阅读：\n\n### 代码质量与工艺\n\n- **文学编程(Literate Programming)**：Donald Knuth的五大规则——代码即文学，读者优先。要求叙述性序言、基于推理的文档、按理解顺序呈现。\n- **CUPID代码审查**：Daniel Terhorst-North的五大属性——可组合、Unix哲学、可预测、惯用法、领域驱动。作为审查和重构的视角。\n\n### 约束工程基础\n\n- **约束工程(Harness Engineering)**：三大组件(上下文工程、架构约束、垃圾回收)、推广阶梯、执行时机\n- **上下文工程(Context Engineering)**：编写足够精确的约定，使人类和LLM都能强制执行\n- **约束设计(Constraint Design)**：使用验证槽模型设计可强制执行的约束\n- **垃圾回收(Garbage Collection)**：对抗熵增的模式和自动修复安全规则\n\n### 安全与合规\n\n- **GitHub Actions供应链**：CI加固检查清单——SHA固定、权限配置、dependabot\n- **依赖漏洞审计**：Go和Maven的CVE扫描流程\n- **Docker Scout审计**：Docker镜像CVE分类和修复\n- **密钥检测**：基于gitleaks的密钥扫描——配置、基线化和CI集成\n\n### 可观测性与治理\n\n- **约束可观测性**：四层可观测性指导——快照格式、遥测导出、元可观测性检查\n- **约定提取**：五个提取问题、工件映射、四元素解剖——浮现团队隐性约定\n- **跨仓库编排**：Git介导和规范介导模式，用于同步工件和管理项目组合\n\n## 代理团队：全生命周期的协作编排\n\nAI-Literacy-Superpowers提供了一支协调的代理团队，处理完整的开发生命周期：\n\n- **编排器(Orchestrator)**：管道协调器，按顺序调度代理，拥有完全访问权限\n- **规范编写者(Spec-writer)**：在编写代码前更新规范和计划，无Bash权限\n- **TDD代理**：从规范场景编写失败测试，可执行测试\n- **代码审查者(Code-reviewer)**：通过CUPID和文学编程视角审查代码，无写入权限\n- **集成代理**：处理CHANGELOG、提交、PR、CI、合并、清理、反思，拥有完全git访问权限\n- **约束发现者**：只读项目扫描器\n- **约束执行者**：所有约束类型的统一验证引擎\n- **约束GC**：定期熵对抗者\n- **约束审计者**：元代理，检查约束是否与现实匹配\n- **评估者**：AI素养评估，扫描仓库、提问、应用修复、推荐工作流变更\n\n每个代理都有明确的角色定义和权限边界。这种精细化的权限控制是安全代理编排的基础。\n\n## 复合学习：跨会话的知识积累\n\n代理如何在多个会话之间学习？AI-Literacy-Superpowers实现了一个三阶段学习循环：\n\n**捕获(Capture)**：集成代理在每个任务后向REFLECTION_LOG.md追加结构化反思(日期、代理、任务、意外发现、建议、改进)。\n\n**策展(Curate)**：在季度运营节奏中，人工审查反思并将有价值的条目提升为AGENTS.md中的GOTCHA或ARCH_DECISION条目。\n\n**受益(Benefit)**：所有代理在会话开始时阅读AGENTS.md，将先前的学习纳入决策。\n\n研究表明，LLM生成的文档文件会降低成功率，而人工策展的文件提供适度但真实的改进。规则是：代理提议，人工策展。\n\n## 命令体系：用户交互接口\n\n插件提供了一系列斜杠命令，作为用户与系统交互的接口：\n\n- `/superpowers-init`：引导式设置——搭建完整的栖息地\n- `/superpowers-status`：健康仪表板——约束、代理、学习、CI\n- `/harness-init`：约束特定的初始化\n- `/harness-status`：快速约束健康读取\n- `/harness-constrain`：添加或提升约束\n- `/harness-gc`：管理和运行垃圾回收规则\n- `/harness-audit`：约束的完整元验证\n- `/reflect`：捕获任务后反思\n- `/worktree`：Git工作树生命周期——创建、合并、清理\n- `/assess`：AI素养评估，包含即时修复和工作流建议\n- `/harness-health`：约束健康快照——执行比率、趋势、元可观测性检查\n- `/extract-conventions`：引导式会话——浮现团队隐性约定\n- `/convention-sync`：将HARNESS.md约定同步到Cursor、Copilot和Windsurf约定文件\n\n## 四层可观测性模型\n\n插件包含一个四层可观测性模型，用于随时间监控约束健康：\n\n- **运营节奏**：约束在运行吗？健康检查生成快照；Stop钩子在最后快照超过30天时提示\n- **趋势可见性**：约束如何变化？快照差异显示增量；trends产生多周期视图\n- **遥测导出**：我能在外部可视化吗？快照数据可作为OpenTelemetry指标导出到任何OTLP兼容后端\n- **元可观测性**：可观测性本身在工作吗？五个自检：快照时效、节奏合规、学习流、GC效果、趋势方向\n\n健康检查在observability/snapshots/中生成结构化Markdown快照。每个快照捕获执行比率、垃圾回收规则状态和发现、每种语言的变异测试杀伤率、复合学习速度、运营节奏合规性、元可观测性结果。趋势通过差异连续快照得出——无需外部工具。\n\n## 模型路由与成本控制\n\nMODEL_ROUTING.md指导有成本意识的模型选择。它将每个代理映射到模型层级(最强、标准、快速)，基于所需的判断。编排器在调度代理时参考它——规范编写者和代码审查者获得最强模型；实现者和集成代理获得标准模型。Token预算指导防止失控成本。\n\n## 学术基础与实践来源\n\nAI-Literacy-Superpowers的设计决策根植于认知科学研究，涉及人类智能与人工智能的差异：\n\n- **Andy Clark**《Surfing Uncertainty》(2015)：预测处理和具身心智\n- **Edwin Hutchins**《Cognition in the Wild》(1995)：分布式认知——智能是系统的属性，而非个体\n- **Lucy Suchman**《Plans and Situated Actions》(1987)：计划与情境人类行动之间的差距\n- **James J. Gibson**《The Ecological Approach to Visual Perception》(1979)：可供性——环境提供行动可能性\n- **John Boyd** OODA循环：观察-定向-决策-行动作为认知循环\n- **Donella Meadows**《Thinking in Systems》(2008)：系统思维、杠杆点和反馈循环\n\n实践来源包括：\n\n- **Christopher Alexander**《建筑模式语言》：为居住者设计，而非旁观者\n- **Richard P. Gabriel**《Patterns of Software》：可居住性——代码作为居住的地方\n- **Donald Knuth**"Literate Programming"：代码主要为人类阅读而写\n- **Daniel Terhorst-North**"CUPID"：优秀代码趋向的五大属性\n- **Birgitta Boeckeler**"Harness Engineering"：完整约束的三大组件\n- **Addy Osmani**"The Code Agent Orchestra"：子代理委托、质量门、复合学习\n- **2025 DORA报告**：AI作为现有工程纪律放大器的发现\n\n## 适用场景与价值主张\n\nAI-Literacy-Superpowers特别适合：\n\n- 希望建立系统化AI辅助开发流程的技术团队\n- 需要跨项目保持代码质量和一致性的组织\n- 希望将隐性团队约定显性化和自动化的团队\n- 追求人机协作而非简单代码生成的开发者\n\n项目的价值在于它将AI Literacy框架从理论转化为可执行的实践。通过插件化的设计，开发者可以渐进式地采用这些实践，而不需要一次性重构整个工作流。\n\n## 总结与展望\n\nAI-Literacy-Superpowers代表了AI辅助开发工具演进的一个重要方向：从单纯的代码生成转向完整的工作流编排和环境约束。它证明了通过精心设计的"栖息地"，人类开发者和AI代理可以实现高效的协作。\n\n随着AI能力的持续提升，类似的框架将变得越来越重要。AI-Literacy-Superpowers为这一趋势提供了系统化的实践参考，值得技术团队关注和借鉴。