Superpower 不是最「聪明」的，这个开源项目让模型学会资深工程师的肌肉记忆

Waza 是一套为 AI 编程助手设计的技能集合，把资深工程师的「隐性知识」转化成 AI 可以执行的标准化流程。

AI 编程的「最后一公里」问题

GPT-4、Claude 这些大模型，写代码的能力已经相当强了。你给它一个需求，它能噼里啪啦给你敲出一堆代码来。

但问题来了------它写出来的代码，总差那么点意思。

不是说语法错误，而是那种「一看就是新手写的」感觉。代码能跑，但不够优雅；功能实现了，但考虑不周全。

为什么？

因为编程不只是写代码。一个资深工程师的价值，往往体现在那些「不写在代码里」的东西上：

• 需求分析时的压力测试
• 写代码前的架构思考
• 出 bug 时的根因分析
• 代码审查时的细节把控
• 文档写作时的表达打磨

这些能力，我们称之为「工程习惯」或者「肌肉记忆」。它们是工程师多年实战积累下来的直觉，很难用几句话说清楚。

Waza 想做的，就是把这些「隐性知识」显性化，变成 AI 可以执行的技能。

Github:

github.com/tw93/Waza

核心设计：8 个技能，8 种工程直觉

Waza 的核心是 8 个技能，每个对应一种关键的工程习惯：

技能	触发时机	做什么
/think	开始新功能前	挑战问题本身，压力测试设计方案，生成可执行的计划
/ui	做前端界面时	产出有设计感的 UI，而不是千篇一律的默认样式
/check	任务完成后	审查代码差异，提取项目约束，处理发布流程
/hunt	遇到 bug 时	系统性调试，先找到根因再动手修复
/write	写文档时	重写文案，让中英文都读起来自然流畅
/learn	学习新领域时	六阶段研究工作流：收集→消化→大纲→填充→精炼→发布
/read	读 URL/PDF 时	平台特定的路由处理，智能摘要或转换
/health	审计 Agent 时	检查配置、权限、输出质量，给出预算感知的摘要

注意：8 个是硬上限。 作者明确说了，不许加第 9 个，也不许拆分现有的。这种克制很聪明------技能太多会稀释每个技能的价值。

---

设计哲学：给目标，不给路径

Waza 最有意思的设计理念，体现在这句原话里：

"Give the model the target, not the path."

翻译过来就是：告诉模型你要什么结果，但别规定它怎么走。

这和大多数 AI 工具的思路相反。很多工具喜欢写一大堆流程图、步骤说明，恨不得把每一步都规定死。

但 Waza 说：不行。因为------

1. 模型在进化。今天需要 10 步才能完成的任务，明天可能 3 步就搞定了。规定太死反而限制了模型发挥。

2. 判断力比执行力更重要。写代码是执行，但「该不该写这个功能」「这个设计够不够优雅」是判断。Waza 把判断的责任留给模型，只提供清晰的目标和约束。

3. 简洁是硬约束。每个技能都经过「no-op 测试」：如果删掉某句话，模型的行为会变吗？如果不会，那就删。因为「说了等于没说」的废话只会消耗 context，没有任何价值。

技能链：组合使用的威力

单个技能已经很有用，但 Waza 的真正威力在于技能链------多个技能串联使用。

几个典型的工作流：

规划新功能：

/think → 审批 → "实现 X" → /check → 合并

修复 bug：

/hunt → 修复 → /check → 发布

研究并写作：

/read（获取资料） → /learn（综合分析） → /write（润色表达）

调试并验证：

/hunt（找根因） → 修复 → /check（审查变更）

关键是：每次技能切换都是手动触发的。一个技能完成后会停下来，等你决定下一步做什么。

这种设计很聪明。它把控制权留给了人类，避免了 AI 一激动把所有步骤都跑完、中间出错也停不下来的情况。

技术实现：简约而不简单

从技术角度看，Waza 的实现相当克制：

技术栈：

• Markdown（技能定义）
• Shell（辅助脚本）
• Python（验证脚本）

没有花里胡哨的框架，没有复杂的依赖。整个项目就是一堆 Markdown 文件 + 一些轻量脚本。

目录结构：

skills/          # 8 个核心技能
rules/           # 共享的行为规则
scripts/         # 构建和验证脚本
tests/           # 冒烟测试
plugins/         # Codex 插件镜像

安装方式：

npx skills add tw93/Waza -a claude-code codex cursor -g -y

一条命令，自动适配多种 AI 编程工具（Claude Code、Codex、Cursor 等）。

验证机制：

make test          # 跑所有测试
make regenerate    # 重新生成元数据
make package       # 打包发布

有完整的 CI/CD 流程，每次变更都要通过测试。

亮点拆解：几个值得学习的设计

1. 项目感知的代码审查

/check 技能有个很聪明的设计：它会自动读取目标仓库的公开上下文（README、package.json、CI 配置等），理解项目的特定约束，然后基于这些约束来审查代码。

这意味着：它不是用一套通用标准来审查所有项目，而是会根据每个项目的特点调整审查重点。

2. 持久化上下文预检

多个技能共享一个「持久化上下文预检」（Durable Context Preflight）。在执行任何技能之前，先检查是否有必要上下文。这避免了重复加载，也确保了技能之间的信息连贯性。

3. 防抖动设计

每个技能都有「Gotchas」表格，记录真实项目中踩过的坑。这些不是理论推演，而是从 300+ 次会话、7 个真实项目中提炼出来的失败经验。

4. 反模式规则

rules/anti-patterns.md 定义了跨技能的行为护栏：

• 先读再做
• 不要超出范围
• 不要主动总结

这些规则适用于所有 8 个技能，确保 AI 不会「自作主张」。

项目背景：三部曲中的「老二」

Waza 不是孤立存在的，它是 tw93 的「编程三部曲」之一：

项目	日文	含义	角色
Kaku	書く	写	爸爸（写代码）
Waza	技	技巧	姐姐（练习习惯）
Kami	紙	纸	妹妹（发布文档）

这个拟人化的比喻挺有意思的。写代码是基础（爸爸），练习习惯是进阶（姐姐），发布文档是收尾（妹妹）。

三个项目各司其职，共同构成了一个完整的 AI 编程工作流。

横向对比：三大 AI 编程技能库

AI 编程技能库不只是 Waza 一家。目前最火的三个项目是：Waza 、Superpowers 和 mattpocock/skills。它们各有侧重，适合不同场景。

维度	Waza (tw93)	Superpowers (obra)	mattpocock/skills
Stars	6.9k	21.8k	240k
安装量	-	100万+	-
技能数量	8 个（硬上限）	20+	15+
核心理念	给目标，不给路径	强制 TDD 纪律	解决四大失败模式
技术栈	Markdown/Shell/Python	Markdown/TypeScript	Markdown
TDD 支持	无	强制（先写测试）	有（/tdd）
调试能力	/hunt（根因分析）	有（系统性调试）	/diagnosing-bugs
代码审查	/check（项目感知）	有（子代理审查）	/code-review
需求对齐	/think（压力测试）	/brainstorm	/grill-me
领域建模	无	无	/domain-modeling + CONTEXT.md
前端设计	/ui	无	无
学习研究	/learn + /read	无	/research
写作润色	/write	无	无
健康审计	/health	无	无
安装方式	npx skills add	Claude Code plugin	Claude Code plugin / npx skills
多工具支持	Claude/Codex/Cursor/Antigravity	Claude Code 为主	Claude Code 为主
项目背景	三部曲之一（Kaku/Waza/Kami）	独立项目	个人经验结晶
适用人群	全栈工程师	重视 TDD 的团队	重视架构设计的团队

差异化定位

Waza 的独特价值：

• 唯一支持 /ui（前端设计）和 /write（写作润色）
• 唯一提供 /health（Agent 健康审计）
• 克制的设计：8 个技能是硬上限，拒绝功能膨胀
• 多工具支持最好（Claude/Codex/Cursor/Antigravity）

Superpowers 的独特价值：

• 强制 TDD 纪律：如果先写代码再写测试，它会删掉你的代码
• 子代理架构：每个任务用独立 AI 实例，避免上下文污染
• Anthropic 官方验证，安装量破百万

mattpocock/skills 的独特价值：

• 领域建模能力最强（/domain-modeling + CONTEXT.md）
• 解决「代码库变成泥球」的问题（/improve-codebase-architecture）
• 社区最大（240k Stars），文档最丰富

选择建议

你的情况	推荐
想要「少即是多」，不想要太多选择	Waza
团队代码质量参差不齐，需要强制规范	Superpowers
项目复杂，需要领域建模和架构治理	mattpocock/skills
需要前端设计或写作润色	Waza
需要多工具支持（Codex/Cursor）	Waza
重视 TDD 和子代理协作	Superpowers

适用场景：谁会用这个？

最适合的人群：

1. 日常使用 AI 编程工具的开发者：如果你已经在用 Claude Code、Copilot 等工具，Waza 能显著提升输出质量。

2. 技术团队的负责人：可以作为团队的「AI 编程规范」，统一 AI 辅助编程的质量标准。

3. AI 工具的深度用户：想让 AI 更好地理解工程思维，而不只是当个代码生成器。

不太适合的场景：

• 完全不用 AI 编程的人
• 只需要简单代码生成的场景
• 对 AI 编程输出质量要求不高的项目

Github:

github.com/tw93/Waza

个人评价：克制是最大的美德

看完 Waza 的代码和文档，我最大的感受是：克制。

8 个技能是硬上限，不许加。 每句话都要经过 no-op 测试，没用的就删。 不搞复杂的框架，Markdown + Shell + Python 就够了。 不规定模型的路径，只给目标和约束。

这种克制，反而让 Waza 有了更强的生命力。

因为简洁的东西更容易维护，更容易传播，也更容易被模型理解。

在一个 AI 工具百花齐放的时代，Waza 选择了「少即是多」的路线。它不试图解决所有问题，只专注于 8 个最关键的工程习惯。

这种专注，值得学习。

关注

如果你对 AI 编程、开发者工具、开源项目感兴趣，欢迎关注本公众号。