企业官网建设流程全解析

1. 什么是 Superpowers：一次解决“AI 不够聪明”的笨办法

大概每个重度使用 AI 助手的人，都经历过同一种挫败：模型明明很聪明，但你让它把一份 PDF 合同里的关键条款抽出来，它却给你一段泛泛而谈的摘要；你让它把会议录音的文字稿整理成待办事项，它输出了一堆正确的废话。问题几乎总不在模型身上，而在“它不知道该按什么流程干活”。

我最早接触 Superpowers，就是因为被这种“能力的颗粒度不对”逼急了。当时手头有几十份行业报告，需要统一提取产品、价格、政策依据三列信息，我试过写各种 long prompt，效果时好时坏；试过让人工先清洗再丢给模型，效率低得离谱。后来有同行告诉我：别折腾提示词了，去装个技能包。所谓 Superpowers，简单说就是一个开源的“AI 技能集合”，里面塞满了按领域拆好的工作流和操作模板。它存在的意义，就是替你把“这一步该怎么处理、结果该输出成什么格式”这些经验，固化成可复用、可分发、可插拔的模块，让 AI 在接到任务时直接按图索骥。

很多人会问：这不就是把提示词变了个花样吗？其实不是。提示词是短效药，每次对话都要重新叮嘱；技能是长效装备，一旦注册成功，模型会在合适的场景下自动加载整套规则。这就好比一个新手厨师，你给他口头讲一遍菜谱，他下次照样手忙脚乱；但你塞给他一张带流程图、温度表、时间轴的标准作业卡，他按卡操作，出品就稳定了。Superpowers 就是这个“作业卡合集”。

这篇文章我会从技能包的内部结构讲起，再依次说清楚安装、引入、自定义三个层面的实操方法，最后用我实际工作里的几个案例，聊聊这类工具的真实边界。无论你是刚接触 AI 技能的新手，还是已经用过一阵 Claude 但被各种“冷门配置”折磨过的老用户，这篇应该都能让你少走一些弯路。

2. 拆开看：技能包（Skill）到底长什么样

想用好 Superpowers，第一步不是急着安装，而是理解一个技能包在磁盘上到底是什么东西。这东西看着玄乎，其实结构简单得吓人。

一个标准的技能包就是一个文件夹，里面至少有一个名字固定为SKILL.md的 Markdown 文件。这个文件是整个技能的核心，它前半段是类似网页<meta>标签的元信息，用 YAML 格式写着技能的名字和描述；后半段是给模型看的操作正文，指名道姓地告诉模型：这个技能在什么场景下使用、按什么顺序处理、输出什么格式、有哪些禁止事项。Superpowers 里的几十个技能，绝大多数都遵循这个约定。

我拿其中一个典型的技能举例说明。比如 PDF 处理技能，它的描述部分会用一段很“主动”的话写：当用户上传 PDF 或要求解析带排版的文件时，使用该技能；正文部分则会写明“先提取文本、再识别表格结构、最后按原始字段重新组织输出”，并且附上一个输出模板，让模型照着填。这种“触发条件 + 操作流程 + 输出模板”的三段式设计，就是所有技能包通用的骨架。

2.1 为什么模块化比“告诉模型怎么做”更可靠

答案藏在模型的注意力机制里。你在提示词里写三百字的工作流程，模型未必每一句都当命令执行；但技能文件里的内容会被系统以独立任务上下文的形式注入，地位相当于系统指令，优先级远高于对话里临时说的话。换句通俗的话讲：提示词是你在酒吧跟调酒师口头描述的“随便调一杯”，技能是酒单上白纸黑字印着的“古典鸡尾酒配方”，后者不会因为你今天说话颠三倒四就改变配方。

这带来一个特别实际的好处：技能包可以被版本管理。你可以把SKILL.md放进 Git 仓库，改坏了能回滚，换了新电脑能一键同步。而我以前那些精心调过的提示词，一旦聊天窗口关了，就再也找不回来了——不是忘了存，而是根本没想到它们值得存。

2.2 Superpowers 项目里有哪几类技能

按我翻遍仓库后的观察，这套项目里的技能大致可以分成四个帮派：

• 文档处理类：PDF 信息提取、长篇报告摘要、转录文稿规范化、字幕文件清洗。这类技能解决的是“非结构化数据转结构化”的脏活累活。
• 内容创作类：品牌文案改写、脑暴命名、图表配色建议、Slogan 生成。它们的特点是提供多套可选的模板框架，而不是让模型自由发挥。
• 研究分析类：网页信息整合、竞品拆解、数据可视化前的字段梳理。这一类技能强调“先做啥再做啥”的顺序，防止模型跳步。
• 工程辅助类：正则表达式生成、代码评审清单、Git 提交信息规范。它们更像给开发者准备的军规清单。

你以为这些技能是给模型灌知识？ 错了。它们绝大部分内容不是知识，而是“最优实践的顺序”。比如竞品拆解技能，不会教模型什么是竞品，只规定拆解必须包含“产品定位、目标用户、核心功能、定价策略、渠道打法、近期动态”六块，每块输出一个段落，不许并列粘贴。你细品一下，这就是把优秀咨询顾问的思考框架搬进了技能文件。

这也就解释了 Superpowers 名字的由来：不需要模型自身变强，只要给它的工作方式装上模块化外骨骼，它就像拥有了超能力。

3. 从安装到上手的完整路径：三个方法逐个试

这部分是实操硬菜。我依次实测过三种安装方式，有省事的、有手动的、有适合折腾的，你按自己的需求选。

3.1 方法一：用 Skilled CLI 在线安装

Superpowers 社区最推荐的安装方式是使用一个叫 Skilled 的命令行工具。它相当于技能包的“应用商店客户端”，负责从远程仓库拉取技能、检查依赖、帮你放到正确位置。前提是你机器上有 Node.js 环境，然后在终端里跑：

# 全局安装 Skilled 命令行工具 npm install -g @kilobyte/skilled # 添加 Superpowers 技能市场 skilled marketplace add obra/superpowers # 查看市场里有哪些技能 skilled list # 安装一个叫 pdf 的技能 skilled install pdf

装完之后，Skilled 会自动把技能释放到当前用户全局目录下。在 Claude Code 环境中，这个目录通常是~/.claude/skills/；如果你是 Windows 环境，一般对应个人主目录（用户文件夹）下面的.claude\skills。装完不需要重启终端，但新开的对话才能看到技能生效。

这个方式的最大优点是省心：依赖关系、目录结构、命名冲突都由工具处理。它最大的缺点，用久了才能感受到——市场里的技能版本更新快，但 CLI 工具的同步机制偶尔会慢半拍，你早上刚看到某个技能发布了新版本，本地可能还得等半天才收到更新。

3.2 方法二：手动复制目录

如果你不想装额外的命令行工具，或者暂时用不到那么多技能，完全可以直接手动安装。思路特别直白：去 GitHub 上把obra/superpowers仓库下载下来，找到skills目录，里面每个子文件夹就是一个技能包。

# 只克隆仓库，不下载历史记录，速度快很多 git clone --depth 1 https://github.com/obra/superpowers.git # 看看有哪些技能 ls superpowers/skills # 把某个技能复制到 Claude 的全局技能目录 mkdir -p ~/.claude/skills cp -r superpowers/skills/pdf ~/.claude/skills/

复制完后，技能就算装好了。这里有个细节容易被新手忽略：技能目录的命名必须和SKILL.md里的name字段保持一致，大小写也要一致。比如你复制了pdf文件夹，但SKILL.md里的 name 写的是PDF-Robot，部分严格校验逻辑的老版本会不认这个技能。遇到这种情况，改目录名或者改 frontmatter，两边对上就行。

3.3 方法三：软链接实现持续同步

这个方法是我现在的主力方案。核心思路是不复制文件，把技能仓库放到固定位置，然后在技能目录里建一个软链接指向它。这样我只要在技能仓库里git pull，所有“安装”过的技能瞬间更新到最新版。

# 把仓库放到一个固定位置 git clone https://github.com/obra/superpowers.git ~/code/superpowers # 用软链接把仓库里的技能目录映射到 Claude 的全局技能目录 ln -s ~/code/superpowers/skills/pdf ~/.claude/skills/pdf ln -s ~/code/superpowers/skills/summarize-doc ~/.claude/skills/summarize-doc

软链接的好处不只是更新方便。你可以同时订阅多个技能市场，比如 Superpowers 是一个仓库，你自己建了一个团队私有仓库，里面是一些内部规范技能，那只需要把两个仓库的技能目录都以软链接形式丢进~/.claude/skills/，AI 就能同时识别两边的内容。它天生适合“公共技能 + 私有技能”混用的场景。

我踩过的一个坑必须提醒你：如果你用的同步工具（比如坚果云、网盘同步）开启了对符号链接的跟随同步，那么软链接指向的真实文件会被整个拖进网盘，跨设备同步时目录会变得极其混乱。所以用软链接方案的朋友，记得在同步白名单里把skills目录排除掉，或者干脆别对.claude目录做云同步。

3.4 装完之后怎么验证技能生效

很多新手装完技能满心欢喜问 AI“你装了哪些技能”，得到的答案是“我没有技能”——然后慌了。别慌，这不代表安装失败。Claude 这类模型遵循的规则是：技能描述里的触发条件不满足时，模型不会主动暴露技能存在，甚至可能拒绝承认自己会这些功能。验证技能是否生效的正确方法，不是问，而是直接甩给它一个该技能覆盖的任务。

比如你装了 PDF 技能，你就随便上传一份 PDF，然后要求“按表格字段提取信息”；装了心智图技能，就丢一段会议纪要，要求“输出为可编辑的思维导图结构”。模型如果能按技能正文里规定的格式和流程输出，说明技能已经激活了；如果输出明显偏离，再去检查目录层级和文件名。记住这个逻辑，能省掉你无数次对着空气质问 AI 的尴尬。

4. 怎么“引入”技能才最高效：触发机制与使用姿势

“装好”和“用好”之间，还隔着一层对触发机制的理解。这一层我分两块讲：系统层怎么决定要不要用技能，以及会话层你该怎么说话才能让对方放心地亮出技能。

4.1 自动触发：模型根据描述自己判断

Claude Code 的技能系统有一个隐藏的调度逻辑：每次对话把你当前需求与所有已装技能描述进行匹配，如果命中，就将该技能正文注入上下文。这意味着技能描述写得好不好，直接决定它会不会“该出手时就出手”。Superpowers 里那些口碑最好的技能，描述都有一个特点：明确写出触发场景与不触发场景。比如某个文风分析技能，描述里会写“当用户上传的是小说或自媒体长文时，使用该技能；当用户只要求字面翻译时，不要使用该技能”。

英文原文是 good practice；但在中文社区里，这个写法才是真正把经验盘活的关键。你用一个技能时，如果它经常该出场时不出场，先别骂模型，打开SKILL.md看看 description 是不是写得太窄或者太宽。这也是自定义技能里门槛最高的一步，我后面会展开讲。

4.2 手动点名：把技能当作工具函数来调用

除了自动触发，你也可以在提示词里显式点技能的名字。比如你同时装了 PDF 技能和文档摘要技能，你想只走摘要流程，直接说“使用summarize-doc技能处理这份报告，并且在最后给我一个关键词列表”。模型会把你的点名当成最高优先级指令，即使摘要技能描述里没有覆盖到“报告”这个场景，它也会照着技能正文执行。

这种手动点名的做法，对我这种有轻微控制欲的人简直太舒服了。它相当于把技能从“被动回调”变成了“主动调用”，你不用赌模型的判断，你自己当调度员。代价是你得多打几个字，但换来的是稳定可控的输出，我觉得很值。

4.3 技能的组成部件：不止一个 SKILL.md

谈到“引入”，就绕不开技能包里的多个部件。Superpowers 里的高级技能，普遍不只包含一个SKILL.md，很多带有一个assets（资源）文件夹和若干references（参考文档）文件夹。SKILL.md是总纲，references里往往放着更详细的操作子模块，当模型发现当前任务超出了总纲复杂度时，会去读取参考文档里对应的部分，这是带层级结构的技能包。

举个例子，有个处理大型文档的技能，总纲只写了四步主干流程，剩下大量关于“如何处理扫描版 PDF”“如何识别表格跨页”的细节全放在 references 里的小型说明文件中。模型不会一次把所有内容全加载进来，而是按需读取，这样既保证了主上下文的干净，又不丢失专业知识。明白这一点后，你再去看市场上那些技能包，就不会奇怪为什么有的技能文件夹里有五六个文件了——它不是冗余，是分层。

4.4 技能与对话上下文的边界

最后提一个很多人没意识到的心法：技能是“操作手册”，不是“数据库”。你要让 AI 的优势真正发挥，前提是任务里的原始材料还是要通过对话传给它；技能只负责规定处理步骤，并不能凭空变出外部知识。

我见过有朋友装了个“行业研究报告”的技能就问它：“请帮我写一份2026年新能源汽车行业分析”。技能按流程跑了一遍，输出倒是漂亮，但里面的数据是模型靠预训练记忆在硬凑。我后来给他的建议是：先把技能里的“联网搜索”“资料读取”步骤真正接上，再让它写。技能给了方法，数据还是要用正规渠道去喂。这个边界守住，你才不会被技能生成的那种“看起来很专业”的内容误导。

5. 动手写第一个自定义技能的踩坑记录

用熟了现成的技能，你就会想给它加上自己业务的私货。毕竟 Superpowers 再好，也是别人总结的通牌打法；真正让你干活效率翻倍的，往往是量身定做的私有技能。下面这段，是我自己从零写一个“周报汇总技能”时的全记录，包括翻车过程。

5.1 项目背景与最初的失败

我的需求不复杂：每周五要把团队这一周在聊天工具里产生的进展记录，自动汇总成一份结构化周报，包括“本周进展、风险、下周计划、需要协调事项”四块，而且语气要简洁。听起来是个绝佳的技能场景，我便照着模板在项目.claude/skills/下创建了weekly-report/SKILL.md。

第一次测试，我输入“把这几天的记录整理成周报”，模型确实调用了技能，但输出的结构跟我的预期差了十万八千里——它把聊天记录里有人的表情包描述都当成“风险”列了出来，提交评审时被同事一顿吐槽。

问题的根源在于我只写了“做什么”，没写“不做什么”。技能正文里光有“按四个板块输出”，模型自然把每条原话都对应到板块里，宁可错杀也不漏掉。我后来在技能里加了一句操作红线：“只处理与工作目标相关的文字，对寒暄、插入语、表情符号描述直接忽略，风险板块只列可能导致项目延期的内容”，效果立刻判若两人。

5.2 描述（description）怎么写才能精准触发

这次踩坑让我第一次认真研究起 description 的写法。规则其实可以总结为三句话：具体场景 + 正面触发条件 + 负面排除条件。

比如我之前写的：

--- name: weekly-report description: 将聊天记录或其他杂乱文字整理为周报。 ---

这个描述等于没写。它没有限定“什么场景”会被触发，导致场景匹配时模型拿不准该不该用；也没有给足“哪些不要触发”的边界，有一次我只想让人写个会议邀请，模型居然也启动了周报技能，输出了一堆废话。

我重写这一版后才真的稳定下来：

--- name: weekly-report description: 当用户提交多条聊天消息、会议记录，且要求汇总为周报/进展同步/风险登记时使用。若用户只是需要普通摘要或问答，不要使用本技能。 ---

注意双向判定。写清楚“什么时候用它”，也写清楚“什么时候别用它”，模型的调度准确率会明显提升。这跟当客服的套路一模一样：你告诉用户能办什么业务只解决了一半问题，你还得告诉对方哪些事找隔壁窗口。

5.3 让技能学会“渐进式追问”

第二个坑出在信息缺口处理上。刚开始我的技能正文要求模型直接整理，结果模型每次都在那里猜：某些进展描述不清时，它自作主张把事情归为风险。后来我在技能里规定：“当发现以下情况时，必须列出‘待补充信息’清单，不得自行臆测：项目名缺失、时间节点模糊、决定尚未确认、责任人未指定。”

这一招有效地让 AI 在“快速产出”和“准确产出”之间选择了后者。它的底层逻辑其实是把“追问”变成了技能流程的一部分，而不是靠模型临场反应。你想想，模型它在大部分对话里追求的是顺手、流畅地把活干完，你若不让它追问，默认就闷头猜。这是模型的工作惯性，技能的价值就是打断这种惯性，替用户把对准确性的要求前置。

5.4 模板和示例文件：直接给答案是最好的说明书

技能文件里除了规则，还可以放“金鱼记忆”一样精确的示例。我在weekly-report技能包里放了一个examples/示例周报.md文件，里面是一份我亲手写的满分周报。SKILL.md里规定：“当用户没有指定格式时，先模仿examples/示例周报.md的结构再输出。”模型不需要理解什么叫“简洁精准”，它只需要看见一个样例，能在输出时直接对齐。

对模型来说，一个具体的例子胜过十句抽象的描述。你在自定义任何技能时，至少给一个“标准答例”作为参照物，成本低但效果立竿见影。这个经验适用层面很广：无论是写作类技能、代码类技能还是数据分析类技能，我都建议你放例子，不是放在对话里，而是作为技能包的资源文件，让技能重复调用时始终有据可依。

5.5 技能里藏着的隐性成本

最后一个提醒：一个技能一次会话只能有一个“主场”逻辑。换句话说，别把一个技能写成什么都干的“瑞士军刀”，因为技能正文越长，模型执行时越容易在内部打架。我见过有人一个自定义技能里既写“处理纪要”又写“生成海报”还写“检查代码规范”，结果输出的时候四种逻辑互相污染，客户看了以为 AI 发烧了。

正确做法是把大而全拆成小而专：一个技能对应一个场景、一套动作、一类输出。如果两个技能存在明确的处理顺序（先纪要后报告），就在各自的 description 里写明“建议在前置任务完成后调用”，模型会有衔接意识。记住：技能是工厂流水线上的工位，不是摆地摊的杂货铺，职责边界越清晰，输出越稳定。

6. 这些技能在实际工作中的真实表现

理论说了不少，拿我最近两个月的工作记录做一次“素人实测”，可能更有说服力。我不挑完美案例，失败案例一样列出来，这样你心里才有数。

6.1 文档类技能的甜头：PDF 技能救了我的周报

前阵子我被拉进一个项目评审，对方发来三四份 PDF，加起来两百多页，里面有大量表格和页眉页脚。以前我都是先手动复制内容再磨模型，那天我用了 PDF 技能，把三份文件丢进去说“提取所有带金额的表格，按合同编号汇总”。技能自动走了“识别页眉页脚—提取正文—定位表格—重排列”流程，输出的结果虽然不是完美无瑕，但至少把所有金额数字精准对上了页数和日期，我核对一遍就交付了，省了至少半天。

6.2 内容创作类技能：品牌文案技能的两面性

品牌文案技能给过我很惊艳的效果。跨部门同事让我给新产品出三个中文命名方向，我调用了这个技能，它立刻按“寓意关键词拆解、发音联想、多语言敏感词排除”三个步骤给了三轮候选，第四轮还额外给了一组“不建议使用”的名单，理由充分。这个技能塑造了一种“上桌先说结论、再拆依据”的风格，很符合汇报场景。

但同一技能也有失灵的时候：换了一款更偏文化内敛的产品后，技能给出的命名方向全带着洋气直给的互联网味，明显没有理解我当时补充的“要含蓄、要有东方底蕴”指令。后来我反思，技能正文里模板词太强势，会压制模型对用户个性化指令的感受力。解决方案很简单，我在技能里加了一条：“若用户有明确风格偏好，优先遵循用户描述，模板仅作默认兜底。”一改之后，这个技能基本就一直在线了。

6.3 工程辅助类技能：写代码时的“纪律委员”

某次写一个小爬虫，我调用了工程辅助技能，它给我列了一个“12 项代码自查清单”，包括“断点续爬、请求异常重试、日志脱敏、遵守 robots 策略”等。说实话其中好几项我以前是不写的，因为嫌麻烦，但技能把它变成流程里的固定动作后，我反而不容易漏。这个体验很像健身时请了个私教盯动作，你未必需要他帮你扛铁，但他在边上喊一句“核心收紧”，你就真的不会塌腰了。

6.4 技能的翻车时刻：别把它当数据库用

我前面就强调过，技能不是数据库。有次我用一个分析技能去让它解读一份没有上传任何具体数据的“销售报表”，它竟然也能流畅地生成一份“月度销售趋势分析”，问题是里面的数据全来自模型自己的脑补。那次之后，我给自己立了规矩：任何技能任务，必须保证原始数据已在对话上下文里；如果技能正文里写了“先读取附件”“先查询接口”，就老老实实先给附件、先跑接口，不让模型打着技能的旗号瞎编。

这个边界怎么强调都不过分。技能负责纪律，模型负责生成，数据负责事实，三者各司其职，才能构成一个真正可信的内容生产线。缺了哪一块，输出都会变得外强中干。

7. 关于技能生态的几点个人体会

文章快收尾了，聊点主观的看法。

我个人的感觉是，Superpowers 这类技能体系的出现，本质上是把“提示词工程”从手工作坊推进到了工业化时代。以前调教一个模型，像是在跟它谈一场没有定数的恋爱，每一次对话都要重新试探；现在我们做的是给它建一套标准化作业指引体系，让每个领域的高手经验都能沉淀下来、复制出去。这个变化对普通用户最大利好，是不再需要知道“模型底层为什么这么回答”，你只需要关心技能描述写没写清楚。

从维护成本看，技能包的版本化也让我这种信息管理强迫症极度舒适。一个技能如果老在特定场景下翻车，我可以只改技能文件，而不用把责任推到“模型能力不足”上。因为大部分所谓“能力不足”，其实是流程缺失，是上下文里的操作说明不够清晰。技能把这点包装成了一个可维护的产物。

最后给想自己动手的朋友一个建议：别一上来就把市面上几百个技能全装了，技能越多，调度越容易混乱，模型反复审视技能描述也会拖慢响应。先挑自己重复频率最高的三五个场景，装对应的技能；等用熟了，再根据自己的业务逻辑去修改、组合。真正让你效率暴涨的，永远不是别人写好的通牌技能，而是你基于自己的流程，改造出来的那一套属于自己的“superpowers”。

就当它是给你的 AI 助手添了一套趁手的兵器，兵器不在多，趁手最重要。