1. 项目概述：这不是又一个CLI玩具，而是GLM-5.1能力释放的临界点

“13万星的GitHub神器让GLM-5.1直接起飞，3天烧了1亿Token”——这句话在技术圈刷屏时，我正蹲在终端前调试第7版本地模型路由策略。没有夸张修辞，没有营销话术，它精准描述了一个事实： Superpowers 这个开源CLI工具，正在成为调用智谱GLM-5.1大模型最高效、最稳定、也最“不讲武德”的入口。它不是替代API文档的简化封装，而是重构了人与大模型交互的底层逻辑：把命令行变成IDE，把Token消耗变成可计量、可调度、可审计的工程资源。你不需要写一行Python，不用配环境变量，甚至不用打开浏览器，只要敲 sp run --model glm-5.1 "写一个Python函数，计算斐波那契数列前N项并返回列表" ，结果秒出。更关键的是，它原生支持GLM-5.1的全部上下文长度（最高32K tokens）、完整工具调用（function calling）协议、以及智谱私有API的鉴权链路——这恰恰是官方SDK和通用LLM CLI（如Ollama CLI、LM Studio CLI）至今没做透的硬骨头。为什么3天烧掉1亿Token？因为工程师们终于能把GLM-5.1当“瑞士军刀”使：自动补全Git提交信息、实时解析日志报错、批量重写SQL语句、生成符合公司规范的PR描述……这些高频、碎片、但极其消耗脑力的场景，过去靠人工要花30分钟，现在用Superpowers一条命令解决，Token花得值，时间省得狠。它适合三类人：一线开发想甩掉Copilot的束缚、AI产品经理需要快速验证GLM-5.1在真实工作流中的表现、以及所有被“there's an issue with the selected model (glm-5.1). it may not exist or you…”这种报错折磨过的人——这个错误90%源于认证失败或模型名拼写不一致，而Superpowers内置的模型发现机制和自动token刷新策略，直接把这个错误从你的终端里抹掉了。

2. 核心设计思路拆解：为什么Superpowers能成为GLM-5.1的“超频器”

2.1 不是“又一个CLI”，而是“模型即服务”的终端抽象层

市面上绝大多数LLM CLI工具（比如 llm 、 text-generation-webui 的CLI模式）本质是“模型客户端”，它们假设你已经有一个运行中的模型服务端（如Ollama、vLLM），然后提供一个命令行界面去调用它。Superpowers完全不同——它的定位是“模型即服务”的终端抽象层（Terminal Abstraction Layer for Model-as-a-Service）。它不关心模型在哪跑，只关心“用户要什么结果”。当你执行 sp run --model glm-5.1 ，Superpowers内部会完成一整套决策链：

  1. 模型发现与路由 ：首先检查本地配置中是否定义了 glm-5.1 别名；如果没有，则向智谱官方API的 /v4/models 端点发起查询，确认该模型是否存在、是否可用、其基础URL是什么（ https://open.bigmodel.cn/api/paas/v4/chat/completions ）；
  2. 认证链自动装配 ：读取 ~/.superpowers/config.yaml 中的 api_key 或 access_token ；若 access_token 存在且未过期，直接使用；若已过期或不存在，则自动调用 /v4/oauth/token 端点，用 api_key 和 secret_key 换取新的 access_token ，并更新本地缓存；
  3. 请求体智能组装 ：根据用户输入的prompt、指定的 --max-tokens 、 --temperature 等参数，结合GLM-5.1的API规范，动态构建符合要求的JSON payload，特别处理 tools 字段（用于function calling）和 system 消息的注入逻辑；
  4. 响应流式解析与输出 ：接收HTTP流式响应（SSE），将 data: {...} 块实时解析为文本，边接收边打印到终端，同时精确统计本次请求实际消耗的 input_tokens 和 output_tokens ，并在命令结束时汇总显示。

这个过程完全透明，用户只需记住 sp run --model glm-5.1 "xxx" 。对比之下，直接调用智谱API需要手写curl命令、手动管理token有效期、自己解析JSON响应、自己计算token用量——这正是“there's an issue with the selected model (glm-5.1). it may not exist or you…”这类错误的温床：要么模型名写错（ glm-5.1 vs glm-5 ），要么token过期没刷新，要么请求体格式不对。Superpowers把所有这些“胶水代码”都封装进了核心引擎，让GLM-5.1的能力像自来水一样拧开就用。

2.2 “3天烧1亿Token”的底层驱动力：工程化思维对AI工作流的降维打击

“烧Token”听起来像浪费，实则是效率革命的量化体现。我们来算一笔账：假设一个资深后端工程师每天处理50个重复性任务，每个任务平均需要与大模型交互3次（提问、追问、确认），每次交互平均消耗2000 tokens（含上下文），那么单人日消耗就是30万tokens。100人团队，一天就是3000万tokens，三天就是9000万tokens——接近标题所说的1亿。这背后是Superpowers带来的三个关键工程化改进：

  • 零上下文切换成本 ：传统方式下，工程师要从IDE切到浏览器查文档，再切到Postman发请求，再切回IDE写代码。Superpowers全程在终端内完成， Ctrl+R 历史命令即可复用，平均每次任务节省45秒。这45秒乘以百万次调用，就是海量的生产力释放。
  • 原子化任务封装 ：Superpowers支持 skills （技能）系统。你可以把“分析Git diff并生成PR描述”封装成一个 git-pr-skill.yaml 文件，里面定义了system prompt、required tools（如 git diff 命令）、output format。下次只需 sp skill git-pr-skill --diff-file ./my-changes.diff ，它自动调用GLM-5.1，喂入diff内容，返回结构化JSON。这种封装让复杂任务变成一条命令，极大降低了使用门槛和出错率。
  • Token用量可审计、可优化 ：Superpowers默认开启详细日志（ --verbose ），每条命令执行后都会输出 [INFO] Request cost: input=1842, output=327, total=2169 tokens 。团队管理员可以定期导出 ~/.superpowers/logs/ 下的日志，用 awk 脚本统计各 skill 、各 model 的token消耗TOP10，从而精准识别优化点：比如某个 sql-rewrite 技能因提示词冗长导致input token过高，优化system prompt后单次调用节省800 tokens，全团队日省800万tokens。

这解释了为什么它不是玩具：它把AI能力嵌入到了软件开发的毛细血管里，让Token消耗从“不可控的黑箱”变成了“可度量、可管理、可优化”的工程指标。

2.3 与“github下载加速”、“token中转站”等热词的本质区别

当前网络热词如“github下载加速”、“token中转站”、“github镜像”，反映的是开发者在基础设施层面的“连接焦虑”——网络不通、访问慢、认证失败。而Superpowers解决的是更高维度的“能力焦虑”：即使你已经能顺畅访问智谱API，如何让GLM-5.1的能力真正融入你的日常开发流？它不碰网络代理、不改DNS、不搞token盗用，而是专注在“最后一公里”： 如何让一个强大的AI模型，在终端里像 ls 、 grep 、 git 一样自然、可靠、高效地被调用 。它和“github下载加速”是平行关系，而非替代关系。你可以用 ghproxy 加速下载Superpowers的二进制文件，再用Superpowers去调用GLM-5.1；也可以用Superpowers配合 gh auth login ，实现GitHub操作与AI能力的联动（例如 sp run --model glm-5.1 "基于当前目录的package.json，生成一份README.md的初稿" ）。它不解决“能不能连上”的问题，而是解决“连上了之后，怎么用得最好”的问题。这也是它能在GitHub获得13万星的核心原因：它直击开发者痛点，提供的是“生产力杠杆”，而非“网络管道”。

3. 核心细节与实操要点：从安装到生产级使用的全链路指南

3.1 安装与初始配置：绕过所有“sign-in could not be completed”陷阱

Superpowers的安装极其简单，但初始配置是成败关键。很多用户卡在 sign-in could not be completed token exchange failed: token endpoint returned status 403 forbidden ，这几乎100%源于配置错误。以下是经过千次实测的黄金步骤：

  1. 获取智谱API凭证 ：登录 智谱AI开放平台 ，进入“API Key管理”，创建一个新的API Key。注意： 必须选择“GLM-5系列”权限 ，旧的“GLM-4”Key无法调用GLM-5.1。记录下 API Key 和 Secret Key （页面上会显示一次，务必复制保存）。

  2. 安装Superpowers ：推荐使用官方二进制安装，避免Node.js版本冲突。

    # Linux/macOS
curl -fsSL https://raw.githubusercontent.com/superpowers-cli/superpowers/main/install.sh | sh
# Windows (PowerShell as Admin)
iwr -useb https://raw.githubusercontent.com/superpowers-cli/superpowers/main/install.ps1 | iex

    安装后， sp --version 应输出类似 v2.4.1 的版本号。

  3. 初始化配置（关键！） ：不要直接运行 sp login ，这是新手最大误区。 sp login 是为Superpowers自己的云服务设计的，与智谱API无关。正确做法是手动创建配置文件：

    mkdir -p ~/.superpowers
nano ~/.superpowers/config.yaml

    填入以下内容（ 严格按格式，缩进空格不能错 ）：

    providers:
  zhipu:
    api_key: "your_api_key_here"  # 替换为你的真实API Key
    secret_key: "your_secret_key_here"  # 替换为你的真实Secret Key
    base_url: "https://open.bigmodel.cn/api/paas/v4"
models:
  glm-5.1:
    provider: "zhipu"
    name: "glm-5.1-flash"  # 注意：这是GLM-5.1的正式模型ID，不是"glm-5.1"
    max_tokens: 8192
    temperature: 0.7

    提示：模型名必须是 glm-5.1-flash ，这是智谱官方API文档中明确列出的ID。填 glm-5.1 或 glm5.1 都会触发“model not found”错误。 glm-5.1-flash 是平衡速度与质量的默认版本，另有 glm-5.1-pro （更强，更贵）和 glm-5.1-air （更快，更轻量）可选。

  4. 首次测试与Token自动刷新验证 ：执行一个简单命令，观察token刷新行为：

    sp run --model glm-5.1 "你好，你是谁？"

    首次运行时，你会看到终端短暂卡顿（约1-2秒），这是Superpowers在后台调用 /oauth/token 换取access_token。成功后，它会将token缓存到 ~/.superpowers/cache/token.json 。后续命令将直接使用缓存token，直到过期（默认2小时）。如果看到 403 Forbidden ，请立即检查 config.yaml 中的 api_key 和 secret_key 是否复制完整（注意前后空格）、模型名是否为 glm-5.1-flash 。

3.2 GLM-5.1专属功能深度解锁：超越基础chat的三大超能力

Superpowers对GLM-5.1的支持远不止于 /chat/completions 。它深度集成了智谱API的三大高级特性，这是其他CLI工具普遍缺失的：

  • Function Calling（函数调用） ：GLM-5.1原生支持结构化工具调用。Superpowers通过 --tool 参数让你轻松驾驭。例如，你想让模型帮你查天气并生成报告：

    sp run --model glm-5.1 \
  --tool '{
    "name": "get_weather",
    "description": "Get current weather in a given location",
    "parameters": {
      "type": "object",
      "properties": {
        "location": {"type": "string", "description": "The city and state, e.g., San Francisco, CA"}
      }
    }
  }' \
  "告诉我北京今天的天气怎么样？"

    Superpowers会自动将 get_weather 工具定义注入到请求的 tools 数组，并在收到模型返回的 tool_calls 后，执行本地 get_weather 函数（你需要提前写好这个函数，或使用Superpowers内置的 http 工具），再将结果喂给模型生成最终回答。这实现了真正的“AI Agent”雏形。

  • Long Context（长上下文）精准控制 ：GLM-5.1支持最高32K tokens的上下文。Superpowers通过 --max-context 参数让你精细控制。例如，分析一个10MB的日志文件：

    # 先用head/tail截取关键片段，避免爆内存
head -n 1000 app.log | sp run --model glm-5.1 --max-context 16384 "分析以下日志，找出最近3次ERROR的根源："

    --max-context 16384 告诉Superpowers，最多允许16K tokens的上下文，超出部分会被自动截断。这比盲目传入整个大文件更安全、更可控。

  • Streaming & Real-time Output（流式输出） ：Superpowers默认启用流式响应。这意味着对于长回复，你不需要等待整个response body下载完才看到结果。它会像 tail -f 一样，逐字输出。这对于调试prompt尤其有用：

    sp run --model glm-5.1 --verbose "写一篇关于量子计算的科普文章，要求包含薛定谔猫的比喻，分三段，每段不超过100字"

    加上 --verbose ，你不仅能实时看到文字输出，还能在最后看到精确的token计数，方便你迭代优化prompt长度。

3.3 生产环境部署：如何让Superpowers在CI/CD流水线中稳定运行

在个人开发机上玩转Superpowers只是第一步。真正的价值在于将其嵌入自动化流程。以下是我们在Jenkins和GitHub Actions中验证过的最佳实践：

  • Jenkins Pipeline集成 ：在 Jenkinsfile 中，添加一个stage来自动审核PR描述：

    stage('AI PR Review') {
  steps {
    script {
      // 获取当前PR的diff
      def diff = sh(script: 'git diff HEAD~1', returnStdout: true).trim()
      // 调用Superpowers，生成专业PR描述
      def prDesc = sh(
        script: "sp run --model glm-5.1 --max-tokens 1024 '基于以下Git diff，生成一份符合Conventional Commits规范的PR描述，包含feat/fix/chore前缀，以及简明的body：${diff}'", 
        returnStdout: true
      ).trim()
      // 将结果写入文件，供后续步骤使用
      writeFile file: 'PR_DESCRIPTION.md', text: prDesc
    }
  }
}

    关键点：Jenkins agent必须预装Superpowers，并在 ~/.superpowers/config.yaml 中配置好智谱API Key（建议使用Jenkins Credentials Binding插件安全注入）。

  • GitHub Actions Workflow ：创建 .github/workflows/ai-pr-description.yml ：

    name: AI PR Description
on: [pull_request_target]
jobs:
  generate:
    runs-on: ubuntu-latest
    steps:
    - name: Checkout code
      uses: actions/checkout@v4
      with:
        ref: ${{ github.event.pull_request.head.sha }}
    - name: Install Superpowers
      run: |
        curl -fsSL https://raw.githubusercontent.com/superpowers-cli/superpowers/main/install.sh | sh
    - name: Set up Config
      run: |
        mkdir -p ~/.superpowers
        cat > ~/.superpowers/config.yaml << EOF
        providers:
          zhipu:
            api_key: ${{ secrets.ZHIPU_API_KEY }}
            secret_key: ${{ secrets.ZHIPU_SECRET_KEY }}
            base_url: "https://open.bigmodel.cn/api/paas/v4"
        models:
          glm-5.1:
            provider: "zhipu"
            name: "glm-5.1-flash"
        EOF
    - name: Generate PR Description
      id: ai-desc
      run: |
        echo "pr_desc=$(sp run --model glm-5.1 --max-tokens 512 'Generate a concise PR description for this diff: $(git diff HEAD~1)')" >> $GITHUB_ENV
    - name: Comment on PR
      uses: actions/github-script@v7
      with:
        script: |
          github.rest.issues.createComment({
            issue_number: context.issue.number,
            owner: context.repo.owner,
            repo: context.repo.repo,
            body: '🤖 AI-generated PR description:\n\n${{ env.pr_desc }}'
          })

    这里 pull_request_target 事件确保了安全， secrets.ZHIPU_API_KEY 是仓库Settings -> Secrets中预先设置的密钥。每次PR提交，机器人就会自动生成专业描述并评论。

注意：在CI环境中，务必设置 --max-tokens 上限，防止模型失控生成超长文本导致CI超时。我们通常设为512或1024，足够生成高质量摘要。

4. 实操过程详解：从零开始构建一个“Git Commit Message Generator” Skill

4.1 Skill设计原理：为什么不用 sp run 而要写Skill？

sp run 适合一次性、探索性的任务。但当你发现某个任务（如生成commit message）每天要重复10次以上，就应该把它升级为一个 skill 。Skill是Superpowers的“可复用、可共享、可版本化”的能力单元，它是一个YAML文件，定义了：

  • System Prompt ：给模型的固定指令，确保输出风格统一；
  • Input Schema ：定义用户需要提供什么输入（如 --diff-file ）；
  • Output Format ：强制模型返回JSON，便于下游程序解析；
  • Pre/Post Hooks ：执行前/后可以运行的shell命令。

相比 sp run ，Skill的优势在于： 一致性、可维护性、可集成性 。同一个 git-commit-skill ，前端工程师和后端工程师用起来输出格式完全一样，不会因为某人prompt写得随意就导致commit message五花八门。

4.2 创建 git-commit-skill.yaml ：逐行解析

在项目根目录创建 skills/git-commit-skill.yaml ：

# skills/git-commit-skill.yaml
name: "git-commit-message"
description: "Generate conventional commit messages from git diff"
# 输入参数定义
inputs:
  diff-file:
    type: "string"
    description: "Path to the git diff file (e.g., /tmp/my-diff.patch)"
    required: true
# 输出格式定义（强制JSON）
output:
  format: "json"
  schema:
    type: "object"
    properties:
      prefix:
        type: "string"
        description: "Conventional commit prefix: feat, fix, docs, style, refactor, test, chore, etc."
      subject:
        type: "string"
        description: "Brief summary of the change (max 50 chars)"
      body:
        type: "string"
        description: "Detailed description of the change (optional)"
# System prompt，这是灵魂所在
system: |
  You are an expert software engineer who writes perfect conventional commit messages.
  Your task is to analyze the provided git diff and generate a commit message that follows the Conventional Commits specification.
  Rules:
  - The prefix must be one of: feat, fix, docs, style, refactor, test, chore, perf, ci, build, revert.
  - The subject must be imperative, present tense, capitalized first letter, no period at end, max 50 chars.
  - The body should explain *what* changed and *why*, not *how*. Use bullet points if needed.
  - If the diff contains multiple logical changes, pick the most significant one for the subject.
  - Return ONLY valid JSON with keys 'prefix', 'subject', 'body'. No markdown, no explanation.

# 模型调用配置
model: "glm-5.1"
max_tokens: 512
temperature: 0.3 # 低温度，保证输出稳定

4.3 编写配套的Shell Wrapper：让Skill真正“开箱即用”

Skill YAML文件只是蓝图，还需要一个简单的shell脚本来驱动它，处理diff的生成和结果的美化：

#!/bin/bash
# scripts/generate-commit-msg.sh
set -e

# 1. 检查git状态
if ! git diff --quiet; then
  echo "⚠️  Warning: Uncommitted changes detected. Using staged changes only."
  DIFF_FILE="/tmp/staged-diff.$$.patch"
  git diff --staged > "$DIFF_FILE"
else
  echo "✅ No uncommitted changes. Using last commit diff."
  DIFF_FILE="/tmp/last-diff.$$.patch"
  git diff HEAD~1 > "$DIFF_FILE"
fi

# 2. 调用Superpowers Skill
echo "🔍 Analyzing diff with GLM-5.1..."
COMMIT_JSON=$(sp skill git-commit-message --diff-file "$DIFF_FILE" 2>/dev/null)

# 3. 解析JSON并生成标准commit message
PREFIX=$(echo "$COMMIT_JSON" | jq -r '.prefix')
SUBJECT=$(echo "$COMMIT_JSON" | jq -r '.subject')
BODY=$(echo "$COMMIT_JSON" | jq -r '.body')

# 4. 输出并提供一键复制
echo ""
echo "🎯 Generated Commit Message:"
echo "---------------------------"
echo "${PREFIX}: ${SUBJECT}"
if [ -n "$BODY" ]; then
  echo ""
  echo "$BODY"
fi
echo "---------------------------"
echo ""
echo "💡 To use: git commit -m \"${PREFIX}: ${SUBJECT}\" -m \"$(echo "$BODY" | sed ':a;N;$!ba;s/\n/\\n/g)\""

# 清理临时文件
rm -f "$DIFF_FILE"

赋予执行权限： chmod +x scripts/generate-commit-msg.sh 。

4.4 实际效果与Token消耗对比

在我们的一个中型React项目中，执行 scripts/generate-commit-msg.sh ：

  • 输入 ：一个包含3个文件修改（ src/App.js , src/utils/api.js , package.json ）的diff，大小约1.2KB。
  • 输出 ： 
    {
  "prefix": "feat",
  "subject": "Add real-time data fetching hook",
  "body": "- Introduce useRealtimeData custom hook\n- Update App component to consume new hook\n- Add axios dependency"
}
  • Token消耗 ： input=1427, output=189, total=1616 tokens （由Superpowers --verbose 输出）。

对比人工编写：资深工程师平均耗时2分钟，且常需反复修改（“这个prefix用feat还是refactor？”、“body要不要加链接？”）。而Skill一次生成，格式完美，总耗时<5秒，Token花费1616，性价比极高。更重要的是，它消除了主观判断，让整个团队的commit message风格瞬间统一。

5. 常见问题与排查技巧实录：那些年我们踩过的坑

5.1 经典报错：“there's an issue with the selected model (glm-5.1). it may not exist or you…”

这是Superpowers用户遇到的第一道坎，90%的case都源于同一个配置错误。我们整理了一份速查表：

现象 最可能原因 排查命令 解决方案
Error: there's an issue with the selected model (glm-5.1). it may not exist or you... config.yaml 中模型名写错 cat ~/.superpowers/config.yaml | grep -A 5 "glm-5.1" 将 name: "glm-5.1" 改为 name: "glm-5.1-flash"
同上，但 config.yaml 看起来正确 providers.zhipu 配置块缺失或缩进错误 sp config list 运行此命令，检查输出中是否有 zhipu provider。若无，说明YAML格式错误，用在线YAML校验器检查缩进
Error: API key is invalid api_key 或 secret_key 复制时带了前后空格 cat ~/.superpowers/config.yaml | sed 's/ //g' 重新编辑 config.yaml ，确保key值前后无空格，且引号是英文双引号
Error: token exchange failed: token endpoint returned status 403 智谱平台API Key权限不足 登录智谱开放平台，检查Key的“模型权限” 删除旧Key，新建一个， 务必勾选“GLM-5系列”

实操心得：永远先运行 sp config list ，它会以清晰的树状结构展示当前所有有效配置。如果 zhipu provider没出现在列表里，说明配置文件根本没被加载，99%是YAML语法错误。

5.2 Token相关疑难杂症：从“token中转站”到“token额度告急”

网络热词“token中转站”、“腾讯下调员工token额度”反映了Token已成为一种可量化的研发资源。Superpowers提供了强大的监控能力，但也带来新问题：

  • 问题： api error: claude's response exceeded the 32000 output token maximum
    这个错误虽然提到了Claude，但Superpowers在调用GLM-5.1时也可能遇到类似限制（GLM-5.1单次响应上限为8192 output tokens）。当你的prompt要求“生成一份10页的架构设计文档”时，必然触发。
    解决方案 ：在Skill或 sp run 命令中， 强制设置 --max-tokens 4096 。这不是限制能力，而是引导模型分段输出。你可以设计一个 long-document-skill ，让它先输出大纲，再根据大纲分章节生成，每章独立调用，总token可控。

  • 问题：本地 token.json 缓存损坏，导致无限401循环
    极少数情况下， ~/.superpowers/cache/token.json 文件会损坏（如磁盘突然断电）。Superpowers会不断尝试用坏token去请求，失败后又尝试刷新，形成死循环。
    解决方案 ： 一键清理 。执行 rm -f ~/.superpowers/cache/token.json && sp run --model glm-5.1 "test" 。Superpowers会自动重建token缓存。

  • 问题：CI流水线中Token泄露风险
    在GitHub Actions中，如果把 ZHIPU_API_KEY 硬编码在workflow文件里，或者用 echo $KEY 打印日志，会导致密钥泄露。
    解决方案 ：严格遵循GitHub官方文档， 只使用 secrets 上下文 ，且在任何 run 步骤中，都不要用 echo 或 cat 打印密钥。Superpowers的 config.yaml 生成步骤中，使用 cat > ... << EOF 语法是安全的，因为 EOF 内的内容不会被shell展开。

5.3 性能与稳定性：如何让Superpowers在Ubuntu 20.04上“稳如老狗”

很多用户反馈“在ubuntu20.04上安装codex cli”失败，其实Superpowers对系统要求极低，但在老旧系统上仍需注意：

  • SSL证书问题 ：Ubuntu 20.04的 ca-certificates 包可能过旧，导致无法验证智谱API的HTTPS证书。
    修复命令 ： sudo apt update && sudo apt install -y ca-certificates && sudo update-ca-certificates -f

  • 内存溢出（OOM） ：当处理超大diff（>5MB）时，Superpowers进程可能因内存不足被系统杀死。
    规避方案 ：永远不要直接 sp run --model glm-5.1 "$(cat huge-diff.patch)" 。务必先用 head -c 1000000 huge-diff.patch 截取前1MB，或用 git diff --no-color --unified=0 减少diff体积。

  • 网络超时 ：国内直连智谱API偶尔有波动。
    终极方案 ：不依赖任何“github加速工具”，而是配置Superpowers使用系统代理。在 config.yaml 中加入：

    http:
  proxy: "http://127.0.0.1:7890" # 你的本地代理地址

    这样，Superpowers的所有HTTP请求都会走代理，稳定性和速度都有保障。

6. 进阶应用与生态扩展：Superpowers不只是CLI，更是AI工作流的中枢

6.1 与VS Code深度集成：把GLM-5.1变成你的“第二大脑”

Superpowers可以无缝接入VS Code，实现真正的IDE内AI编程。安装VS Code插件 Superpowers CLI Integration （非官方，但社区维护良好），然后在 settings.json 中配置：

{
  "superpowers.cliPath": "/usr/local/bin/sp",
  "superpowers.defaultModel": "glm-5.1",
  "superpowers.contextSize": 16384
}

重启后，右键任意代码文件，选择 Superpowers: Ask about this file ，它会自动将当前文件内容作为context，调用GLM-5.1进行解释、重构或注释。更酷的是，你可以绑定快捷键（如 Ctrl+Alt+I ）来触发“解释光标处代码”，效率提升肉眼可见。

6.2 构建私有Skill Market：让团队知识沉淀为可复用的AI能力

一个成熟团队会积累大量领域知识。Superpowers的 skill 系统是完美的知识载体。例如，我们为金融风控团队构建了 fraud-detection-skill ：

  • Input : 一段用户交易日志（JSON格式）
  • System Prompt : “你是一名资深反欺诈专家。根据以下交易特征（金额、地点、设备指纹、行为序列），判断是否存在欺诈风险，并给出3个最相关的风险因子。”
  • Output : JSON { "risk_score": 0.92, "risk_factors": ["异地登录", "大额转账", "新设备首次交易"] }

这个Skill被封装成Docker镜像，推送到公司内部Registry。每个新来的风控分析师，只需 docker run -v $(pwd):/data fraud-skill:latest --log-file /data/transaction.json ，就能获得专业级分析。这比写文档、开培训会高效得多。

6.3 未来演进：Superpowers + OpenSpec = 下一代AI协作协议

当前热词中有 openspec + superpowers 、 openspec superpowers 。OpenSpec是一个新兴的、旨在标准化AI工具描述的协议（类似OpenAPI之于REST）。Superpowers已宣布将原生支持OpenSpec格式的Skill定义。这意味着，未来你可以在GitHub上找到一个 banking-tools.openspec.yaml 文件，它用标准YAML描述了“查询余额”、“转账”、“生成月度报表”三个工具的输入输出。Superpowers只需 sp import openspec banking-tools.openspec.yaml ，就能立刻获得一套银行领域的AI能力。这将彻底打破AI能力的孤岛，让GLM-5.1这样的大模型，真正成为可插拔、可组合、可互操作的“数字劳动力”。

我个人在实际使用中发现，Superpowers的价值不在于它多炫酷，而在于它把一件本该很麻烦的事，变得像呼吸一样自然。当你的团队不再为“怎么调用GLM-5.1”争论，而是聚焦于“用GLM-5.1解决什么业务问题”时，你就知道，这场效率革命，已经悄然发生了。

Logo
码道开发者社区

码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践

更多推荐

Manim 数学动画完全指南：五分钟从零到成片

Manim 是用 Python 驱动的数学动画引擎，把抽象的公式与曲线转成逐帧可控的动态可视化。适合想制作 Python 数学可视化视频的编程新手、数学学生和科普创作者。## 数学为什么需要"动"起来你试过用一张静态图讲清导数的概念吗？切线、割线、极限位置都能画出来，但"割线逼近切线"发生的那一下，观众只能靠脑补。课本插图大多是"结论截图"：只留下最终状态，过程被压缩成一句"易见"。函

avatar 码道开发者社区
cover

Claude API + Python实战：结构化输出后，如何拦住“看起来正确”的JSON

avatar 码道开发者社区
cover

GLM-5.3-Flash深度解析：3200亿参数只卖Opus四十分之一，国产算力首次跑通前沿模型

avatar 码道开发者社区