superpowers + gstack + CE：Claude Code 工具链的三层协同与知识复利
核心观点：插件不在多，在配合。superpowers 负责"想清楚"，gstack 负责"干漂亮"，CE 负责经验沉淀——三层工具协同，打造 AI 开发的完整闭环。
引言：Claude Code 的"工具过多症"
折腾过一堆 Claude Code 插件之后，很多开发者都会遇到同一个问题：装了十几个插件，结果 skill 互相打架，行为完全不可控。
问题的本质不在插件本身，而在没有想清楚"谁负责什么"。
今天要介绍的三款工具——superpowers、gstack 和 Compound Engineering（CE）——提供了一套优雅的解决方案：更少的组件，更清晰的边界，更明确的交接。
一、核心原则：职责分离
1.1 双插件协同的基础规则
superpowers 和 gstack 的搭配遵循五条核心原则：
| 流程归 superpowers | 思考、计划、审查等脑力工作 |
| 执行归 gstack | 跑浏览器、测试、部署等动手工作 |
| 独立 reviewer 通道 | 代码审查必须独立于开发上下文 |
| 证据优先 | 不相信"完成了"，要看测试/截图/QA 报告 |
| 遇到歧义先 brainstorm | 先澄清需求再动手 |
这五条原则的本质是：大脑负责想清楚，手脚负责干漂亮。
1.2 为什么这样分工？
为什么不能让 gstack 也做计划？
因为 gstack 的 plan-*-review 是"批判性审查"工具，不是计划撰写工具。让一个 reviewer 同时充当 author，等于让法官自己写起诉书——视角错位，质量必差。
为什么不能让 superpowers 自己跑浏览器？
因为 superpowers 的底层 CDP 操作粒度太细，没有 QA 闭环。gstack 的 /browse 和 /qa 是经过封装的高层操作，包含了"打开 → 验证 → 截图 → 报告"完整链路。
用对工具比用上工具更重要。
二、默认 Skill 路由表
把模糊的"做某事"映射到确定的 skill，表里没有的任务才需要现场判断：
| 需求澄清 | superpowers:brainstorming | 想清楚要不要做、做成什么样 |
| 写计划 | superpowers:writing-plans | 输出可执行的实施计划 |
| 执行计划 | superpowers:executing-plans | 在隔离环境里按计划推进 |
| 写测试 | superpowers:test-driven-development | 边写边测 |
| 端到端 QA | gstack:/qa | 真实环境验证功能 |
| 完成前自检 | superpowers:verification-before-completion | 收集完成证据 |
| 请求代码审查 | superpowers:requesting-code-review | 独立 reviewer 通道 |
| 收尾分支 | superpowers:finishing-a-development-branch | 分支收尾 |
| Ship 发布 | gstack:/ship → /land-and-deploy | 跑测试、bump 版本、push、PR |
| 上线后监控 | gstack:/canary | 监控上线后状态 |
| 写发布文档 | gstack:/document-release | 发布文档生成 |
| 危险命令护栏 | gstack:/careful 或 /guard | 安全防护 |
三、标准开发闭环
从想法到上线的完整路径：
[想法]
↓
brainstorming ← 想清楚要不要做、做成什么样
↓
writing-plans ← 写一份可执行的实施计划
↓
(可选) /plan-eng-review / /plan-ceo-review ← 多视角审查计划
↓
executing-plans + using-git-worktrees ← 在隔离 worktree 里执行
↓
test-driven-development ← 边写边测
↓
/browse 或 /qa ← 真实环境验证功能
↓
verification-before-completion ← 收集完成证据
↓
requesting-code-review ← 独立 reviewer 通道
↓
finishing-a-development-branch ← 分支收尾
↓
/ship ← 跑测试、bump 版本、push、PR
↓
/land-and-deploy ← 合 PR、等 CI、等部署
↓
/canary ← 监控上线后状态
↓
/document-release ← 写发布文档
↓
[完成]
关键交接点：
四、引入 CE：从流程到知识复利
superpowers 和 gstack 解决了"如何高效开发"的问题，但还有一个关键缺失：每次开发的经验如何沉淀？
这就是 Compound Engineering（CE） 的价值所在。
4.1 三层工具协同架构
| 决策层 | gstack | 产品+架构双评审，把控方向 |
| 规划层 | CE /ce:plan | 依托历史经验，制定精准计划 |
| 执行层 | CE /ce:work | 单功能增量开发，可中断恢复 |
| 评审层 | CE 专项评审 + gstack /qa | 代码深度评审+浏览器真实测试 |
| 知识层 | CE /ce:compound | 沉淀永续知识库，避免重复踩坑 |
4.2 核心差异：备忘录 vs 知识库
- superpowers 的备忘录：解决"连续性"，线性传递给下一会话
- CE 的知识库：解决"积累性"，形成永续项目记忆，所有未来会话均可检索复用
这正是"Compound"的本质：每一次开发，产出不仅是代码，更是可复用的项目经验，越用越高效。
五、完整实战工作流
第 1 步：需求深度确认
执行 AI 反向访谈，锁定真实需求：
I’m about to start this project. Interview me until you have 95% confidence about what I actually want, not what I think I should want.
AI 通过多轮提问明确业务目标、用户场景、边界条件、非功能需求、验收标准。
第 2 步：项目启动与对齐（gstack）
执行 /office-hours，进入项目沟通模式，完成团队认知对齐。
第 3 步：产品维度评审（gstack）
执行 /plan-ceo-review，产品视角把关：
- 校验需求是否符合产品路线图
- 评估投入产出比
- 评审通过方可进入技术规划
第 4 步：技术架构评审（gstack）
执行 /plan-eng-review，工程视角风险校验：
- 评估技术方案兼容性
- 校验依赖服务、数据结构合理性
- 规避技术债
第 5 步：方案脑暴与规格细化（CE）
执行 /ce:brainstorm，输出 ≥2 种实现路径，收敛为清晰可执行的需求规格。
第 6 步：基于历史经验的详细规划（CE）
执行 /ce:plan：
- 自动检索项目历史、Git 记录、知识库
- 匹配既往经验、标注踩坑点
- 输出结构化执行计划
第 7 步：增量开发与任务执行（CE）
执行 /ce:work：
- 严格遵循单功能迭代
- 实时标记阻塞点、待确认问题
- 保持代码风格统一
第 8 步：多维度专项评审（CE）
执行 /ce:review，启动评审团，每个评审出具独立报告。
第 9 步：浏览器端真实体验测试（gstack）
执行 /qa，真实环境验收，确保功能在真实环境可用、稳定。
第 10 步：知识沉淀与复利积累（CE）⭐
这是最关键的一步：执行 /ce:compound，5 大子 Agent 并行提取全会话经验，生成标准化文档存入知识库，形成永续项目记忆。
第 11 步：版本整理与交付
修复所有评审/测试问题，执行代码合并、部署、发布。
六、总结
三款工具并非竞品，而是 AI 开发的三层核心能力：
| gstack | 做对的事（决策把关、真实测试） |
| Superpowers | 做事有规范（流程标准化、基础评审） |
| CE | 持续高效做事（深度规划、多维评审、知识复利） |
单一工具无法覆盖全场景，组合使用可让 AI Agent 在开发中持续沉淀经验、避免重复踩坑、效率指数级提升。
对于追求长效价值的开发者，/ce:compound 所带来的知识复利，正是 AI 开发突破效率瓶颈的核心关键——你的 Agent 每天写代码、改 Bug，而真正的价值，是让它把学到的东西永久留下来。
七、延伸实践：用 Vibe Coding 构建一人公司的智能返利系统
上述工作流不仅适用于通用软件开发，更是 Vibe Coding（氛围编程） 范式的最佳实践。如果你正在寻找一个完整的实战项目来验证这套方法论，不妨看看 AgenticCPS。
什么是 AgenticCPS？
AgenticCPS 是一套开箱即用的智能 CPS 联盟返利平台，深度融合 Vibe Coding、低代码 与 AI 自主编程 三大核心理念：
用自然语言告诉 AI 你想要什么，AI 自己写代码、自己测试、自己部署。
一个人 = 产品经理 + 架构师 + 全栈开发 + 测试工程师 + 运维工程师。
核心特色
| 团队规模 | 5~10 人技术团队 | 1 人即可 |
| 开发周期 | 3~6 个月 | 开箱即用，AI 扩展按天计 |
| 技术门槛 | 需要全栈工程师 | 自然语言描述需求，AI 自动实现 |
| 平台对接 | 每个平台单独开发 | 淘宝/京东/拼多多/抖音已内置 |
典型场景示例
你说：「帮我接入唯品会联盟平台」
AI 自动完成：
✅ 分析唯品会联盟 API 文档
✅ 生成平台适配器代码
✅ 创建数据库配置表
✅ 注册 MCP Tool 供 AI Agent 调用
✅ 编写单元测试并验证通过
✅ 生成 API 接口文档
用时：30 分钟。传统开发：2 周。
为什么推荐这个项目？
完整验证了 CE 的知识复利理念：项目的 CPS 核心模块（20,000+ 行代码）100% 由 AI 自主编程完成，从数据库设计到 API 接口，全部通过规范化的 AI 编程工作流实现。
内置 MCP AI 接口层：5 个 AI Tools 开箱即用（商品搜索、多平台比价、推广链接生成、订单查询、返利汇总），任何 AI Agent 无需写一行代码即可接入。
一人公司最佳实践：适合想做电商返利副业、自由职业者、个人开发者快速搭建完整返利 SaaS。
开源地址：https://github.com/zhuangpengLI/AgenticCPS
技术栈：Spring Boot 3.5.9 + Vue 3 + Spring AI + MCP 协议 + Flowable 工作流
AgenticCPS —— 让每一个有想法的人，都能拥有自己的返利帝国。
一人公司 • Vibe Coding • AI 自主编程 • 低代码 • 开箱即用
