如果你的 AI Agent 能"记住"上次对话中学到的技能，能像人类一样不断"成长"，会发生什么？

这不是科幻。2026年3月，一个名为 Superpowers 的项目在 GitHub 上单日获得 3152+ Stars，它正在重新定义 AI Agent 的构建方式。

痛点：传统工具调用的碎片化

开发者们对这个问题应该不陌生：你用 LangChain 构建了一个 Agent，给它配置了搜索工具、代码执行工具、数据库查询工具。一切看起来很美好。

直到你需要让 Agent “学会"一个新能力。

传统模式下，工具是独立的函数调用，Agent 不知道"上次调用这个工具做了什么”，也不知道"如何组合多个工具完成复杂任务"。每次对话，Agent 都从零开始。

这就像一个人每次工作都要重新学习所有技能——效率极低，更谈不上"智能进化"。

Superpowers 的解法：Agentic Skills

Superpowers 的核心理念很简单：把"工具"升级为"技能"。

技能 vs 工具：本质区别

维度传统工具Agentic Skill
状态管理无内置状态、记忆
可组合性需手动编排声明式组合
可复用性函数级能力模块级
进化能力无支持自我优化

一个 Skill 不仅仅是"能做什么"，还包含"怎么做"、“什么时候做”、“做了之后记住什么”。这让 Agent 从"执行器"变成了"学习者"。

核心架构

Superpowers 的架构包含三个关键层：

1. Skill Definition Layer（技能定义层）

skill:
  name: web_research
  description: "搜索并总结网页内容"
  tools: [search, scrape, summarize]
  memory:
    - search_history
    - trusted_sources
  triggers:
    - user_ask_about_topic
    - need_fresh_info

2. Composition Layer（组合层） 技能可以像乐高一样组合。一个"写博客文章"的 Skill 可以由 research、outline、write、edit 四个子技能组成，每个子技能又可以是更细粒度技能的组合。

3. State Management Layer（状态管理层） 每次执行技能，状态都会被持久化。Agent 真正拥有了"记忆"，能在多次对话中持续进化。

与主流框架的整合

Superpowers 最大的亮点之一是框架无关性。它不要求你重写现有代码，而是以插件形式整合。

Claude Code 整合

# 安装 Superpowers 扩展
claude extension install superpowers

# 在 CLAUDE.md 中声明技能
skills:
  - name: code_review
    triggers: [pr_created, commit_pushed]
  - name: test_generation
    triggers: [code_changed]

Claude Code 原生支持 Superpowers 的技能声明，你可以让 Claude 自动获得代码审查、测试生成等能力。

LangChain 整合

from superpowers import Skill, Agent
from langchain.tools import Tool

# 将 LangChain Tool 包装为 Skill
research_skill = Skill(
    name="research",
    tools=[Tool(...)],  # 现有工具
    memory=True,
    auto_improve=True
)

agent = Agent(skills=[research_skill])
agent.learn("今天研究了什么？")  # 会记住上下文

实战：5分钟构建有记忆的 Agent

让我们用一个实际例子感受 Superpowers 的魅力。

假设你要构建一个"技术调研助手"，它能记住你的研究偏好，每次调研都会基于历史经验优化结果。

from superpowers import Skill, Agent, Memory

# 定义技能
research_skill = Skill(
    name="tech_research",
    tools=[search, scrape, summarize],
    memory=Memory(
        persist="sqlite:///research.db",
        include=["preferences", "history", "trusted_sources"]
    ),
    on_improve=lambda self: self.optimize_sources()
)

# 创建 Agent
assistant = Agent(
    skills=[research_skill],
    personality="专业、高效、有洞察力"
)

# 第一次交互
assistant.ask("帮我调研 Superpowers 框架")
# Agent 会记住这次调研的关键信息

# 第二次交互（可以是几天后）
assistant.ask("有没有类似的 Agent 技能框架？")
# Agent 会基于上次调研，推荐相关项目，而不是从零开始

关键是 persist=“sqlite:///research.db” ——技能的记忆被持久化了。Agent 真正在"成长"。

生产级考量

在把 Superpowers 用于生产环境前，有几点需要注意：

错误处理

技能执行失败时，Superpowers 提供了优雅的降级机制：

skill = Skill(
    name="critical_task",
    fallback=lambda: notify_admin(),
    retry=3,
    timeout=30
)

调试与监控

每个技能执行都会生成详细的 trace：

# 启用调试模式
agent.debug = True

# 查看执行轨迹
agent.traces.show()

这对于排查线上问题至关重要。

成本控制

技能执行会产生 API 调用成本。建议：

  • 对高频技能设置缓存
  • 使用 cost_limit 限制单次执行开销
  • 监控技能调用的 token 消耗

技能驱动的未来

Superpowers 代表了一个趋势：AI Agent 开发正在从"配置工具"转向"培养技能"。

这种转变意味着：

  1. Agent 不再是工具的集合，而是有学习能力、有记忆、能进化的智能体
  2. 开发者的工作重心从"写工具"转向"定义技能"，更关注能力的抽象和组合
  3. 技能市场可能出现 —— 开发者可以分享、交易高质量的 Skill 模块

GitHub 上 3000+ Star 的热度说明，这个方向正在获得社区的广泛认可。

小结

Superpowers 不是又一个工具库，而是一种新的 Agent 开发范式。它解决了传统工具调用的碎片化问题，让 Agent 真正具备了"成长"的能力。

如果你正在构建 AI Agent 应用，不妨试试 Superpowers。也许你会发现，让 Agent “学会"新技能，比你想象的更简单。

相关链接：