5  Superpowers

想象这样一个场景：你告诉 Claude Code”帮我分析 CFPS 2020 的教育回报率”，它立刻开始写代码——读取数据、建模、输出结果。十分钟后，你发现它把连续变量当成了分类变量，没有控制你认为关键的家庭背景因素，输出格式也不是你需要的。你纠正一处，它调整；你再提出另一个问题，它再调整。来来回回，最终花掉的时间比你自己写还多。

这种体验并不罕见。问题不在于 Claude Code 能力不足，而在于它太急于动手了——在充分理解你的意图之前就开始行动。

Superpowers 解决的就是这个问题。它是一套给 Claude Code 安装”工作习惯”的插件：在写任何代码之前，先问你几个关键问题；明确方向之后，再系统地拆解任务、一步步执行、最后验证结果。整个过程更像一个有条理的研究助理，而不是一个急于交差的实习生。

注释

Superpowers 的安装方法已在 章节 4.3.1 中介绍。如果还没安装，可以先回去完成安装，再继续阅读本章。

5.1 核心理念：先想后做

Superpowers 背后有四个核心原则。用研究者熟悉的语言来说：

  • 先设计再动手：就像写论文前要列提纲、做实地研究前要写研究设计一样，复杂任务在开始之前值得花几分钟把方向确认清楚。
  • 小步前进，随时可验证：把大任务切成能在几分钟内完成并验证的小步骤，而不是一次性生成几百行代码再从头排查。
  • 用证据说话：不靠猜测，不靠感觉——代码能不能跑、结果对不对，都要有实际验证的输出为凭据。
  • 做完要证明：在宣布”任务完成”之前，必须真正运行一遍，确认结果符合预期。

这四个原则组成了一套七阶段的工作流。你不需要记住所有细节——Superpowers 安装后会自动触发相关阶段。理解它的大体结构就够了：

你提出需求
    │
    ▼
[头脑风暴] — Claude 通过问答确认方向，提出方案供你选择
    │
    ▼
[任务拆解] — 把工作分成一个个 2–5 分钟的小步骤
    │
    ▼
[子代理执行] — 按步骤逐一实现，每步完成后验证
    │
    ▼
[代码审查] — 自动检查代码质量和正确性
    │
    ▼
[验证完成] — 确认最终结果符合你的要求，才宣告完成
提示

不必理解每个阶段的技术细节。这套流程对你来说大部分是透明的——你只需要在头脑风暴阶段回答几个问题，之后 Claude Code 会自己推进。本章的重点是帮你理解为什么这么做，以及如何从头脑风暴中获得最大收益。

5.2 头脑风暴：最重要的一步

在所有环节中，头脑风暴是最值得你主动参与的一步，也是 Superpowers 对研究者最有价值的地方。

5.2.1 为什么要先聊再做

想想你在现实中是怎么和研究助理合作的。你不会走过去说”帮我分析数据”就转身离开——你会解释研究背景、说明因变量是什么、讨论应该控制哪些变量、约定输出格式。这些对话看起来在”浪费时间”，但实际上能避免助理返工三次。

Claude Code 也一样。它接到一个宽泛的指令时，必须在脑子里填补大量空白——每一个填补都可能和你的真实意图有偏差。头脑风暴把这些空白变成明确的问题，在写第一行代码之前就和你确认好。

5.2.2 头脑风暴的工作方式

触发头脑风暴后，Claude Code 会进入一种特殊的对话模式：

  • 每次只问一个问题，不会一次抛出一大堆表格让你填
  • 问题通常是选择题——提供几个选项，你选一个或者补充说明
  • 收集到足够信息后，Claude 会提出 2–3 个备选方案，说明各自的优缺点，并给出它的推荐
  • 你确认之后，Claude 才开始写代码

触发方式很简单——在描述任务时使用”帮我做”或”我想要”这样的完整需求表述，Claude Code 就会判断是否需要先进行头脑风暴。

帮我分析 CFPS 2020 数据中家庭教育投入对子女学业表现的影响，
包括描述性统计和回归分析，最终输出一篇可以直接放进论文的报告。

5.2.3 一次完整的头脑风暴：教育回报率分析

下面展示的是一次真实的头脑风暴对话节选，让你感受一下实际体验。

Claude 的第一个问题：

好的，我先了解一下这项分析的具体需求。

你的核心研究问题是什么？

A. 受教育年限对收入的影响（明瑟方程式，OLS 估计） B. 教育程度对职业地位的影响（有序结果，logit/probit） C. 父母教育对子女教育的代际传递（代际流动性） D. 其他（请描述）

你回答：A

Claude 的第二个问题：

内生性问题怎么处理？这会决定我们用什么估计方法。

A. 暂时不考虑，先做基础 OLS，在局限性部分注明 B. 使用工具变量（需要选择合适的工具变量，如出生年代×教育政策） C. 使用同胞固定效应控制家庭不可观测因素 D. 你有其他偏好的策略

你回答：A，需要在局限性部分提示内生性问题

Claude 的第三个问题：

控制变量方面，你希望包含哪些？

A. 基础版：性别、年龄、城乡（5 个变量以内） B. 标准版：基础 + 户口、省份固定效应、父母教育 C. 完整版：标准 + 家庭收入、职业、健康状况 D. 你来指定

你回答：B

经过类似的 4–5 轮问答，Claude 会给出一个方案总结：

根据我们的讨论，我推荐以下分析方案：

方案一（推荐）：标准明瑟回归 + 稳健标准误 - 核心模型：ln(收入) ~ 受教育年限 + 性别 + 年龄 + 年龄² + 城乡 + 户口 + 省份固定效应 + 父母教育 - 估计方法：OLS，使用 estimatr::lm_robust() 计算异方差稳健标准误 - 输出：三列回归表（基础/标准/含省份固定效应）+ 教育年限系数的可视化 - 推荐理由：符合社科文献惯例，局限性部分可专门讨论内生性

方案二：分性别、分城乡子样本分析 - 在方案一基础上，额外报告分组回归结果 - 适合如果你的论文着重讨论异质性效应

方案三：Heckman 两步选择校正 - 处理样本选择偏误（仅对有工资收入的人可观测） - 复杂度较高，适合对就业选择问题有理论关注的研究

这时你可以直接确认、修改，或者要求调整。一旦你说”好的，按方案一来”，头脑风暴结束，Claude Code 开始进入任务拆解和执行阶段。

5.2.4 没有”太简单”的任务

一个常见的误解是：只有复杂任务才需要头脑风暴，简单任务直接做就行。

这种想法往往错得很彻底。“帮我做一个描述性统计表”这样的任务，藏着大量隐含决策：

  • 要汇报哪些变量？全部还是核心变量？
  • 要分组报告吗（按性别/城乡/年份）？
  • 连续变量用均值+标准差，还是中位数+四分位数？
  • 分类变量用频率还是比例？
  • 表格格式：HTML、LaTeX 还是 Word？
  • 有没有缺失值，要不要单独报告？

每个决定 Claude 都要做，做错任何一个你都得返工。把这些问题在 5 分钟的头脑风暴里过一遍，远比事后修改三次省时省力。

不用头脑风暴 用头脑风暴
立刻开始写代码 先用 5 分钟确认需求
依赖 Claude 的默认假设 Claude 的决策基于你的实际需求
需要多轮修改才对 第一版基本就是你想要的
任务越复杂返工越多 任务越复杂，头脑风暴的价值越大
最终可能超出原始意图 严格控制在商定的范围内
提示

如何从头脑风暴中获得最大收益：

  • 描述需求时加入研究背景——是学位论文章节、期刊投稿还是课程作业？这会影响输出的规范程度。
  • 不要敷衍地回答”随便”——每一个问题都有正确答案，就算你现在不确定，也可以说”我倾向于 X，但你来推荐”。
  • 如果 Claude 提的方案里没有你想要的，直接说出来，它会相应调整。
  • 头脑风暴的结论会保存成一份设计文档（spec），你可以要求 Claude 把它输出给你存档。

5.3 其他实用技能

除头脑风暴外，Superpowers 还包含几个在研究场景中很有价值的技能。它们大多在后台自动触发，你不需要主动调用，但了解它们的存在有助于你理解 Claude Code 的行为。

5.3.1 任务拆解（Writing Plans）

头脑风暴结束后，Claude Code 会把整个任务分解成一系列小步骤，每步通常只需要 2–5 分钟完成。每一步都有明确的目标和验证标准：完成了、没完成、还是遇到了阻碍。

这种拆解方式的好处是透明且可恢复。你可以随时查看任务进度，任何一步出错只影响那一步，不会让整个分析重来。对于像”完整复制一篇论文的分析”这样涉及十几个子步骤的任务，任务拆解能把不可控的大问题变成可管理的小问题。

5.3.2 系统调试（Systematic Debugging）

当代码报错时，Superpowers 要求 Claude Code 先找到根本原因，再开始修改。听起来理所当然，但没有这个约束，AI 的本能反应往往是”先改掉眼前的报错信息”——结果是修了 A 破了 B，越改越乱。

这个技能对研究者特别有价值。比如你的回归系数突然变了——Claude Code 不会直接猜测原因就动手，而是先系统地追溯：是数据读取有问题？变量编码改变了？还是控制变量集发生了变化？找到真实原因后再修复，修一次就彻底解决。

5.3.3 验证完成（Verification）

这个技能只做一件事：拒绝没有证据的”完成”声明。

Claude Code 在完成任务后必须实际运行代码、查看输出、确认结果符合预期，才能告诉你”完成了”。它不能说”代码看起来没问题”或”应该可以”——必须有实际运行的证据。

对研究者来说，这意味着你收到的每一份分析结果背后，都有一次实际的验证运行，而不只是”我觉得没问题”的判断。

5.3.4 代码审查（Code Review）

在完成一个较大的任务块后，Superpowers 会自动触发代码审查，检查代码的质量和正确性。审查会关注：

  • 统计方法是否符合你在头脑风暴中确认的方案
  • 变量定义和 CLAUDE.md 中的规范是否一致
  • 有没有可能导致可重复性问题的硬编码路径或随机种子遗漏
  • 代码是否整洁、易于将来维护
注释

代码审查结果会直接呈现给你。如果审查发现了问题，Claude Code 会修复后再汇报——你看到的是”审查通过后的最终版本”，不是”审查前的初稿”。

5.4 一次完整的工作流

以一个具体任务为例，看看 Superpowers 是如何在幕后推动整个过程的：

我想分析 CGSS 2021 数据中社会信任对社区参与的影响，
用 OLS 做基础估计，再讨论一下可能的机制。
输出一张回归表和一张机制路径图，放进我的硕士论文。

你输入这段话后，发生了什么：

  1. 头脑风暴启动（5–8 分钟） Claude Code 询问社会信任如何测量（单题量表 vs. 综合指数）、社区参与的操作化定义、控制变量范围、机制变量是否已有数据。你一一回答，双方确认使用五题综合信任指数、三类参与行为、标准人口学变量，机制分析先做中介检验。

  2. 任务拆解（自动，通常在后台） Claude Code 生成一份任务清单：读取并检查数据 → 构建综合指数 → 三个基础回归模型 → 输出回归表 → 中介分析 → 绘制路径图。

  3. 逐步执行 + 验证 每完成一步，Claude Code 运行代码验证结果，记录检查点。如果某步失败，它先找根本原因再修复，而不是反复猜测。

  4. 代码审查 + 验证完成 全部步骤完成后，自动审查代码质量，确认输出文件存在且格式正确，才告诉你任务完成。

你在整个过程中做的事：回答了头脑风暴的 5 个问题（约 5 分钟），然后等待结果。

5.5 什么时候值得用，什么时候不必用

Superpowers 不是每次对话都需要的。下面这张表帮你判断：

任务类型 是否值得 原因
完整的分析项目（多个模型 + 输出） 非常值得 头脑风暴能防止大量返工
不熟悉的方法（分位数回归、空间分析……） 非常值得 头脑风暴帮你确认方法选择
团队共享的代码 非常值得 审查和文档质量更高
需要复现他人分析 值得 任务拆解让进度可追踪
快速查看一个变量的分布 不必要 简单任务直接问就好
修改一处注释或变量名 不必要 头脑风暴开销大于收益
临时性的数据探索 视情况 短期任务酌情判断
提示

刚开始时的建议：选一个你近期要做的真实分析任务（比如一套描述性统计 + 基础回归），完整走一遍 Superpowers 工作流。这比看任何介绍都更有说服力——你会直接感受到头脑风暴把你从”重做三遍”中解救出来的体验。

子代理机制是 Superpowers 工作流中执行阶段的底层支撑——如果你对子代理如何工作感兴趣，可以参见 章节 9.1 的详细介绍。