理想中的 AI 编程体验是：提交需求文档，片刻后返回即可看到已完成、测试通过并提交代码。但现实往往是，智能体每写一段内容便暂停等待人工批准，从设计文档到执行计划，每一步都需要确认。这种频繁的上下文切换和串行等待，让开发者被困在屏幕前，无法真正脱身。

为解决这一痛点，开发者构建了 superlite——一款专为高速自主开发设计的 Claude Code 插件。它能将任务拆分为可并行运行的模块，分发给最合适的代理，并通过代码强制规则而非口头约定来管控流程。用户只需一次性批准计划，即可在无需介入的情况下获得最终成果。

为何构建：摆脱串行瓶颈

现有的协作型工作流（如 superpowers）在需要人类紧密参与每一步时表现出色，但在追求效率时显得冗长。性能分析显示，时间主要消耗在五个方面：

  • 频繁的人工审批：每个功能需经过 8–12 个审批节点，包括设计、需求、计划及执行方法的逐层确认。
  • 严格的串行执行：任务像单文件队列一样依次处理，缺乏并行性。
  • 重复的审查循环：每个任务后的审查及修复占据大量时间，例如在 34 分钟的构建中，审查耗时约 12 分钟。
  • 冗余的测试运行：多个技能重复运行完整测试套件。
  • 关键路径上的高成本代理：如使用 Opus 模型编写代码，其速度仅为 Sonnet 的一半。

superlite 并非要取代协作型工作流，而是针对“高速自主开发”场景进行优化。若需掌控每一步，仍可使用 superpowers；若希望提交需求后直接获取可用代码，superlite 则是更佳选择。需注意，两者共享技能名称，不应在同一会话中同时启用。

工作原理：并行与强制规则

superlite 的核心逻辑是：一次审批、并行计划、匹配代理、代码 enforced 规则。

一批问题，一次审批。 插件首先评估请求复杂度。对于新项目，它会一次性提出最多四个关键问题，生成设计与计划文档。用户只需批准一次，此后除非涉及破坏性操作或安全敏感内容，否则不再暂停。它绝不会在未获同意时推送到 main 分支，但会自主完成其他所有步骤。

为并行而生的计划。 计划被构建为任务图，明确每个任务的文件所有权、接口及测试要求。互不依赖的任务将同时运行。在基准测试中，峰值时有 18 个代理同时工作，显著提升了构建宽度。

分层代理架构。

  • Opus 协调：负责规划与调度，严禁触碰代码。
  • Sonnet 构建：承担大部分编码任务。
  • Haiku 构建：处理定义明确的小型机械性任务。
  • Sonnet 审查：负责代码包审查。
  • Opus 最终审查：仅读取日志并指出问题，严禁修复。
  • 仅限修复的代理：根据对问题的理解层级进行路由修复。

代码强制规则。 鉴于提示词常被忽略，superlite 通过钩子（hooks）强制执行规则：阻止协调员编辑代码、将测试转为后台运行以防阻塞、拒绝非法进程终止。计划必须通过 lint --stable 才能启动，确保稳定性。

全程度量。 钩子记录每个代理的 Token 消耗、成本和耗时，数据反馈至下一次预测，并在预算达到 70% 时提醒用户。

如何使用

使用 superlite 需具备 Claude Code、Git、Python 3.10+ 及 Bash 环境。可通过以下命令安装：

/plugin marketplace add iha2/superlite
/plugin install superlite@superlite-dev

或加载本地副本：

claude --plugin-dir <path-to-superlite>

验证安装后，用户只需描述需求（如“构建一个静态站点生成器”），选择编排模式（人工检查或 AI 自主），然后观察 .superlite/ 目录下的进度日志、测试结果及指标数据。插件支持新项目构建、功能添加、调试及小改动等多种场景，且绝不会在未获同意时推送或合并代码。

性能表现：16.1 分钟无人值守构建

在无头基准测试框架下，superlite 在包含 177 个隐藏测试的复杂项目（静态站点生成器+电子表格引擎）中进行了测试。结果显示：

  • 墙钟时间：16.1 分钟（从需求到完成构建）。
  • 测试通过率：177 / 177。
  • 人工介入：0 次。
  • 并行度：共 21 个代理，同时最多 18 个工作。

与同一项目上的 superpowers 相比：

  • superpowers 默认模式平均耗时 33.6 分钟。
  • superpowers 编排式平均耗时 23.5 分钟。
  • superlite 比默认版节省 52% 时间，比编排式节省 31%。

此外，superlite 较其上一版本（平均 26.9 分钟）提速 40%。早期版本在处理较小任务时已显示出消除队列带来的优势，而在完整项目中，其平均耗时更短且结果更可预测，消除了长达 47 分钟的极端慢速情况。

总结

AI 编程工作流的缓慢往往源于任务排队和频繁的权限请求，而非模型思考深度。superlite 的实践表明，沿接口边界拆分工作、实现独立任务并行、将机械步骤脚本化，并用代码强制执行关键规则，能显著提升效率。

该插件已在 GitHub 开源（github.com/iha2/superlite）。未来文章将进一步探讨其背后的哲学决策，包括关卡设计、代理层级及那些经测量后被证伪的概念。