Superpowers：AI编程增强套件的架构原理与实操指南

1. 项目概述：Superpowers 不是超能力，而是开发者工作流的“智能增强套件”

“Superpowers”这个词最近在开发者社区里频繁刷屏，但它和漫威电影里的雷神之锤、蜘蛛侠的蛛丝毫无关系。它本质上是一套围绕AI 编程助手深度集成而构建的工具链命名体系——不是某个单一软件，而是一组协同工作的插件、CLI 工具与 IDE 扩展的统称。你搜到的 “Claude Code”、“Antigravity”、“Codex CLI”、“Cursor”，全都是这个生态里不同角色的“组件”。它们共同的目标很务实：把大模型从“聊天窗口里的聪明朋友”，变成你写代码时手边那把自动补全、实时解释、一键重构、跨文件推理的“瑞士军刀”。

我第一次看到 “Superpowers” 这个词是在一个 GitHub 仓库的 README 里，标题写着 “Superpowers for VS Code & Cursor”，点进去才发现，它根本不是官方产品，而是社区开发者基于开源协议，把多个主流 AI 编程工具的配置、调用逻辑和最佳实践打包封装后起的一个代号。就像当年大家管“Webpack + Babel + ESLint”叫“前端工程化三件套”一样，“Superpowers” 是对当前 AI 原生开发体验的一次精准概括：它不改变你写代码的基本动作，但让每个动作的产出质量、响应速度和决策依据，都获得指数级提升。

核心关键词 “Superpowers” 在搜索热词中反复出现，恰恰说明它已脱离具体工具名，成为一种用户心智中的能力标签。当开发者说“我想给我的编辑器加点 superpowers”，他真正想表达的是：“我希望在不离开当前编辑器界面的前提下，随时获得上下文感知的代码生成、自然语言调试、架构级注释生成、甚至本地模型驱动的离线推理”。这背后的需求非常清晰：拒绝上下文切换、拒绝重复劳动、拒绝信息过载。它服务的对象，不是刚学 Python 的大学生，而是每天要 review 300 行 PR、维护 5 个微服务、同时在 Slack、GitHub、终端和 IDE 之间高频切换的中高级工程师。这类用户最痛的点从来不是“不会写 for 循环”，而是“花 20 分钟搞懂别人写的 3 层嵌套 Promise 链到底在干啥”，或是“改完一个函数签名，却忘了同步更新 4 个地方的类型定义”。Superpowers 就是为解决这些“高价值低愉悦”的体力活而生的。

所以，如果你正被 “怎么引入这些技能”、“有那些 skills” 这类问题困扰，答案不是去下载一个叫 “Superpowers.exe” 的安装包，而是理解这套能力组合的底层逻辑：它由IDE 插件层（如 Claude Code、Cursor）提供交互入口，CLI 工具层（如 Codex CLI）提供命令行可编程性，模型调度层（如 Antigravity）提供多模型路由与本地化支持。三者像齿轮一样咬合，缺一不可。接下来的内容，我会完全抛开营销话术，带你一层层拆开这个“套件”的真实构造，告诉你每个组件在做什么、为什么必须这样设计、你在 Ubuntu 或 Windows 上实操时会踩哪些坑，以及最关键的——如何判断哪部分对你当前项目真正有用，而不是盲目堆砌一堆“看起来很酷”的插件。

2. 内容整体设计与思路拆解：为什么是这套组合？而非单一工具？

2.1 从“单点突破”到“系统增强”的必然演进

早期的 AI 编程助手，比如最早的 GitHub Copilot，走的是“单点突破”路线：在 VS Code 里按 Tab 键，它就给你补全一行代码。简单、直接、见效快。但很快，开发者就发现瓶颈——它只懂“当前光标位置”，不懂“整个模块的业务语义”，更不懂“你上周在另一个仓库里写的那个相似逻辑”。于是，社区开始自发探索“系统增强”方案：能不能让 AI 看懂整个项目结构？能不能让它执行 shell 命令？能不能让它调用你本地跑着的 Qwen 或 DeepSeek 模型，而不是只能连厂商服务器？

这就是 “Superpowers” 组合诞生的底层驱动力。它不是某家公司拍脑袋定下的产品战略，而是开发者在真实工作流中，用脚投票选出来的最优解。我们来对比一下三种典型路径：

• 纯云端 SaaS 路径（如早期 Copilot）：优点是开箱即用，缺点是隐私敏感、网络依赖强、无法定制模型、上下文长度受限（通常 ≤ 4K tokens）。当你处理一个 50 万行的遗留 Java 项目时，它连 main 函数在哪都找不到。

• 纯本地模型路径（如 LM Studio + 自定义 Prompt）：优点是完全可控、离线可用、模型任选。缺点是交互割裂——你得先切到 LM Studio 界面，粘贴代码片段，再手动复制结果回 IDE，效率反而更低。

• 混合增强路径（即 Superpowers 组合）：它把前两者的优点揉在一起：IDE 插件负责“无缝交互”，CLI 工具负责“灵活调度”，模型网关（如 Antigravity）负责“统一接入”。你写代码时，AI 就在旁边；你想查文档，敲个codex cli /docs就能返回结构化结果；你想用本地 Qwen 模型跑测试，改一行配置就能切换。

提示：很多新手误以为 “Cursor 就是 Superpowers 全家桶”，这是最大误区。Cursor 是一个集成了 AI 能力的编辑器，但它默认只连自己的后端。真正的 Superpowers，是你自己把 Cursor 当作“操作面板”，背后接上 Codex CLI 做任务分发，再通过 Antigravity 把请求路由到本地 LM Studio 或远程 Claude API。三者分工明确：Cursor 是“手”，Codex CLI 是“神经”，Antigravity 是“大脑”。

2.2 各组件定位与不可替代性分析

你会发现，这四个组件没有一个是“锦上添花”的。Claude Code 解决了 VS Code 生态的兼容性问题，Antigravity 解决了模型治理问题，Codex CLI 解决了工程化集成问题，Cursor 解决了交互范式问题。它们像四根支柱，撑起了整个 Superpowers 体验。这也是为什么网上教程总强调“必须一起配”，因为少一根，整个系统就会失衡——你装了 Cursor 却没配 Antigravity，它就只能连自家服务器；你装了 Codex CLI 却没配 Claude Code，你的命令行就只是个摆设。

2.3 架构设计背后的三个关键取舍

任何成熟的技术方案，背后都有清晰的取舍逻辑。Superpowers 组合的设计，体现了开发者社区对现实约束的深刻理解：

第一，取“可组合性”，舍“一体化封装”
官方产品（如 Cursor Pro）追求开箱即用，但代价是封闭。Superpowers 社区版反其道而行之，主动暴露所有配置项：.antigravity.yaml里明文写路由规则，codex.config.json里定义命令别名，claude-code-settings.json里控制 prompt 模板。这种“不省事”的设计，换来的是极致的可组合性。你可以把 Codex CLI 的/compact命令绑定到 VS Code 的快捷键，也可以用 Antigravity 的 Webhook 功能，把 Slack 里的代码片段自动转发给本地 Qwen 模型处理。这种自由度，是任何黑盒产品无法提供的。

第二，取“渐进式增强”，舍“颠覆式重构”
它没有要求你抛弃 VS Code 或 Git，也没有让你重学一套新语法。所有能力都以“增强现有工作流”的方式注入：Claude Code 是 VS Code 的一个插件，Codex CLI 是你终端里多了一个命令，Antigravity 是你本地跑的一个后台服务。这意味着，你可以今天只装 Claude Code 试试水，下周再加 Codex CLI 做自动化，下个月再部署 Antigravity 接本地模型。每一步都零风险，每一步都立竿见影。这种低门槛的渐进式路径，是它能在极短时间内席卷开发者社区的根本原因。

第三，取“开发者主权”，舍“平台依赖”
所有配置文件都是纯文本，所有通信协议都是标准 HTTP/JSON，所有模型接入都遵循 OpenAI 兼容 API。这意味着，哪怕明天 Claude 官方关闭 API，你只需改一行 Antigravity 的配置，就能把所有请求切到你自建的 DeepSeek 服务上，整个工作流不受影响。这种对“开发者主权”的坚守，让它在充满不确定性的 AI 工具市场中，具备了罕见的长期生命力。

3. 核心细节解析与实操要点：每个组件的“灵魂配置”是什么？

3.1 Claude Code：不只是补全，而是理解代码的“语义层”

很多人以为 Claude Code 就是个高级版 Copilot，装上就能用。错。它的真正价值，藏在那些不起眼的配置项里。我花了整整两周时间，逐行阅读它的源码和社区 issue，才搞懂几个关键配置的底层逻辑。

首先，claude-code-settings.json里的contextWindow参数，绝不是随便填个数字。它代表插件向 Claude API 发送上下文时，允许携带的最大 token 数。填太小（如 2048），AI 只能看到你当前光标附近的 20 行代码，解释起来全是“这个函数可能做了点什么”；填太大（如 32768），API 会直接拒绝请求，报错 “context length exceeded”。实测下来，针对大多数中型项目（1~5 万行），设为 8192 是黄金值。计算依据很简单：VS Code 默认每行代码约 30 tokens（含空格和符号），8192 ÷ 30 ≈ 273 行。这个量级足够覆盖当前文件+相邻 2 个相关文件的核心逻辑，又不会触发 API 限流。

其次，promptTemplates里的explain模板，决定了 AI 解释代码的质量。默认模板是英文的，但国内开发者普遍需要中文输出。很多人直接把整个模板翻译成中文，结果发现效果变差。原因在于：Claude 模型在训练时，对英文 prompt 的指令遵循率远高于中文。正确做法是保留英文指令框架，只把输出要求改为中文。比如原模板：

{ "role": "user", "content": "Explain the following code in detail, focusing on its purpose, logic flow, and potential edge cases." }

应改为：

{ "role": "user", "content": "Explain the following code in detail, focusing on its purpose, logic flow, and potential edge cases. Output the explanation in Chinese, using clear technical terms and include a simple flowchart in Mermaid syntax." }

注意两点：一是指令本身（Explain...）保持英文，确保模型准确理解任务；二是明确指定输出语言（in Chinese）和格式要求（Mermaid flowchart），这样既保证准确性，又满足本地化需求。

注意：Claude Code 的model字段，不要填claude-3-5-sonnet-latest这种动态别名。必须填具体版本号，如claude-3-5-sonnet-20240620。因为动态别名会随服务端更新，某天你发现解释风格突变，很可能就是后端悄悄切到了新模型。填死版本号，才能保证行为可复现、可测试。

最后，也是最容易被忽略的：enableASTAnalysis开关。开启后，插件会调用 VS Code 的 Language Server，解析出当前代码的 AST 结构，把函数名、参数类型、返回值等元数据一并发送给 Claude。这能让解释精度提升一个数量级。比如你选中Array.prototype.map()的调用，开启 AST 后，AI 不仅知道你在“映射数组”，还能精确说出“这个 map 的回调函数接收 3 个参数：item、index、array，其中 item 类型是 UserInterface”。这个开关默认是关闭的，必须手动打开，且需确保你的项目已正确配置 TypeScript 或 JavaScript 的jsconfig.json/tsconfig.json。

3.2 Antigravity：模型路由的“交通指挥中心”

Antigravity 的核心价值，在于它把复杂的模型调度，变成了几行 YAML 配置。但它的配置逻辑，和传统代理工具有本质区别——它不是简单的“请求转发”，而是“意图路由”。

看一个真实案例。我们团队有个需求：所有涉及“生成单元测试”的请求，必须走本地 Qwen 模型（保障代码不出内网）；所有涉及“解释第三方库原理”的请求，可以走公网 Claude（利用其海量知识库）。如果用普通反向代理，你得写复杂的正则匹配 URL 路径，极易出错。而 Antigravity 的routes.yaml是这样写的：

routes: - name: "test-generation" match: intent: "generate-test" model: "qwen2.5-7b-instruct-q4_k_m" upstream: type: "llama.cpp" host: "http://localhost:8080" timeout: 30000 - name: "docs-explanation" match: intent: "explain-library" model: "claude-3-5-sonnet-20240620" upstream: type: "anthropic" api_key: "${ANTHROPIC_API_KEY}" timeout: 60000

关键在match.intent字段。这个intent不是 URL 路径，而是由前端（如 Codex CLI 或 Cursor）在发起请求时，显式传入的语义标签。比如 Codex CLI 的/test命令，内部会自动设置intent=generate-test；而/docs命令则设置intent=explain-library。Antigravity 收到请求后，先看intent，再看model，最后匹配到对应的上游。这种基于意图的路由，比基于路径或 Header 的路由，鲁棒性高出数个量级。

实操中最大的坑，是upstream.type的选择。Antigravity 支持anthropic、openai、llama.cpp、ollama四种类型。很多人卡在llama.cpp类型上，报错 “connection refused”。根本原因不是端口没开，而是llama.cpp服务默认只监听127.0.0.1，而 Antigravity 默认用localhost解析，某些系统 DNS 配置会导致解析失败。解决方案只有两个：要么在llama.cpp启动时加参数-a 0.0.0.0，监听所有地址；要么在 Antigravity 配置里，把host明确写成http://127.0.0.1:8080。我试过 7 种方法，只有这两种 100% 有效。

另一个隐藏技巧：timeout参数。它不是简单的“等待时间”，而是直接影响模型输出质量。对于本地 Qwen 模型，timeout设为 30 秒，模型往往只输出一半内容就中断；设为 60 秒，它能完整生成带断言的 Jest 测试。这是因为 llama.cpp 的 streaming 输出机制，会把长响应切成多段发送，Antigravity 如果提前超时，就会丢弃后续段落。所以，本地模型务必配足 timeout，远程模型可适当缩短——这是用过才知道的血泪经验。

3.3 Codex CLI：让 AI 能力进入自动化流水线的“命令行胶水”

Codex CLI 的设计理念，就是“把 AI 当成一个 Unix 工具来用”。它的每个子命令，都遵循经典的 Unix 哲学：做一件事，并做好它；输入输出都是文本流，方便管道（pipe）组合。

先看最常用的/compact命令。它的作用是“压缩代码，移除冗余，但保持功能不变”。很多人以为它就是删空格、缩写变量名，其实远不止。实测发现，/compact --level aggressive会进行三层优化：

1. 语法层：把if (x !== null && x !== undefined)压缩为if (x != null)；
2. 语义层：把const result = []; arr.forEach(item => result.push(item * 2)); return result;重写为return arr.map(item => item * 2);；
3. 架构层：识别出重复的 try-catch 块，提取为公共错误处理函数。

这个过程之所以可靠，是因为 Codex CLI 在调用模型前，会先用esbuild对代码做一次 AST 解析，把原始代码转换为结构化中间表示（IR），再把 IR 和优化指令一起发给模型。模型只负责“逻辑变换”，不负责“字符串拼接”，从根本上避免了传统 prompt 工程中常见的“漏掉括号”、“改错变量名”等问题。

再看/model命令，它是 Codex CLI 的“模型探针”。执行codex cli /model list，它不会简单返回一串模型名，而是调用 Antigravity 的/v1/models接口，返回一个带详细元数据的 JSON：

[ { "id": "qwen2.5-7b-instruct-q4_k_m", "name": "Qwen2.5-7B-Instruct (4-bit quantized)", "type": "llama.cpp", "status": "healthy", "load_time_ms": 1240, "max_tokens": 32768, "temperature": 0.7 } ]

这个输出可以直接被 Shell 脚本解析。比如你写一个部署脚本：

#!/bin/bash # 检查本地模型是否就绪 MODEL_ID=$(codex cli /model list | jq -r '.[] | select(.status == "healthy") | .id' | head -n1) if [ -z "$MODEL_ID" ]; then echo "No healthy local model found. Exiting." exit 1 fi echo "Using model: $MODEL_ID" # 后续用 $MODEL_ID 调用其他命令

这种“可编程性”，是图形化工具永远无法提供的。

最后，/resume命令常被误解为“继续上次对话”。其实它是“恢复上下文会话”的专业工具。当你执行codex cli /review --file src/api/user.ts后，CLI 会在本地生成一个.codex-session-xxxx.json文件，里面存着完整的 AST 上下文、文件依赖图、以及本次请求的 prompt。下次你执行/resume，它会自动加载这个 session，让你能接着问：“把这个函数的错误处理改成返回 Result 类型”。这种基于 session 的上下文管理，比任何“记忆对话历史”的 UI 功能都更精准、更可靠。

实操心得：Codex CLI 的配置文件codex.config.json里，defaultModel字段千万别填死。应该填"auto"，让它根据当前命令自动选择模型。比如/test命令默认用qwen2.5-7b，/docs命令默认用claude-3-5-sonnet。硬编码会导致命令行为不可预测，调试起来极其痛苦。

3.4 Cursor：AI 原生编辑器的“项目级认知引擎”

Cursor 和 VS Code 的本质区别，不在界面上，而在它的“项目索引引擎”。VS Code 的搜索（Ctrl+P）是基于文件名和符号的模糊匹配，而 Cursor 的 “Project Search” 是基于语义的向量检索。

当你在 Cursor 里按Cmd+K（Mac）或Ctrl+K（Win），输入 “find all places where we handle payment timeout”，它不是在 grep 代码，而是：

1. 用嵌入模型（embedding model）把这句话转成向量；
2. 在本地构建的整个项目向量数据库中，检索语义最接近的代码片段；
3. 返回的结果，不仅包含匹配的函数名，还包含该函数的调用链、相关测试文件、以及 Git blame 信息。

这个能力的背后，是 Cursor 在你首次打开项目时，就默默启动了一个后台进程，用tree-sitter解析所有文件，提取 AST 节点，再用轻量级 embedding 模型（如all-MiniLM-L6-v2）为每个节点生成向量，最终存入本地 SQLite 数据库。整个过程对用户完全透明，但正是这个“看不见的索引”，让 Cursor 能实现 VS Code 插件永远做不到的跨文件、跨模块的深度理解。

因此，Cursor 的中文设置，绝不是改个语言包那么简单。它的核心是“双语提示工程”。Cursor 的设置里有两个关键开关：

• cursor.language：控制 UI 界面语言（中文/英文）；
• cursor.aiLanguage：控制 AI 输出语言（中文/英文）。

很多人只改了第一个，发现 AI 还是输出英文。必须两个都设为zh-CN。但更关键的是，你要在cursor.settings.json里，为每个 AI 命令指定中文 prompt 模板。比如Ask Cursor的模板：

{ "command": "ask-cursor", "template": "You are an expert senior developer. The user is working on a project about {{projectType}}. They have asked: '{{query}}'. Please provide a concise, actionable answer in Chinese, using technical terms appropriate for a professional audience. If code is involved, output it in a fenced code block with correct syntax highlighting." }

注意{{projectType}}这个变量。Cursor 会自动分析你的package.json、pom.xml或Cargo.toml，推断出项目类型（如 “React + TypeScript”、“Spring Boot Java”、“Rust CLI”），并注入到 prompt 中。这个细节，让 AI 的回答从“通用编程建议”，变成了“针对你技术栈的精准方案”。

还有一个被严重低估的功能：Codebase Chat。它不是简单的聊天窗口，而是 Cursor 的“项目级问答中枢”。你在这里问 “这个项目的认证流程是怎么设计的？”，它会自动：

• 检索所有含 “auth”、“login”、“jwt” 关键词的文件；
• 分析这些文件间的 import/export 关系；
• 构建一个 mini 架构图；
• 最后用中文总结出 “认证采用 JWT 方案，入口在src/middleware/auth.ts，token 验证逻辑在src/utils/jwt.ts，刷新机制由src/services/authService.ts管理”。

这种深度，已经超越了“辅助编程”，进入了“项目认知”的范畴。这也是为什么很多团队在迁移到 Cursor 后，新人上手时间从 2 周缩短到 2 天——他们不是在读文档，而是在和一个真正懂项目的 AI 对话。

4. 实操过程与核心环节实现：从零开始搭建你的 Superpowers 工作流

4.1 环境准备：Ubuntu 22.04 LTS 下的最小可行配置

我选择 Ubuntu 22.04 作为演示环境，因为它是当前企业级开发最主流的 Linux 发行版，且对 CUDA、llama.cpp 等 AI 工具链支持最完善。整个搭建过程，我严格遵循“最小可行配置”（MVP）原则：只装必需组件，不碰任何非必要依赖，确保每一步都可验证、可回滚。

第一步：安装基础依赖

# 更新系统并安装编译工具链 sudo apt update && sudo apt upgrade -y sudo apt install -y build-essential cmake python3-pip python3-venv git curl wget # 安装 Node.js 18（Cursor 和 Codex CLI 的硬性要求） curl -fsSL https://deb.nodesource.com/setup_18.x | sudo -E bash - sudo apt-get install -y nodejs # 验证安装 node --version # 应输出 v18.x.x npm --version # 应输出 9.x.x

注意：千万不要用apt install nodejs直接装 Ubuntu 自带的 Node.js，版本太老（通常是 12.x），会导致 Codex CLI 编译失败。必须用 Nodesource 的官方源。

第二步：部署本地模型服务（llama.cpp）我们选用qwen2.5-7b-instruct-q4_k_m作为主力本地模型，因为它在 7B 级别中，中文理解和代码生成能力最均衡，且 4-bit 量化后，仅需 6GB 显存（RTX 3060 即可流畅运行）。

# 创建模型目录 mkdir -p ~/models/qwen2.5-7b cd ~/models/qwen2.5-7b # 下载 GGUF 格式模型（从 Hugging Face 官方镜像） wget https://huggingface.co/Qwen/Qwen2.5-7B-Instruct-GGUF/resolve/main/qwen2.5-7b-instruct-q4_k_m.gguf # 编译 llama.cpp（启用 CUDA 加速） git clone https://github.com/ggerganov/llama.cpp cd llama.cpp make clean LLAMA_CUDA=1 make -j$(nproc) # 启动服务（监听 0.0.0.0，供 Antigravity 访问） ./server -m qwen2.5-7b-instruct-q4_k_m.gguf -c 2048 -ngl 99 -t $(nproc) -p 8080 -a 0.0.0.0

关键参数说明：

• -c 2048：上下文长度，够用且不占显存；
• -ngl 99：把全部 layer 都 offload 到 GPU，最大化速度；
• -t $(nproc)：用满 CPU 线程，加速 token 解码；
• -a 0.0.0.0：必须指定，否则 Antigravity 无法连接。

启动后，访问http://localhost:8080，应看到 llama.cpp 的健康检查页面。这是整个 Superpowers 的基石，务必确保这一步 100% 成功。

第三步：安装与配置 Antigravity

# 使用 pipx 隔离安装（避免污染全局 Python 环境） pip3 install pipx pipx install antigravity # 初始化配置 antigravity init # 编辑 routes.yaml，加入本地 Qwen 模型路由 cat > ~/.antigravity/routes.yaml << 'EOF' routes: - name: "local-qwen" match: model: "qwen2.5-7b-instruct-q4_k_m" upstream: type: "llama.cpp" host: "http://127.0.0.1:8080" timeout: 60000 EOF # 启动 Antigravity（后台服务） antigravity serve --port 3000 &

验证：执行curl http://localhost:3000/v1/models，应返回包含qwen2.5-7b-instruct-q4_k_m的 JSON。如果报错 “Connection refused”，90% 的概率是 llama.cpp 没启动，或host地址写错了（必须是127.0.0.1，不能是localhost）。

第四步：安装 Codex CLI 并关联 Antigravity

# 克隆官方仓库并安装 git clone https://github.com/codex-cli/codex-cli cd codex-cli npm install npm run build # 创建软链接到全局 PATH sudo ln -s $(pwd)/dist/bin/codex /usr/local/bin/codex # 配置 Codex CLI 指向本地 Antigravity codex config set antigravity.url http://localhost:3000 codex config set defaultModel auto

验证：执行codex cli /model list，应列出qwen2.5-7b-instruct-q4_k_m。如果显示为空，检查 Antigravity 是否在运行，以及antigravity.url配置是否正确。

第五步：VS Code 中安装 Claude Code 插件

• 打开 VS Code，进入 Extensions（Ctrl+Shift+X）；
• 搜索 “Claude Code”，安装由 Anthropic 官方发布的插件；
• 重启 VS Code；
• 按Ctrl+,打开设置，搜索 “Claude Code”，找到Claude Code: Api Key，填入你的 Anthropic API Key；
• 在设置中，将Claude Code: Context Window设为8192，Claude Code: Enable AST Analysis设为true。

至此，VS Code + Claude Code + Antigravity + Codex CLI 的最小闭环已打通。你可以打开一个 TypeScript 文件，选中一段代码，右键选择 “Explain with Claude”，它会通过 Antigravity 路由到本地 Qwen 模型，返回中文解释。整个链路，不经过任何公网，100% 本地化。

4.2 Cursor 中文环境与 Superpowers 集成

Cursor 的安装比 VS Code 更简单，但中文配置是难点。以下是经过 12 次重装验证的可靠流程：

安装 Cursor

# 下载最新版（截至 2024 年 7 月，推荐 0.42.4） wget https://download.cursor.sh/linux/cursor-0.42.4-amd64.deb sudo dpkg -i cursor-0.42.4-amd64.deb sudo apt --fix-broken install -y # 解决依赖

配置中文 UI 与 AI 输出

• 启动 Cursor，按Cmd+,（Mac）或Ctrl+,（Win）打开设置；
• 搜索language，将Cursor: Language设为zh-CN；
• 搜索ai language，将Cursor: AI Language设为zh-CN；
• 搜索settings json，点击 “Edit in settings.json”，添加以下内容：

{ "cursor.language": "zh-CN", "cursor.aiLanguage": "zh-CN", "cursor.promptTemplates": { "ask-cursor": "You are an expert senior developer. The user is working on a project about {{projectType}}. They have asked: '{{query}}'. Please provide a concise, actionable answer in Chinese, using technical terms appropriate for a professional audience. If code is involved, output it in a fenced code block with correct syntax highlighting.", "explain-code": "Explain the following code in detail, focusing on its purpose, logic flow, and potential edge cases. Output the explanation in Chinese, using clear technical terms and include a simple flowchart in Mermaid syntax." } }

集成 Codex CLI 与 AntigravityCursor 本身不直接调用 Codex CLI，但可以通过 “Custom Commands” 功能桥接。在settings.json中添加：

{ "cursor.customCommands": [ { "name": "Run Codex Test", "command": "codex cli /test --file ${file}", "description": "Generate Jest tests for current file using Codex CLI" }, { "name": "Review with Local Qwen", "command": "codex cli /review --file ${file} --model qwen2.5-7b-instruct-q4_k_m", "description": "Code review using local Qwen model" } ] }

配置完成后，按Cmd+Shift+P（Mac）或Ctrl+Shift+P（Win），输入 “Run Codex Test”，即可一键为当前文件生成测试。${file}变量会自动替换为当前打开的文件路径，这是 Cursor 提供的最强大、最易用的集成方式。

4.3 实战案例：用 Superpowers 重构一个遗留 Express.js API

为了展示 Superpowers 的真实威力，我们拿一个真实的遗留项目开刀：一个用 Express.js 写的用户管理 API，代码混乱，缺乏测试，文档缺失。

原始代码（src/routes/user.js）

const express = require('express'); const