Claude Code + GLM-5 + Superpowers 低成本高效 AI 编程组合配置实战

最近不少人在折腾 Claude Code 时都会遇到一个共同的问题：官方订阅贵、模型能力虽强但消耗快，而换到别的模型又经常碰到“一堆莫名其妙的报错”。我自己的主力工作流最近也经历了一轮大改，从最初的 Claude Code 直接连官方，切换到 Claude Code + GLM-5 + Superpowers 这套组合，实测跑了两周之后，体验确实超出了我的预期。这篇就把整个折腾过程、踩坑记录、以及最终稳定运行的配置方式完整分享出来，希望能帮到正在同样摸索的朋友。

这套组合解决的核心问题很明确：用 Claude Code 的 Agent 框架和交互体验，配上 GLM-5 的推理能力和性价比，再加上 Superpowers 这个 Skill 系统来补齐工程方法论。简单说，Claude Code 负责干活，GLM-5 负责思考，Superpowers 负责让思考更有章法。适合有编程基础、想把 AI 编程工具真正用起来的开发者，也适合那些已经试过 Claude Code 但被模型成本或 API 配置卡住的人。

1. 整体设计思路：为什么是这三样东西拼在一起

1.1 先搞清楚每样东西的本质

先说 Claude Code。它是 Anthropic 官方推出的命令行 AI 编程工具，跑在终端里，能够在你的项目目录下读取代码、执行命令、修改文件、运行测试。和 Cursor、Copilot 这类 IDE 插件最大的不同在于，Claude Code 是一个真正的 Agent 循环：它会自己分析任务、决定下一步做什么、调用工具、然后根据结果继续推进，而不是简单地你问一句它答一句。这个差异在复杂任务下尤其明显，比如一次重构涉及十几个文件，Claude Code 能自己按依赖顺序改完再跑测试验证。

再说 GLM-5。这是智谱 AI 的新一代大模型，在代码生成、逻辑推理和长上下文理解上表现很亮眼。社区里不少人拿它和 Claude 的付费模型对比，结论是目前 GLM-5 在中文理解、代码补全和工具调用上已经非常接近，甚至在某些场景下速度和稳定性更占优势。更重要的是，GLM-5 提供了 Anthropic 兼容的 API 接口，这意味着你不需要改 Claude Code 的核心代码，只需要把请求地址指向智谱的端点，就能让 Claude Code 驱动 GLM-5 干活。

最后是 Superpowers。这是社区开发者 obra 维护的一个 Claude Code 技能扩展包，本质上是一套 SKILL.md 文件加一个 MCP 服务。它把过去靠人肉提示词维护的工程方法论给形式化了：头脑风暴、任务规划、TDD（测试驱动开发）、调试、代码审查，全都是现成的技能模块。Claude Code 会在合适的场景自动加载对应的技能文件，然后按照里面的流程执行。

1.2 这套组合到底解决了什么问题

把这三样拼在一起的底层逻辑，其实是在回答一个现实问题：怎么用最少的钱，获得最接近官方付费版的 AI 编程体验。

Claude Code 官方版本默认绑定 Claude 订阅或者官方 API，能力没话说，但对个人开发者来说成本不低。而且订阅制还存在限制，团队管理、账号策略这类问题在社区里已经看到不少人踩过坑。这时候 GLM-5 的价值就出来了：通过兼容 API 接入，你可以在 Claude Code 里调用 GLM-5，成本可能只需要官方 API 的几分之一，而且国内网络环境下延迟往往更低。

但光有模型和工具框架还不够。Claude Code 本身默认的“自由发挥”模式有一个问题：它在处理大型任务时，容易直接跳到编码阶段，上来就写代码，缺乏需求澄清、方案设计、逐步验证这样的过程控制。对于小而明确的任务这没问题，可一旦任务复杂度上来，这种“想当然”的工作方式就会导致反复推倒重来。Superpowers 恰好补上了这一层——它让 Claude Code 在动手之前先做头脑风暴、写计划、拆任务，然后每个步骤跑测试验证。简单说，Superpowers 是给 Claude Code 装上了一套软件工程的方法论。

1.3 和官方方案对比：这套组合的取舍

我自己实际对比过三种方案：官方 Claude Code 订阅版、Claude Code 接 DeepSeek、以及当前这套 Claude Code + GLM-5 + Superpowers。

官方订阅版省心，体验最丝滑，但每个月费用固定，而且控制台里经常看到 token 消耗飞快，一个大任务做下来成本还是挺敏感的。接入 DeepSeek 的方案社区里讨论很多，不过实测下来代码生成质量能满足日常需求，但在复杂多文件项目里的整体一致性和推理深度上，GLM-5 的表现更稳一些。

Superpowers 的加入是这套组合最大的增量。它不是换了一个模型，而是改变了 Claude Code 的工作方式。你在对话里输入一个模糊的需求，如果没有 Superpowers，Claude Code 可能会直接开始写代码；有了 Superpowers 之后，它会先调用 brainstorm 技能跟你澄清需求，再调用 plan 技能输出实现方案，确认之后才开始动代码，最后还有 code review 环节。这个流程上的差异，对最终项目质量的提升是非常明显的。

2. 工具选型解析：CLI、桌面版和 VSCode 插件怎么选

2.1 三个入口的区别与适用场景

Claude Code 目前有三个主流使用入口：原生 CLI（命令行）、桌面版、以及 VSCode 插件版。很多新手一开始会比较懵，不知道这三个到底有什么区别，我分别说下实际使用感受。

CLI 版是功能最完整、更新最快的，也是最推荐的主力入口。它在终端里运行，支持全屏交互模式，而且最重要的能力——Agent 自主循环、工具调用、文件读写——都是基于 CLI 的。CLI 还有个好处是可以在 SSH 连接远程服务器上跑，或者配合 tmux 这类终端复用工具，把 Claude Code 挂在后台持续工作。桌面版本质上是把 CLI 包了一层原生窗口，同时提供了项目管理界面，更直观，但底层行为跟 CLI 一致。VSCode 插件版适合喜欢在编辑器里干活的人，它在编辑器侧边栏提供对话面板，对当前文件的上下文感知比较好，但如果你项目里文件特别多，插件版在上下文管理上不如 CLI 灵活。

我的建议是：主用 CLI，调试时用 VSCode 插件，桌面版可以作为日常观察任务进度的辅助。三个入口共用同一个账户和配置体系，可以在不同环境之间无缝切换。

2.2 Node.js 环境与 npm 安装步骤

Claude Code 的本质是一个 Node.js 命令行应用，所以第一步是把 Node.js 环境准备好。不同系统下的安装方式有差异，但核心逻辑一样。

Windows 上最常见的坑是 PATH 环境变量。如果安装完 Node.js 之后执行 node --version 提示找不到命令，多半是安装时没有勾选“Add to PATH”。macOS 上我推荐用 Homebrew 安装：brew install node@20，然后用 brew link --overwrite node@20 把版本链接到系统路径。Ubuntu 这类 Debian 系 Linux 系统，直接用 sudo apt install nodejs npm 是省事，但版本普遍偏老，Node 18 以下跑 Claude Code 大概率报错，建议用 NodeSource 源装 Node 20 或更高版本。

Node 环境就绪后，安装 Claude Code 本质就一条命令：

bash复制npm install -g @anthropic-ai/claude-code

装完之后执行 claude --version 确认安装成功。如果提示 claude: command not found，那就说明 npm 的全局 bin 目录没在 PATH 里，Windows 上检查 %APPDATA%\npm，macOS/Linux 上检查 /usr/local/bin 或 $(npm prefix -g)/bin 是否在 PATH 中。

2.3 配置 GLM-5：核心的环境变量设置

装好 Claude Code 之后，正常启动会进入官方订阅登录流程。但我们这里要改造成 GLM-5 驱动，所以需要跳过登录，用环境变量告诉 Claude Code 去哪里请求模型。

整个接法的核心就两个环境变量：

bash复制export ANTHROPIC_BASE_URL="https://open.bigmodel.cn/api/anthropic"
export ANTHROPIC_AUTH_TOKEN="你的智谱API Key"

ANTHROPIC_BASE_URL 指向的是智谱提供的 Anthropic 兼容端点，ANTHROPIC_AUTH_TOKEN 填你在智谱开放平台创建的 API Key。设置完之后，Claude Code 发出的所有请求都会发往智谱服务器，同时它以为自己在跟 Anthropic 对话，实际上对方是 GLM-5 在响应。

这里还有一个关键的附加设置：模型名称。Claude Code 默认会请求它的官方模型名，但智谱网关需要通过模型名来路由到具体的大模型版本。所以你还需要显式指定模型名：

bash复制export ANTHROPIC_MODEL="glm-5"
export ANTHROPIC_SMALL_FAST_MODEL="glm-5-flash"

ANTHROPIC_MODEL 是主模型，负责核心推理和代码生成；ANTHROPIC_SMALL_FAST_MODEL 是快速小模型，Claude Code 会把它用于一些轻量级任务，比如标题生成、简单总结。分设两个模型的好处是成本和速度都能兼顾，复杂任务走大模型，琐碎任务走小模型。

如果你觉得每次开终端都要手动 export 很麻烦，可以把这些环境变量写入 Claude Code 的配置文件。推荐在项目根目录创建 .claude/settings.json，或者用用户级全局配置 ~/.claude/settings.json：

json复制{
  "env": {
    "ANTHROPIC_BASE_URL": "https://open.bigmodel.cn/api/anthropic",
    "ANTHROPIC_AUTH_TOKEN": "你的智谱API Key",
    "ANTHROPIC_MODEL": "glm-5",
    "ANTHROPIC_SMALL_FAST_MODEL": "glm-5-flash"
  }
}

这样配置之后，每次在这个目录下启动 Claude Code，它会自动加载这些环境变量，不用再手动 export。这个方式还有一个好处：你可以在不同项目里用不同的模型配置，比如这个项目用 GLM-5，那个项目用其他兼容模型，切换项目就是切换配置的事。

2.4 验证配置是否生效

配置完成之后，怎么确认 Claude Code 真的在用 GLM-5 而不是偷偷走了官方通道？三步检查法：

第一步，启动 Claude Code 之后随意问一句“你好，请用一句话介绍你自己”，如果它回复的身份是智谱或者 GLM 相关，说明已经接上了。第二步，在对话中发送 /status 指令，Claude Code 会显示当前连接的信息，包括模型名称和请求端点。如果显示的是 https://open.bigmodel.cn/api/anthropic 开头，说明配置没问题。第三步，去智谱开放平台的控制台看请求日志，应该有对应的调用记录。

有一个容易忽视的点：设置完环境变量之后，必须完全退出 Claude Code 进程再重新启动，不能只靠新开对话来刷新配置。因为环境变量是在进程启动时一次性加载的，中途修改不会生效。

3. Superpowers 技能框架深度拆解

3.1 Superpowers 到底给 Claude Code 带来了什么

Superpowers 这套东西，本质上是一套“技能文件包”。在 Claude Code 的机制里，技能文件放在 .claude/skills/ 目录下，每个技能是一个子目录，里面有一个 SKILL.md 文件。这个文件用 Markdown 编写，开头有一段 YAML frontmatter，声明技能的 name 和 description。

Claude Code 的 Agent 在对话过程中会不断判断：当前用户需求是否匹配某个技能的描述？如果匹配，它就会自动加载这个技能文件，把里面的工作流程当作系统提示词的一部分来执行。这就是 Skills 最核心的魔法——它不是靠用户在对话里手动粘贴一大段提示词，而是让 AI 在合适的时候自己找到并应用这套方法论。

Superpowers 正是这个机制的最大受益者。obra 这个作者把过去几年在 AI 辅助编程实践中总结出来的方法论，拆成了十几个模块化技能。每个技能对应一个典型场景，比如 brainstorming 用于需求澄清、planning 用于生成实施计划、TDD 用于测试驱动开发、debugging 用于系统化排查问题。这套体系的价值在于，它把“软件工程经验”从隐性知识变成了显性文件，而且是模型可以直接读取和执行的。

3.2 安装 Superpowers 的具体步骤

Superpowers 的安装方式在不断的迭代中，主流的做法是通过 Claude Code 的插件市场机制安装。

在 Claude Code 对话中输入以下命令添加插件市场：

code复制/plugin marketplace add obra/superpowers-marketplace

添加成功后，再输入：

code复制/plugin install superpowers@superpowers-marketplace

安装完成后，Superpowers 的 skills 会自动落到你的 Claude Code 配置目录下。这时候可以检查一下 ~/.claude/skills/ 目录，应该能看到一大堆子目录，每个子目录对应一个技能，每个里面都有一个 SKILL.md。

还需要注意，Superpowers 同时附带了一个 MCP 服务，叫做 superpowers-mcp，它负责管理“写计划”这类技能的执行状态。如果 MCP 没配好，planning 技能会提示 MCP 工具不可用，所以安装完记得确认 MCP 连接状态。在对话里输入 /mcp 就能看到当前所有 MCP server 的状态，正常应该显示 superpowers 已连接。

如果你因为网络原因装不上插件市场，也有备选方案：直接从 GitHub 仓库把 skills 目录 clone 下来，放进 ~/.claude/skills/，手动配置 MCP server 指向本地路径。这个方式适合脚本化部署，但升级比较麻烦，需要重新拉取代码。

3.3 核心技能逐一实测

装好 Superpowers 之后，我花了两天时间把核心技能过了一遍，这里挑几个我实际用下来效果最好的说一下。

brainstorm 技能是我用频率最高的。它会要求 Claude Code 在开始任何工作之前，先通过一系列提问来澄清需求。比如你说“帮我做一个批量文件重命名工具”，没有这个技能时 Claude Code 可能会直接写代码。有了 brainstorm，它会先问：文件命名规则是什么？是否要处理子目录？重命名是否需要日志回滚？这些看起来简单的提问，其实能把需求从模糊变得清晰，避免后面返工。

planning 技能紧随其后，它会把澄清后的需求拆解成一个步骤清单，并且直接写入项目里的一个 markdown 文件。这个文件不仅仅是给人看的，更重要的是给 AI 自己后续执行用的参考。当 Claude Code 开始写代码时，它会时不时翻看这个计划文件，确保自己没有跑偏。实测下来，这个机制对多文件项目特别有效，AI 不会写着写着就把最初的目标忘了。

TDD 技能则把测试驱动开发的流程固化了下来：先写失败测试，再写实现，最后运行测试验证，循环推进。这个技能对 GLM-5 这类模型特别友好，因为先写测试相当于给模型提供了一个明确的目标，代码生成会更有方向性。

debugging 技能我遇到过几次模型写错代码的情况，使用这个技能后 Claude Code 不会再漫无目的地乱猜，而是先要求复现问题、再缩小范围、最后定位根因并修复。整个过程就像真实的程序员在排查问题，而不是那种“凭感觉改一行代码试试”的撞运气模式。

3.4 自己动手写一个 Skill

Superpowers 除了用现成技能，还提供了一个思路：你完全可以给 Claude Code 定义自己的专属技能。这个能力非常实用，尤其当你发现自己在某个特定场景下反复使用同一套提示词时，把它固化成技能是最优解。

写技能的原理很简单：在 .claude/skills/ 下创建一个目录，比如 my-skill/，然后里面放一个 SKILL.md 文件，格式大致如下：

markdown复制---
name: my-skill
description: 当用户需要进行某某类型任务时使用此技能，典型触发场景包括……
---

# 技能名称

你是一个专业的……，在开始之前你需要……

## 工作流程

1. 首先……
2. 然后……
3. 最后……

关键就在 description 里。这段描述写得越准确，Claude Code 的匹配越精准。我一般会写清楚三件事：技能针对什么场景、什么输入条件下触发、执行完输出什么格式。描述写得好的技能，调用率会高得离谱；写得太泛或者含糊，模型要么不触发，要么乱触发。

这个机制也解释了为什么 Superpowers 这套组合值得学习——它把提示工程从“对话里临时写”变成了“结构化的技能文件”，体验完全是两个层面。

4. 实操全过程：一次完整项目的跑通记录

4.1 一个典型需求的完整链路

为了更直观地展示这套组合的实际运行效果，我用一个真实的小项目来做完整跑通：写一个命令行工具，自动扫描某个目录下的所有图片文件，按拍摄日期重新组织目录结构，比如 2025/06/123456.jpg 这样的格式，同时生成一份重命名日志，便于回溯原始文件名。

这个需求乍看不复杂，但涉及文件扫描、EXIF 元数据读取、目录操作、日志记录、命令行参数解析，还有处理重名文件等边界情况，足以测试这套工作流的全貌。

4.2 从 brainstorming 到 coding 的完整路径

启动 Claude Code 后，我输入了需求描述，然后加了一句：“请先用 brainstorming 技能帮我澄清需求。”

Claude Code 立刻进入技能流程，开始连环提问。它问到了几个我之前没细想的问题：不支持的格式（比如 HEIC）怎么处理？重名文件是覆盖还是加后缀？要不要支持 dry-run 模式预览效果？是否需要跳过已经组织好的文件？这些问题问完之后，它自动生成了一个需求确认摘要，让我逐条确认。

确认后我让它继续调用 planning 技能，Claude Code 基于需求生成了一个 markdown 计划文件，内容包含：项目结构设计、依赖选择（用 piexif 库读取 EXIF）、模块划分、实现顺序、测试计划。这个文件写在 docs/plan.md 里，后续整个开发过程中 Claude Code 始终会参考这份文档。

接下来才是真正的编码阶段。按 TDD 流程，Claude Code 先写了针对文件名生成逻辑的单元测试，然后实现核心模块，再运行测试验证。遇到测试失败的时候，它没有硬改测试迁就实现，而是分析失败原因调整代码。整个过程我可以随时通过 /status 查看进度，也可以让它停下来解释每一段代码的意图。

整个项目从需求开始到全部跑通，我大概手动确认了五六次，其余时间都是 Claude Code 自主推进。最终生成的文件结构如下：

text复制photo-organizer/
├── main.py
├── organizer/
│   ├── __init__.py
│   ├── scanner.py
│   ├── renamer.py
│   └── logger.py
├── tests/
│   ├── test_scanner.py
│   └── test_renamer.py
├── docs/
│   └── plan.md
└── requirements.txt

4.3 代码质量与过程质量评估

项目跑完之后，我做了一次独立的 code review，评估这份代码的真实质量。

首先，代码结构是清晰的，模块划分合理，scanner 负责扫描文件树，renamer 负责核心的重命名逻辑，logger 负责日志记录，职责单一，耦合度低。其次，边界情况处理得比我想象中好，比如遇到无法读取 EXIF 的文件时会 fallback 到文件修改时间，再不行就用文件名里的日期字符串做正则匹配，最后兜底放到 unknown 目录。这些都是很老练的处理思路。

测试方面，TDD 流程保证了核心逻辑有测试覆盖，我数了一下有 12 个测试用例，覆盖了正常路径、无 EXIF、重名文件、非法日期等主要边界条件。虽然测试的断言细节有些地方还能打磨，但对于一个命令行小工具来说这个质量已经超过不少人类写的水平了。

4.4 性能、成本与稳定性观察

两周实测下来，这套组合的稳定性和成本控制确实值得说一句。

响应速度方面，GLM-5 在国内网络环境下的首 token 延迟明显比连海外 API 快，实际体感大概快了一倍不止。这个对使用体验的提升是决定性的，特别是高频交互的过程中，等待时间越长越容易打断思路。

成本方面，智谱开放平台的定价比官方 API 有优势，而且小任务自动走 glm-5-flash 进一步拉低了成本。我这两周高强度使用，涉及一个中型项目重构和若干小工具开发，整体花费完全在个人开发者可接受的范围内。

稳定性方面，没有遇到过半途 connection timeout 导致任务中断的情况，长上下文的处理也还在可控范围内。不过我要提醒一点：GLM-5 在超长对话（比如连续几小时的交互后）偶尔会出现“忘记最早上下文”的迹象，遇到这种情况及时开新会话把关键信息带过去就好。

5. 常见问题与排查技巧实录

5.1 模型识别报错的完整解决方案

使用 Claude Code 接第三方模型时，最经典的报错就是：

text复制'glm-5' is not a model this version of claude code recognizes, so auto-compact settings that refer to it will not take effect

这个报错第一次出现时我也懵了一下，以为模型名写错了。排查后发现真相是：Claude Code 内部维护了一个它“认识”的模型名单，CLAUDE Code 版本较老时，名单里没有 GLM-5，于是启动时给出警告。

这个警告实际不影响主流程，Claude Code 依然会把请求发出去，智谱网关会正确路由到 GLM-5。但也会带来一个副作用——自动压缩功能的配置可能不生效。Claude Code 的 auto-compact 会在大约 90% 上下文快满时触发，如果不生效，长对话会一直累积上下文直到超出模型限制。

解决这个问题的标准做法是升级 Claude Code 到最新版本：npm update -g @anthropic-ai/claude-code。新版本普遍已经包含了较新的模型名单，对 GLM 系列的支持也更完善。如果升级后还报错，也可以在配置文件的 env 里显式加上模型名，确保对话过程中不会出错。

5.2 PATH 与启动类问题速查

这类问题是最常见的“入门劝退点”，我整理了一个速查表，方便出现问题的时候直接对照：

关于卸载，社区里也有不少人在问怎么干净卸载。我的经验是分两步走：先 npm uninstall -g @anthropic-ai/claude-code，再手动删除残留的配置目录（macOS/Linux 是 ~/.claude/，Windows 是 %USERPROFILE%\.claude\）。不然配置目录留在那里，重装之后老配置还会被加载，容易出各种莫名其妙的调试问题。

5.3 订阅与 API Key 相关的坑

热词里有一句很典型：your organization has disabled claude subscription access for claude code，这个报错的意思是：你当前登录的 Anthropic 账号的组织策略禁止使用 Claude Code 订阅权限。

这种情况通常发生在企业组织账号上，管理员为了管控使用成本，关闭了 Claude Code 的订阅通道。解决办法是不要登录官方账号，而是完全走 API Key 模式。如果你已经登录过官方账号，可以用 claude logout 退出，然后只设环境变量走 GLM-5 的兼容 API 流程。

另外还有一个常见误区：API Key 和订阅是两套独立体系。订阅走的是 Anthropic 账号的会员权限，API Key 走的是开发者的按量计费通道。Claude Code 默认会优先识别登录状态，所以如果你同时登录了账号又配置了 API Key，它可能还是会走订阅通道。要彻底走 API 模式，需要退出登录，保证环境变量的 ANTHROPIC_AUTH_TOKEN 生效。

5.4 Skills 不生效的排查思路

Superpowers 装完之后，最让人头大的就是“明明装了，但 Claude Code 就是不调用技能”。我总结了一下，这个问题通常有三个原因。

第一是描述匹配不上。Claude Code 的技能触发完全靠 SKILL.md 里的 description 和用户当前意图是否匹配，如果描述写得太抽象，模型识别不出来，就不会触发。解决办法是直接跟 Claude Code 说“请使用 xxx 技能”，强制让它加载。

第二是技能目录位置不对。Claude Code 的技能搜索路径是固定的，用户级是 ~/.claude/skills/，项目级是项目根目录的 .claude/skills/。如果你的技能文件放在了别的地方，模型根本扫描不到。

第三是 MCP 服务没起来。Superpowers 的某些技能（尤其 planning）依赖 MCP 服务提供工作状态管理，如果 MCP 没连上，技能会报工具不可用。检查方式是 /mcp 看连接状态。

5.5 长对话性能退化与超时问题

最后聊聊长对话和超时问题。CLI 模式跑久了之后，会话上下文越来越长，有几类问题会逐渐暴露：模型响应变慢、Claude Code 偶尔重复执行相同的工具调用、或者直接因为请求超时中断。

针对中断问题，我的处理方式是把 Claude Code 挂在 tmux 会话里，这样即使网络断了，终端窗口关了，进程还能在后台继续跑，重连之后随时切回去看进度。另外建议在重要节点主动执行 /compact 压缩上下文，或者干脆开新会话，在开头把项目背景、已完成的工作、当前状态概括一下，让模型重新进入状态。这套操作熟练之后，基本不会再因为上下文过长而打断工作节奏。

6. 扩展玩法：这套组合还能怎么继续往下走

6.1 在 VSCode 插件和桌面版上复用同一套配置

如果你已经通过 CLI 配好了 GLM-5 和 Superpowers，那 VSCode 插件和桌面版基本可以直接复用同一套配置，因为它们共用用户级配置目录和项目级配置目录。

VSCode 插件版在配置上有一点需要注意：插件版有自己的配置入口，但它同样会读取项目里的 .claude/settings.json。所以只要你把环境变量写进了配置文件，插件版启动时也会自动加载。桌面版同理。这样你可以在 CLI 里跑长任务，在 VSCode 里快速改文件，在桌面版里看整体进度，互相切换不会造成配置混乱。

6.2 把私有技能沉淀成团队模板

Superpowers 的玩法不只是个人使用。因为我可以通过 SKILL.md 定义自己的技能，所以你可以针对团队的实际项目沉淀一套内部技能包：比如前端团队的代码规范检查技能、后端团队的接口设计流程技能、甚至运维团队的发布检查清单技能。把技能文件放进项目仓库的 .claude/skills/ 目录，所有开发这个项目的同事拉取代码后就能自动使用这些技能。

这个玩法本质上是在做团队知识库的“可执行化”——之前文档里写“开发新接口需要先定义 schema，再写实现，再补测试”，现在直接变成一个 Claude Code 能主动执行的技能，新人不需要反复读文档，AI 直接按团队的规范帮他完成流程。这件事的价值，用一次日常开发就能体会出来。

6.3 结合 CI/CD 做定时自动任务

再往后走，Claude Code 作为命令行工具，天然适合被脚本调用。你可以把 Claude Code 挂在 CI 流程里，对每个 pull request 自动跑一遍 code review 技能，输出审查意见。也可以写个定时任务，每天让 Claude Code 扫描项目的 TODO 注释，自动生成待办清单，甚至直接修掉简单的技术债。

这些玩法有一个共同的底座：CLI 可以非交互式执行命令。比如：

bash复制claude -p "请对 src/ 目录下的代码进行一次 code review，输出问题清单" --output-format json

这种无人值守的执行方式，让 Claude Code 从“交互式助手”进化成了“自动化流水线的一员”。

6.4 值得关注的后续演进方向

最后说下我观察到的趋势。Claude Code 的 Skill 机制还在快速演进，社区里已经出现了很多类似 Superpowers 的技能包。未来很可能每个团队、每个项目、甚至每个资深开发者，都会维护自己的一套技能文件。这些技能文件把个人经验固化成了 AI 可以执行的流程，本质上是在做“经验的资产化”。

GLM 系列的迭代速度也很快，按照目前的节奏，新一代模型在代码推理上的能力还在持续提升，第三方模型与 Claude Code 的适配度也会越来越好。可以预见的是，这套“开源工具 + 国产模型 + 技能框架”的组合会越来越成熟，最终给开发者带来的体验，可能超过官方封闭方案的默认体验。

我个人在实际操作中的体会是：这套组合最值得的不是省了多少钱，而是让我重新审视了 AI 编程这件事本身。以前我把它当搜索工具，后来当成结对编程助手，现在装了 Superpowers 之后，我更愿意把它当成一个带方法论的新员工——你给它清晰的流程和反馈，它能交出比预期更稳的结果。不管你是刚接触 Claude Code 的新手，还是已经在用官方版的老手，我都建议花一个下午把 GLM-5 和 Superpowers 配上试一下，也许你会跟我一样，用完就回不去了。