最近有人在问我：AI编程到底到了哪一步？是噱头还是真能干活？

我的回答是：看你用什么工具。

今天聊两个本周在GitHub上爆火的项目，一个解决了”AI不懂你的代码库”的痛点，另一个解决了”AI写代码像无头苍蝇”的问题。我自己都在用，感受很真实。

先说背景：AI编程的两大尴尬

用过AI编程工具的人，大概都踩过两个坑：

坑一：AI读不懂你的项目。

你问它”这个函数调用了哪些地方”，它开始猜。你问它”改这个接口会影响哪些服务”，它说”建议你全局搜索一下”。本质上，大多数AI编程工具对代码的理解是”文件级”的——它能看到一个个文件的内容，但理解不了文件之间、函数之间、服务之间的复杂调用关系。

坑二：AI写代码没有章法。

你让它实现一个功能，它上来就写。写到一半发现需求理解错了，推倒重来。或者写完了才发现没写测试，回头补。更惨的是，它在一个文件里改了一通，结果把别的地方搞炸了。没有设计、没有计划、没有质量把控——像个刚毕业的新人，热情有余，章法不足。

这周GitHub Trending上爆火的两个项目，正好分别解决了这两个问题。

codebase-memory-mcp：给AI装上”代码地图”

先说数据：**一天涨星2300+**，在今天的GitHub Trending上排名第一。

这个项目叫 codebase-memory-mcp，来自 DeusData。一句话概括：把你的整个代码库索引成一个知识图谱，让AI通过这个图谱来理解代码。

这听起来像是”又做了一个代码搜索工具”？不是。

传统的AI编程工具理解代码的方式，基本上是”读文件”。你问一个问题，它把相关文件读一遍，然后回答。问题是，一个中大型项目动辄几十上百个文件，AI不可能全部读完——token成本太高，速度也太慢。

codebase-memory-mcp 的做法是：用 tree-sitter 对代码做语法解析（支持158种语言），然后把函数、类、调用链、HTTP路由、跨服务链接这些结构信息全部提取出来，存成一个持久化的知识图谱。AI查这个图谱，一次查询不到1毫秒，消耗的token只有原来的不到1%。

项目给出了一个对比数据：5个结构性查询，用知识图谱大约消耗3400个token；如果用传统的文件搜索方式，大约要412000个token。差了120倍。

这是什么概念？如果你的项目有几十万行代码，用传统方式AI基本上是”盲人摸象”——每次只能看到局部，理解不了全局。而有了知识图谱，AI可以在毫秒级别回答”这个函数被谁调用了”、”改动这个接口影响范围有多大”、”哪些代码是死代码”这类结构性问题。

几个让我觉得有意思的设计：

Hybrid LSP 语义类型推断。 不仅仅做语法解析，还结合了LSP（语言服务器协议）来做类型推断。这意味着它不仅知道”这里调用了foo”，还知道”foo的返回值是Bar类型，被传给了baz”。对于Python、TypeScript、Go、Rust等主流语言都支持。

基础设施即代码索引。 Dockerfile、K8s manifests、Kustomize都能索引，还会建立交叉引用。这对DevOps来说很实用——你能追踪一个K8s资源被哪些服务引用。

一键安装，零依赖。 单个静态二进制文件，macOS/Linux/Windows全平台支持。不用装Docker，不用配环境变量，下载、安装、重启AI——完事。它还能自动检测你装了哪些AI编程工具（Claude Code、Codex CLI、Gemini CLI、Zed、OpenClaw等11种），自动配置好MCP连接。

本地处理，代码不上传。 所有解析都在本地完成。对于公司项目来说，这点很关键。

当然，也有需要观望的地方：项目的论文预印本（arXiv:2603.27277）显示在31个真实仓库上评测，答案质量83%。这个数字还不错，但31个仓库的样本量不算大，在更复杂的生产环境里表现如何还需要验证。

另外，它本质上还是一个”只读”工具——帮你理解代码，但不会帮你改代码。真正写代码的时候，你还需要另一个维度的工具。

这就引出了今天的第二个项目。

Superpowers：给AI编程装上”SOP”

**一天涨星1400+**，同时在Claude、Codex、Cursor、Gemini等主流AI编程工具的插件市场都能直接装。

Superpowers 来自 obra，定位是”AI编程的完整方法论框架”。如果说 codebase-memory-mcp 解决的是”AI看不懂代码”的问题，Superpowers 解决的是”AI写代码没章法”的问题。

它的核心理念很简单：不要让AI直接写代码，先让它搞清楚要干什么。

听起来像废话？但大多数AI编程工具的工作方式就是：你说一句”帮我做个登录功能”，它直接开始撸代码。做到一半发现没考虑密码加密，又重来。做完了发现没写测试，再补。来回折腾，代码质量还没保证。

Superpowers 定义了一套强制流程，分几个阶段：

第一阶段：头脑风暴。 AI不会急着写代码，而是先问你：”你到底要做什么？”通过多轮对话，把模糊的需求变成清晰的设计文档。然后分块展示给你确认——不会一次性甩一个5000字的设计文档让你看完。

第二阶段：制定计划。 设计确认后，AI把工作拆成2-5分钟的小任务，每个任务有明确的文件路径、完整的代码、验证步骤。这份计划详细到”一个热情但品味一般、没有项目上下文、不爱写测试的初级工程师”都能跟着做。

第三阶段：子代理执行。 你说”开始”，AI启动子代理（subagent）来逐个执行任务。每个子代理完成一个任务后，会有两轮审查——第一轮检查是否符合规格，第二轮检查代码质量。问题严重的会阻止后续任务。据说AI可以连续自主工作几个小时不跑偏。

第四阶段：收尾。 跑测试、合并分支、清理工作区。

还有贯穿全程的TDD（测试驱动开发）：先写失败的测试，看它失败，写最小代码让测试通过，提交。如果你先写了代码再补测试，它会强制删掉——逼你走RED-GREEN-REFACTOR的流程。

这套方法论最妙的地方在于：它是自动触发的。 你不需要手动调用什么命令，只要Superpowers检测到你在做开发，它就会自动启动这套流程。装了插件之后，你的AI编程工具就”自动拥有”了这些能力。

我现在自己就在用类似的技能框架（OpenClaw的skills系统），体感上最大的变化是：AI不再是一个”你说一句它做一步”的工具，而是变成一个有方法论、有节奏的协作者。它会在你冲动的时候拉住你说”等等，我们先想清楚再动手”。

两个项目放在一起看：AI编程的下一站

把 codebase-memory-mcp 和 Superpowers 放在一起，你会发现一个趋势：AI编程正在从”辅助补全”走向”工程化协作”。

过去两年，AI编程工具的核心卖点都是”补全代码”——你写一行，它补三行。Cursor、GitHub Copilot、通义灵码，基本上都是这个路线。但补全解决的是效率问题，不解决质量问题。

现在的新一代工具开始在更高层面发力：

  • 理解层面（codebase-memory-mcp）：让AI真正理解项目结构，而不是逐文件扫描
  • 流程层面（Superpowers）：让AI遵循软件工程方法论，而不是随心所欲地写

当这两个层面都成熟了，AI编程才真正有可能从”好用”变成”可靠”。

不过，也有个现实问题：这套组合的学习成本不低。 codebase-memory-mcp 虽然安装简单，但你需要理解知识图谱、MCP协议、tree-sitter这些概念才能发挥它全部潜力。Superpowers 更是需要你对TDD、子代理模式有一定认知。对于刚接触AI编程的开发者来说，门槛还是偏高。

但对于认真想用AI提升代码质量的开发者来说，这两个项目值得花时间研究。它们代表的不是某个功能点，而是一种新的工作方式。

我的判断

说实话，用了几个月AI编程工具后，我最大的感悟是：AI不是来取代程序员的，而是来淘汰”不用AI的程序员”的。

但更准确的说法是：用好了AI工具的程序员，会淘汰没用好的。

codebase-memory-mcp 解决的是”AI对项目的认知带宽”问题——从文件级跃升到架构级。Superpowers 解决的是”AI的开发纪律”问题——从随意编码跃升到工程化流程。这两个方向，可能就是未来一年AI编程工具赛道的核心战场。

如果你正在找一个能深度理解代码库的AI工具，试试 codebase-memory-mcp。如果你受够了AI写代码的混乱节奏，装个 Superpowers。

两个都开源，两个都不要钱。

参考链接

  1. codebase-memory-mcp 项目地址
    https://github.com/DeusData/codebase-memory-mcp

  2. codebase-memory-mcp 论文预印本
    https://arxiv.org/abs/2603.27277

  3. Superpowers 项目地址
    https://github.com/obra/superpowers

  4. Superpowers 招聘社区工程师（说明项目在认真做长期）
    https://primeradiant.com/jobs/superpowers-community-engineer/

  5. tree-sitter 官方网站
    https://tree-sitter.github.io/tree-sitter/