SuperClaude_Framework
SuperClaude_Framework 是一个基于Claude Code的元编程配置框架,通过注入行为指令和组件编排,将原始代码能力升级为结构化开发平台。它提供系统化的工作流自动化工具,支持从创意构思到部署的全流程管理,解决传统开发中碎片化操作、效率低下和协作困难等问题。
该工具特别适合需要高效开发流程的开发者和研究人员,尤其适用于需要复杂任务拆解与多角色协作的场景。其核心优势在于30个覆盖全生命周期的命令、20个专业AI代理及7种行为模式,配合8个MCP服务器集成,可灵活应对不同项目需求。框架还支持多语言文档和模块化扩展,便于团队定制化使用。通过标准化配置和智能调度,帮助用户更专注于核心逻辑实现,降低开发门槛。
使用场景
数据分析师团队正在开发一个Python库,用于处理金融时间序列数据,需要实现复杂的数据清洗、特征工程和可视化模块,并保持严格的文档规范与测试覆盖率。
没有 SuperClaude_Framework 时
- 团队成员手动维护代码结构,频繁出现模块依赖混乱和命名冲突
- 多人协作时需要反复沟通接口规范,每日站会耗时30分钟以上协调开发进度
- 文档编写滞后于代码迭代,导致API变更后出现大量过时说明
- 测试用例覆盖率仅58%,CI流水线因环境配置问题每周中断2-3次
- 部署新版本需要手动修改5个配置文件,生产环境偶发启动失败
使用 SuperClaude_Framework 后
- 通过
/project init命令自动生成标准化项目结构,依赖关系自动解析并建立可视化拓扑图 - 启用
@code-architect代理协调模块开发,自动检测接口兼容性并生成对接文档 - 配置
doc-gen模式后,代码提交时同步生成Markdown/API参考文档,版本发布时自动比对变更日志 - 集成
test-coverageMCP服务,实现测试用例自动生成与覆盖率实时监控,CI构建成功率提升至98% - 使用
/deploy prod命令一键完成环境配置校验、依赖安装和容器编排,部署时间从40分钟缩短至6分钟
SuperClaude_Framework 通过结构化开发范式和自动化工作流,将团队协作效率提升300%,显著降低工程化实施门槛。
运行环境要求
- 未说明
未说明
未说明

快速开始
📊 框架统计
| 命令 | 代理 | 模式 | MCP 服务器 |
|---|---|---|---|
| 30 | 20 | 7 | 8 |
| 斜杠命令 | 专业AI | 行为模式 | 集成服务 |
30个斜杠命令覆盖从头脑风暴到部署的完整开发生命周期。
🎯 概述
SuperClaude 是一个元编程配置框架(meta-programming configuration framework),通过行为指令注入和组件编排将 Claude Code 转变为结构化开发平台。它提供系统化的工作流自动化、强大工具和智能代理。
免责声明
本项目与 Anthropic 无任何关联或授权。 Claude Code 是 Anthropic 公司构建和维护的产品。
📖 开发者与贡献者指南
使用 SuperClaude 框架必备文档:
| 文档 | 用途 | 阅读时机 |
|---|---|---|
| PLANNING.md | 架构设计、原则、绝对规则 | 会话开始前、实现前 |
| TASK.md | 当前任务、优先级、待办清单 | 每日工作前 |
| KNOWLEDGE.md | 知识积累、最佳实践、故障排除 | 遇到问题时、学习模式 |
| CONTRIBUTING.md | 贡献指南、工作流 | 提交PR前 |
| 命令参考 | 30个 /sc:* 命令完整参考(含语法、示例、工作流、决策指南) |
学习框架、选择命令时 |
💡 专业提示: Claude Code 会在会话开始时读取这些文件,确保开发符合项目标准。
📚 初学者指南:从 命令参考 开始 — 包含可视化决策树、详细命令对比和工作流示例,帮助您理解何时使用哪些命令。
⚡ 快速安装
重要提示:旧文档中描述的 TypeScript 插件系统 尚未可用(计划在 v5.0 实现)。当前安装 请按以下 v4.x 步骤操作。
当前稳定版本 (v4.3.0)
SuperClaude 当前使用斜杠命令。
选项 1:pipx 安装(推荐)
# 从 PyPI 安装
pipx install superclaude
# 安装命令(安装全部30个斜杠命令)
superclaude install
# 安装 MCP 服务器(可选,增强功能)
superclaude mcp --list # 列出可用 MCP 服务器
superclaude mcp # 交互式安装
superclaude mcp --servers tavily --servers context7 # 安装指定服务器
# 验证安装
superclaude install --list
superclaude doctor
安装后重启 Claude Code 即可使用以下30个命令:
/sc:research- 深度网络搜索(通过 Tavily MCP 增强)/sc:brainstorm- 结构化头脑风暴/sc:implement- 代码实现/sc:test- 测试工作流/sc:pm- 项目管理/sc- 显示全部30个可用命令
选项 2:从 Git 直接安装
# 克隆仓库
git clone https://github.com/SuperClaude-Org/SuperClaude_Framework.git
cd SuperClaude_Framework
# 运行安装脚本
./install.sh
v5.0 即将推出(开发中)
我们正在开发新的 TypeScript 插件系统(详见问题 #419)。发布后安装将简化为:
# 此功能尚未可用
/plugin marketplace add SuperClaude-Org/superclaude-plugin-marketplace
/plugin install superclaude
状态:开发中。尚未确定发布日期。
增强性能(可选 MCP 服务)
如需2-3倍更快的执行速度和30-50% 更少token消耗,可选安装 MCP 服务器:
# 可选 MCP 服务器(通过 airis-mcp-gateway):
# - Serena: 代码理解(2-3倍更快)
# - Sequential: 高效推理(减少30-50% token)
# - Tavily: 网络搜索(深度研究)
# - Context7: 官方文档查询
# - Mindbase:跨所有对话的语义搜索(可选增强功能)
# 注意:通过内置 ReflexionMemory 可用错误学习功能(无需安装)
# Mindbase 提供语义搜索增强功能(需要 "recommended" 配置文件)
# 安装 MCP 服务器:https://github.com/agiletec-inc/airis-mcp-gateway
# 详情请见 docs/mcp/mcp-integration-policy.md
性能对比:
- 无 MCP:功能完整,标准性能 ✅
- 有 MCP:2-3 倍速度提升,30-50% 更少 token ⚡
💖 支持项目发展
说真的,维护 SuperClaude 需要投入大量时间和资源。
仅 Claude Max 订阅测试每月就需要 100 美元,这还没算上文档编写、漏洞修复和功能开发所花费的时间。 如果您在日常工作中发现 SuperClaude 对您有帮助,欢迎考虑支持本项目。 即使几美元也能帮助覆盖基础开销并保持开发进度。
每位贡献者都很重要,无论是通过代码、反馈还是资金支持。感谢您成为这个社区的一员!🙏
☕ Ko-fi一次性捐赠 |
🎯 Patreon月度支持 |
💜 GitHub灵活支持等级 |
您的支持将用于:
| 项目 | 成本/影响 |
|---|---|
| 🔬 Claude Max 测试 | 每月 100 美元用于验证和测试 |
| ⚡ 功能开发 | 新功能与改进 |
| 📚 文档建设 | 完整指南与示例 |
| 🤝 社区支持 | 快速响应与帮助 |
| 🔧 MCP 集成 | 测试新服务器连接 |
| 🌐 基础设施 | 托管与部署成本 |
注意: 没有任何压力 - 无论是否支持,框架都会保持开源。知道有人使用和欣赏它就是最大的动力。贡献代码、文档或传播项目信息同样很有帮助!🙏
🎉 v4.1 新特性
4.1 版本重点优化斜杠命令架构,增强代理功能并改进文档体系
🤖 更智能的代理系统20 个专业代理 具备领域专长:
|
⚡ 性能优化更小框架,更大项目:
|
🔧 MCP 服务器集成8 个强大服务器 支持 CLI 安装:
可用服务器:
|
🎯 行为模式7 种自适应模式 适配不同场景:
|
📚 文档重构开发者专属重写:
|
🧪 增强稳定性聚焦可靠性:
|
🔬 深度研究能力
与 DR 代理架构对齐的自主网络研究
SuperClaude v4.2 引入全面深度研究能力,实现自主、自适应和智能的网络研究。
🎯 自适应规划三种智能策略:
|
🔄 多跳推理最多 5 次迭代搜索:
|
📊 质量评分基于置信度的验证:
|
🧠 案例学习跨会话智能:
|
研究命令用法
# 自动深度的基础研究
/research "2024 最新 AI 发展"
# 控制研究深度(通过 TypeScript 选项)
/research "量子计算突破" # depth: exhaustive
# 选择特定策略
/research "市场分析" # strategy: planning-only
# 域过滤研究(Tavily MCP 集成)
/research "React 模式" # domains: reactjs.org,github.com
研究深度等级
| 深度 | 来源数 | 跳数 | 时间 | 适用场景 |
|---|---|---|---|---|
| 快速 | 5-10 | 1 | ~2分钟 | 快速事实,简单查询 |
| 标准 | 10-20 | 3 | ~5分钟 | 常规研究(默认) |
| 深入 | 20-40 | 4 | ~8分钟 | 综合分析 |
| 穷尽 | 40+ | 5 | ~10分钟 | 学术级研究 |
集成工具协调
Deep Research 系统智能协调多个工具:
- Tavily MCP(主要网络搜索与发现工具)
- Playwright MCP(复杂内容提取工具)
- Sequential MCP(多步骤推理与合成工具)
- Serena MCP(记忆与学习持久化工具)
- Context7 MCP(技术文档查询工具)
📚 文档
SuperClaude 完整指南
| 🚀 快速入门 | 📖 用户指南 | 🛠️ 开发者资源 | 📋 参考手册 |
|---|---|---|---|
- 📓 [**示例手册**](docs/reference/examples-cookbook.md)
*真实场景示例*
|
🤝 贡献指南
加入 SuperClaude 社区
我们欢迎任何形式的贡献!以下是参与方式:
| 优先级 | 领域 | 描述 |
|---|---|---|
| 📝 高 | 文档 | 改进指南、添加示例、修正拼写 |
| 🔧 高 | MCP集成 | 添加服务器配置、测试集成 |
| 🎯 中 | 工作流 | 创建命令模式与配方 |
| 🧪 中 | 测试 | 添加测试用例、验证功能 |
| 🌐 低 | 国际化 | 翻译文档为其他语言 |
📋 全部30个命令
点击展开完整命令列表
🧠 规划与设计 (4)
/brainstorm- 结构化头脑风暴/design- 系统架构设计/estimate- 时间/工作量估算/spec-panel- 规格分析
💻 开发 (5)
/implement- 代码实现/build- 构建工作流/improve- 代码优化/cleanup- 重构/explain- 代码解释
🧪 测试与质量 (4)
/test- 测试用例生成/analyze- 代码分析/troubleshoot- 调试/reflect- 复盘
📚 文档 (2)
/document- 文档生成/help- 命令帮助
🔧 版本控制 (1)
/git- Git操作
📊 项目管理 (3)
/pm- 项目管理/task- 任务追踪/workflow- 工作流自动化
🔍 研究与分析 (2)
/research- 深度网络研究/business-panel- 商业分析
🎯 实用工具 (9)
/agent- AI代理/index-repo- 仓库索引/index- 索引别名/recommend- 命令推荐/select-tool- 工具选择/spawn- 并行任务/load- 加载会话/save- 保存会话/sc- 显示所有命令
版本历史
v4.3.02026/03/22v4.2.02026/01/18v4.1.92025/11/14v4.1.82025/11/13v4.1.72025/11/12v4.1.62025/10/15v4.1.52025/09/26v4.1.42025/09/20v4.1.32025/09/19v4.1.22025/09/18v4.1.12025/09/16v4.1.02025/09/13v4.0.92025/09/06常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
