Superpowers使用问题：执行plan skill缓慢
速览
用户使用Codex AI工具时，每次执行Superpowers的plan skill都异常缓慢，每个task需要反复复审，导致计算资源plus不够用。相比之下，使用其他CLI加上Superpowers的Subagent-Driven方式则速度很快。该问题反映了AI Agent工具在执行复杂任务时可能存在的性能差异，提示用户需根据场景选择合适的执行模式。
AI 深度解读
背景
在 LINUX DO 社区的 AI 板块中，有用户反馈了关于 AI 技能（Skill）与工作流执行效率的问题。用户在使用 Codex 进行任务规划（plan）时，遭遇了严重的性能瓶颈，导致其 AI 访问配额（plus）迅速耗尽。而采用其他 CLI 工具（通过 superpowers 的 Subagent-Driven 模式）则能获得流畅的执行体验。这一对比凸显了不同 AI 技能实现方式在实际应用中的效率差异，也引发了社区对 AI 工作流设计优化的讨论。
核心内容
用户反馈的核心问题是：在 Codex 中执行 “plan” 这一技能时，每一个任务都会反复进入复审（review）环节，导致整个流程极其缓慢。这种低效使得用户的 “plus” 额度（即 AI 调用次数或时间配额）很快被消耗殆尽，无法完成完整的计划执行。然而，面对同一个 plan，用户尝试使用其他的 CLI 工具，具体是 superpowers 框架下的 Subagent-Driven 模式，则执行速度明显提升，不再出现反复复审的延迟现象。用户对此感到困惑和不满（原话为“头都大了”）。
帖子共有 4 条回复，涉及 3 位参与者，但原文未提供后续讨论的具体内容。
关键要点
- 问题定位：Codex 在执行 “plan” 技能时，每个 task 都会触发重复的复审步骤，导致执行时间远超预期。
- 资源消耗：这种低效直接导致用户的 plus 额度（AI 调用上限或时间配额）在短时间内被用完，影响正常使用。
- 对比参照：同一 plan 在 superpowers 的 Subagent-Driven 模式下运行顺畅，无需反复复审，说明问题并非由 plan 本身复杂度引起，而是与具体执行引擎或技能实现有关。
- 用户情绪：用户对 Codex 的表现感到极度困扰（“头都大了”），暗示该问题已严重影响其工作流效率和使用体验。
意义与影响
该反馈揭示了当前 AI 工作流中技能（Skill）实现方式对执行效率的显著影响。Codex 作为底层模型或执行引擎，其 “plan” 技能可能采用了过于保守的验证逻辑（每次 task 都要求复审），导致冗余开销；而 superpowers 的 Subagent-Driven 模式通过更高效的子代理调度机制，避免了不必要的交互环节。这一差异不仅影响用户的实际生产效率，还可能导致 AI 配额的浪费——用户需要为无效的复审环节支付昂贵的 AI 调用成本。
从社区讨论来看，这类问题可能促使开发者反思技能设计的默认行为：是否应在保证质量的前提下提供更灵活的复审频率控制或跳过选项？同时，它也提醒用户在选择 AI 工具时，除了关注模型能力，还需评估工作流执行策略的效率。对于 AI 工具供应商（如 Codex 的维护方），此类反馈是优化产品的重要输入——若能改进 plan 技能的复审逻辑，将显著提升用户的连续工作体验与资源利用率。