专为开发者优化的 Claude Code 扩展框架，融合专用命令、智能角色与 MCP 服务器，助力高效开发流程。

• 16 条高频开发命令覆盖实现、构建、设计、分析、测试、文档等核心环节，提升任务执行效率🛠
• 多领域智能角色（架构师、前端、后端、安全等）自动匹配专家视角，精准应对复杂场景🎭
• MCP 服务器集成支持官方文档调用、UI 组件生成、浏览器自动化，扩展能力显著提升🔧
• 统一 CLI 安装器和多种安装方式，兼容 Python 3.8+，支持跨平台 uv / uvx 快速部署
• 任务管理与 Token 优化机制，保障长会话下的上下文连贯与资源节省
• v3 架构更简洁、性能更优，移除钩子系统以待 v4 重新设计，持续迭代中

SuperClaude 通过模块化设计与智能路由，将 AI 助手从泛用工具转变为开发者的多面能手，提升协同效率与专业深度。

长期价值：架构调整体现对稳定性与可扩展性的深刻理解，代码与文档开放，适合持续贡献与社区共建。

SuperClaude v3 | #框架

Pogocache：专为极致低延迟与 CPU 效率打造的高速缓存方案

• 比肩甚至超越 Memcache、Redis、Valkey 等主流缓存，单线程与多线程均表现优异，响应速度极快。
• 极致节能，单次请求CPU周期最低，显著降低服务器负载及运维成本。
• 支持 Memcache、Valkey/Redis、HTTP、Postgres 多种协议，兼容性强，方便集成与迁移。
• 提供嵌入式 C 库版本，免网络通信，直连缓存，性能超过 1 亿次操作/秒，适合高性能场景。
• 支持多核自动调度，分片哈希结构保障高并发安全与效率，采用 Robin Hood 哈希优化内存布局。
• 灵活过期和自动驱逐策略，保证缓存新鲜度与内存合理使用，支持 TLS 认证与访问密码，安全可靠。
• 设计理念聚焦长期稳定扩展，未来将支持分布式路由、共享内存访问及企业级容灾。

Pogocache 以极简高效的底层数据结构和并发模型，最大化硬件利用率，减少无效开销，真正做到“快且省”，为缓存技术树立新标杆。

Colette：面向技术文档的本地多模态检索增强生成（RAG）开源平台

• 核心采用视觉RAG（V-RAG）技术，将文档转为图像处理，完整保留图表、布局等视觉元素，提升对复杂技术文档的理解能力
• 支持文本RAG，结合非结构化文本抽取、嵌入和主流大语言模型，实现多模态融合检索与交互
• 多模型支持，兼容多种嵌入器与视觉语言模型，灵活适配不同场景
• 集成图像生成（diffusers），增强交互体验与内容创作能力
• 自托管部署，基于Docker，满足数据隐私需求，适合存储和处理敏感技术资料
• 适用环境配置明确（GPU≥24GB，内存≥16GB，磁盘≥50GB），确保性能稳定
• 详细命令行与Python API示例，方便快速集成与二次开发
• 困难排查指南助力优化检索准确性，支持社区反馈与持续迭代

从本质看，Colette围绕“视觉优先”的多模态理解方法，突破传统文本检索局限，提升技术文档智能交互的深度和精度，适合企业与研发机构构建安全、可控的知识管理系统。

TinyPngCompressor：JetBrains IDE 内高效图像压缩利器，助力开发者无缝优化项目资源
• 支持 webP/png/jpg/jpeg 格式，基于 TinyPNG 强大压缩算法，显著减小文件体积
• 兼容最新 Android Studio Meerkat (2024.3+) 及 IntelliJ IDEA，紧跟开发环境升级
• 内置直观 UI，支持项目文件树批量压缩，压缩前后可视化对比，实时显示压缩比例和进度
• 自动识别剪贴板图片，智能跳过已压缩文件，操作便捷，节省重复工作时间
• 多种安装方式：插件市场一键安装、离线安装包及源码编译，灵活适配不同需求
• 本质上提升开发效率和项目性能，减少图片资源负担，优化用户体验和加载速度

TinyPngCompressor 将资源优化嵌入开发流程，推动高效自动化，避免手动繁琐操作，体现现代 IDE 插件服务于开发者的本质价值。长期使用助力构建轻量、快速响应的应用，满足持续集成和交付要求。

DatasetLoom：专为多模态大模型训练打造的智能数据集构建与评估平台

• 支持图文问答（VQA）、图像描述、监督微调（SFT）、偏好对齐（DPO）等多种训练任务
• 集成模型自动评分、多模型对比（GPT-4V、LLaVA、CLIP 等），实现训练效果高效评估
• 文档解析涵盖 PDF、Word、Markdown、TXT，支持知识抽取与分块处理
• 图像区域标注与多模态问答生成，助力丰富训练样本构建
• 用户权限管理细化，支持管理员、协作者、访客角色分配，满足团队协作需求
• 数据持久化与版本管理，保证训练语料安全稳定，支持导出 JSON、CSV、HuggingFace Dataset 格式
• 基于 Redis 的工作流引擎（Beta），实现复杂任务自动调度与流程管理
• 采用 TypeScript + Next.js 15 + Tailwind CSS + Prisma ORM 技术栈，兼容多种 SQL 数据库（SQLite、MySQL、PostgreSQL、SQL Server）灵活部署

DatasetLoom通过模块化设计和统一数据结构，打通从原始数据到结构化训练集的全链路，助力多模态大模型训练的效率与质量提升。其强大的评估与多模型对比功能，推动训练流程的科学决策，适合科研、教育及行业垂直领域长期项目积累和优化。