Claude Code 扩展体系

Claude Code 的核心竞争力不只是对话和代码生成，更在于它的四层扩展机制。这四层机制各有定位，组合起来构成一个可编排、可沉淀、可分发的智能工作流系统。

一句话总结：MCP 是"手"（操作外部世界），Skills 是"肌肉记忆"（自动响应），Slash Commands 是"快捷键"（手动触发），Plugin 是"安装包"（打包分发）。

单个 Skill 是能力，多个 Skill 编排是流程，Skill + MCP + SubAgent 是智能体。

一、MCP（Model Context Protocol）

MCP 是连接 AI 模型与外部工具、数据源的标准化桥梁协议。通过 MCP Server，Claude Code 可以调用文件系统、数据库、API、浏览器等外部资源。

• 协议模型：Client（Claude Code）↔ Server（MCP 进程），通过 stdio 通信
• 安装方式：claude mcp add <name> -- <command> 或在 JSON 配置文件中声明
• 配置位置：用户全局 ~/.claude/settings.json 或项目级 .claude/settings.json

常用 MCP 服务器

context7

场景：查最新框架文档（Next.js 15、React 19）、API 参数和用法确认、库的最佳实践和陷阱、版本迁移指南。

用个人 GitHub 账号登录：https://context7.com/

VSCode 扩展：在扩展界面搜 @mcp context7，选择安装。配置文件 JSON 中添加 API Key：

"servers": {
  "io.github.upstash/context7": {
    "type": "stdio",
    "command": "npx",
    "args": [
      "@upstash/context7-mcp@1.0.30"
    ],
    "env": {
      "CONTEXT7_API_KEY": ""
    },
    "gallery": "",
    "version": "1.0.30"
  }
}

Claude Code：

claude mcp add context7 -- npx -y @upstash/context7-mcp --api-key ""

atlassian

用 Docker 方式安装。安装完成之后，在家目录配置文件中添加进去 Docker 命令和 token，启动 colima 就能自动连接 MCP。

"mcpServers": {
  "atlassian": {
    "type": "stdio",
    "command": "docker",
    "args": [
      "run", "-i", "--rm",
      "-e", "JIRA_URL",
      "-e", "JIRA_USERNAME",
      "-e", "JIRA_PERSONAL_TOKEN",
      "-e", "CONFLUENCE_URL",
      "-e", "CONFLUENCE_USERNAME",
      "-e", "CONFLUENCE_PERSONAL_TOKEN",
      "ghcr.io/sooperset/mcp-atlassian:latest"
    ],
    "env": {
      "JIRA_URL": "",
      "JIRA_USERNAME": "",
      "JIRA_PERSONAL_TOKEN": "",
      "CONFLUENCE_URL": "",
      "CONFLUENCE_USERNAME": "",
      "CONFLUENCE_PERSONAL_TOKEN": ""
    }
  }
}

bitbucket

"bitbucket": {
  "type": "stdio",
  "command": "npx",
  "args": [
    "-y",
    "@zhanglc77/bitbucket-mcp-server"
  ],
  "env": {
    "BITBUCKET_BASE_URL": "",
    "BITBUCKET_USERNAME": "",
    "BITBUCKET_TOKEN": ""
  }
}

sequential-thinking

深度思考引擎。

安装：

claude mcp add mcp-sequentialthinking-tools -- npx -y mcp-sequentialthinking-tools

场景：复杂技术选型（微服务 vs 单体、数据库选型）、架构设计决策（分层、模块边界、扩展性）、疑难 bug 根因分析（多因素交叉、隐蔽逻辑）、性能优化策略规划。

实战案例："分析为什么我们的订单服务在高峰期会超时,考虑数据库、缓存、网络、并发锁、GC 等所有可能因素"

效果：会给出完整的推理链：假设 → 验证 → 排除 → 聚焦 → 验证 → 结论，而不是直接猜一个答案。

memory

长期记忆。

安装：

claude mcp add memory -- npx -y @modelcontextprotocol/server-memory

场景：记住项目约定（命名规范、错误码、配置路径）、记住团队踩过的坑（某个库的 bug、某个配置的坑）、记住重要决策（为什么选这个方案、权衡了什么）。

实战案例：

你:"记住:我们的错误码统一用E开头+4位数字,数据库表名用snake_case,Redis key用冒号分隔"
(一周后)你:"帮我设计一个用户登录失败的错误码"
Claude自动调用记忆:"根据你们的规范,应该是E1001这样的格式..."

对 Claude 说：

"用memory(MCP)记住我们团队的规范:

代码规范:
- 用ESLint + Prettier
- 命名用驼峰(变量)和帕斯卡(组件)

Git规范:
- commit格式:feat/fix/docs: 描述
- PR必须关联issue

技术栈:
- 前端:React 18 + TypeScript + Vite
- 后端:Node.js + Express + PostgreSQL
"

验证：下次问问题时，看 Claude 是否会自动调用这些规范。

playwright

浏览器自动化。

claude mcp add playwright -- npx -y @executeautomation/playwright-mcp-server

场景：竞品监控、批量截图、自动化测试、数据抓取

案例："打开这 5 个竞品官网,截图首页和定价页,保存到 ./analysis/"

filesystem

本地文件操作。

claude mcp add filesystem -- npx -y @modelcontextprotocol/server-filesystem /path/to/project

场景：读写配置、批量处理文件、项目初始化脚本

github

Claude Code 通过官方 GitHub MCP Server 接入 GitHub，可读取/操作 PR、Issue 等。两种配置方式：

方式 A：远程 HTTP（推荐）
- 无需 Docker，GitHub 官方托管，配置最简单
- 前提：能访问 api.githubcopilot.com；GHES（私有部署）不支持

claude mcp add-json github '{"type":"http","url":"https://api.githubcopilot.com/mcp","headers":{"Authorization":"Bearer YOUR_GITHUB_PAT"}}'
# 全局可用加 --scope user

方式 B：本地 Docker
- Token 只在本机流转，不经过任何远程中转；GHES 场景下唯一选择
- 前提：本机需要 Docker 且保持运行

claude mcp add github -e GITHUB_PERSONAL_ACCESS_TOKEN=YOUR_GITHUB_PAT -- docker run -i --rm -e GITHUB_PERSONAL_ACCESS_TOKEN ghcr.io/github/github-mcp-server

PAT 权限要求：Contents / Pull requests / Metadata 至少 Read 权限（fine-grained token）或 repo（classic token）

验证：claude mcp list / claude mcp get github

选型建议：默认用方式 A，图省心；如果是 GHES 私有部署或公司网络封锁 api.githubcopilot.com，切换方式 B。

exa

智能搜索（需要官网 key），依赖 axios 包。

• GitHub：exa-labs/exa-mcp-server
• Exa API Key：https://dashboard.exa.ai/home

claude mcp add exa -e EXA_API_KEY="" -- npx -y exa-mcp-server

场景：需要搜索最新信息、技术博客、开源项目时，比普通搜索引擎更精准。

优势：

• 语义理解更强（Neural Search）：你可以用自然语言描述你想要的内容（例如："找一篇关于 Transformer 架构的通俗易懂的教程"），它能理解"通俗易懂"和"教程"的含义，而不是只搜这两个词
• 返回结构化数据（Clean Data）：传统搜索引擎返回的是充满了广告、SEO 废话和复杂 HTML 的网页。Exa 会清洗内容，直接返回干净的文本或结构化数据，这大大减少了 AI 处理杂乱信息的负担，减少了"幻觉"
• 强大的过滤功能：它允许你按域名（如只搜 github.com）、日期、内容类型（如 PDF、代码）进行精确过滤
• 不仅是搜索，还能"内容相似推荐"：你可以给它一个链接，让它找出"与这个网页内容相似的其他网页"，这对于做调研非常有用

deepwiki

深度文档聚合。

claude mcp add deepwiki -- npx -y mcp-deepwiki

场景：聚合某个库的完整文档站点，比 context7 更全面但速度慢一些。

drawio

Draw.io 的这个 MCP 工具（drawio-mcp），走了一条非常聪明的路子。它不是自己在后台"画"一张图，而是把 AI 生成的逻辑（Mermaid、CSV、XML）瞬间转换成 Draw.io 的专用链接。

简单来说，流程变成了这样：

1. 你告诉 AI："画个 OAuth2 流程图"
2. AI 生成结构化数据
3. MCP 工具把数据压缩、编码
4. 浏览器自动弹出一个 Draw.io 编辑页面，图已经画好了，每一个节点都能拖、能改、能换色

根据 GitHub 上的官方文档，这个 MCP Server 目前支持三种核心模式：

• Mermaid 转图 (open_drawio_mermaid)：这是最常用的。AI 写 Mermaid 逻辑最强，Draw.io 负责渲染和二次编辑，绝配
• CSV 转图 (open_drawio_csv)：适合画组织架构图、网络拓扑图。你扔给 AI 一堆人员名单和汇报关系，它能瞬间生成树状图
• XML 原生格式 (open_drawio_xml)：如果你有现成的 Draw.io XML 数据，或者让 AI 学习了 XML 结构，可以直接生成最复杂的图表

安装：

"mcpServers": {
  "drawio-mcp": {
    "command": "npx",
    "args": ["-y", "@drawio/mcp"],
    "env": {},
    "type": "stdio"
  }
}

使用：使用 draw.io MCP 工具 open_drawio_mermaid 制作展示 OAuth2 流程的时序图

导出：export 成 xml 格式，在 Confluence page 上创建一个 draw.io diagram

datadog

场景：在 Claude Code 中直接查询 Datadog 的日志、指标、Trace、Dashboard、Monitor、Incident 等可观测性数据，支持 16 个产品 Toolset 按需加载。

Claude Code 配置：

# 方式一：命令行添加（远程 HTTP 认证，会触发 OAuth 登录）
claude mcp add --transport http datadog-mcp https://mcp.datadoghq.com/api/unstable/mcp-server/mcp

# 方式二：本地二进制（适用于远程认证不可用的情况）
curl -sSL https://coterm.datadoghq.com/mcp-cli/install.sh | bash
datadog_mcp_cli login
claude mcp add datadog --scope user -- ~/.local/bin/datadog_mcp_cli

也可以直接在 ~/.claude.json 中添加：

{
  "mcpServers": {
    "datadog": {
      "type": "http",
      "url": "https://mcp.datadoghq.com/api/unstable/mcp-server/mcp"
    }
  }
}

认证方式：默认使用 OAuth 2.0（远程 HTTP 连接时自动触发浏览器登录）。如果无法走 OAuth 流程（如服务器环境），可以通过 API Key + Application Key 以 HTTP Header 方式认证：

{
  "mcpServers": {
    "datadog": {
      "type": "http",
      "url": "https://mcp.datadoghq.com/api/unstable/mcp-server/mcp",
      "headers": {
        "DD_API_KEY": "<YOUR_API_KEY>",
        "DD_APPLICATION_KEY": "<YOUR_APPLICATION_KEY>"
      }
    }
  }
}

Toolset 机制：Datadog MCP 支持按产品域选择性加载工具集，通过 URL query 参数 toolsets 控制，节省 context window 空间：

# 默认只加载 core 工具集
https://mcp.datadoghq.com/api/unstable/mcp-server/mcp

# 只加载 APM 和 LLM Observability
https://mcp.datadoghq.com/api/unstable/mcp-server/mcp?toolsets=apm,llmobs

# 加载全部 GA 工具集（适合支持 tool filtering 的客户端如 Claude Code）
https://mcp.datadoghq.com/api/unstable/mcp-server/mcp?toolsets=all

可用 Toolset 列表：

更多 MCP

• 官方列表：modelcontextprotocol/servers
• 社区精选：wong2/awesome-mcp-servers（500+ 服务器持续更新，包括 Notion、Slack、Jira、数据库等各种集成）

配置文件一键添加 MCP

{
  "mcpServers": {
    "atlassian": {
      "type": "stdio",
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-e", "JIRA_URL",
        "-e", "JIRA_USERNAME",
        "-e", "JIRA_PERSONAL_TOKEN",
        "-e", "CONFLUENCE_URL",
        "-e", "CONFLUENCE_USERNAME",
        "-e", "CONFLUENCE_PERSONAL_TOKEN",
        "ghcr.io/sooperset/mcp-atlassian:latest"
      ],
      "env": {
        "JIRA_URL": "",
        "JIRA_USERNAME": "",
        "JIRA_PERSONAL_TOKEN": "",
        "CONFLUENCE_URL": "",
        "CONFLUENCE_USERNAME": "",
        "CONFLUENCE_PERSONAL_TOKEN": ""
      }
    },
    "bitbucket": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "@zhanglc77/bitbucket-mcp-server"],
      "env": {
        "BITBUCKET_BASE_URL": "",
        "BITBUCKET_USERNAME": "",
        "BITBUCKET_TOKEN": ""
      }
    },
    "exa": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "exa-mcp-server"],
      "env": {
        "EXA_API_KEY": "xxx"
      }
    },
    "sequential-thinking": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "mcp-sequential-thinking"]
    },
    "context7": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp", "--api-key", "xxx"]
    },
    "memory": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"]
    },
    "playwright": {
      "command": "npx",
      "args": ["@playwright/mcp@latest"]
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": ""
      }
    }
  }
}

MCP 常用应用组合

二、Skills（技能）

Skills（技能）是自动触发的能力包，2025 年 10 月发布。

和 MCP 的区别：Skills 的范围更大，Skills 可以调用 MCP。Skills 还可以包含 Python 脚本，功能更灵活丰富。

简单说，Skills 就是给 Claude 安装的"专业技能包"。

技术上，一个 Skill 就是一个文件夹，里面包含技能的描述、相关脚本、示例代码等等。

比如你搞了一个 SKILL.md 文件，里面放了 AI 生成 PPT 固定流程的指令。你给 Claude 说：帮我生成 PPT，这个 Skill 就能激活。你就不需要每次都把你的要求写出来。

解决痛点

痛点 1：重复劳动

• 之前：每次都像教小孩一样解释规则（"用现在时""50 字以内""说 what 和 why"）
• 现在：打包成 Skill，说一句话自动应用

痛点 2：团队协作混乱

• 场景：10 个人用 10 种方式让 Claude 生成文档，格式五花八门
• 解决：
• 把 Skill 提交到项目代码库：.claude/skills/company-doc-generator/
• 团队成员 git pull 后自动同步
• 全员统一规范

痛点 3：知识无法沉淀

• 之前：老员工调试 API 的技巧藏在脑子里
• 现在：写成 Skill，新人克隆代码立刻获得团队智慧

渐进式披露机制（Progressive Disclosure）

这个设计是 Skills 高效的核心。Anthropic 官方术语叫 Progressive Disclosure："Claude loads information in stages as needed, rather than consuming context upfront."（按需分阶段加载，而不是一次性占满上下文）。

本质原因：大模型的注意力是稀缺资源，塞进 context 的每一个 token 都在和当前任务争抢模型的关注度。如果启动时就把所有可能用到的工作流、模板、示例全塞进上下文，模型处理实际请求时反而抓不到重点。

官方三层加载机制

官方硬限制：
- name：最多 64 字符，只能小写字母+数字+连字符，不能含 "anthropic" 或 "claude"
- description：最多 1024 字符，必须非空，不能含 XML 标签
- SKILL.md 主体：建议 < 5K tokens（约 400-600 行 Markdown / 3500-4000 中文字）

这解释了为什么 Anthropic 鼓励装多个细分 Skill 而不是一个臃肿 Skill——50 个 Skill 的 Level 1 总共也才 5K token。

SKILL.md 的定位：分层引用网络的根节点

SKILL.md 不是文档，不是 prompt，是分层引用网络的根节点。它的职责只有三件事：

1. 告诉模型什么时候用这个 Skill（description + 触发条件）
2. 给模型一棵决策树（工作流骨架、判断条件、分支处理）
3. 告诉模型在每个步骤里去引用哪个子文件（"详细规则见 references/style-guide.md"）

凡是"细节填充"——具体的规则案例、模板正文、长篇示例、参考代码——一律不进主文件，全部下沉到 Level 3 的引用文件。主文件不需要装下所有内容，只需要装下"地图"。

SKILL.md 拆分判断标准

拆分优先级：
1. 第一刀：先把示例和模板下沉（长但低频访问，最吃 token）
2. 第二刀：把详细规则拆成 references/rules.md，主文件只留一句"风格规则见 references/rules.md"
3. 第三刀：把长流程封装成脚本，模型 bash 调用即可

不要拆的：决策树——哪个工作流处理哪种请求、判断分支怎么走，这是主文件的命根子，拆出去模型读完主文件就不知道下一步该干嘛。

好引用 vs 坏引用

# ✅ 好引用（带指路标签）
## 第三步：审稿
按文风规范跑一遍审稿，对照标准见 references/style-guide.md。
关键检查项：开头是否有场景引入、字数是否在 4000-5000 区间。

# ❌ 坏引用（裸文件名）
## 第三步：审稿
详见 references/style-guide.md。

好引用告诉模型"为什么去看、看哪几条"，模型可以判断是否真的需要读；坏引用只扔一个文件名，模型要么不读跳过、要么每次全文读浪费 token。

另外：子文件之间不要循环引用（rules.md 引 examples.md，examples.md 又引 rules.md），否则模型触发其中一个会连带读另一个，Level 3 的"按需加载"优势直接归零。所有子文件都由 SKILL.md 主文件统一索引，子文件之间互相只看不引。

实战演进案例

一个写作 SKILL 文件的三版迭代：

V1 的核心问题：把所有写作规则、文风指南、案例分析、模板、配图规范、上传脚本说明全塞进一个 SKILL.md，超官方上限 180%。不同类型文章（公众号/算法/知乎）的规则混在一起互相干扰。

V3 的做法：主文件只放触发条件 + 10 步工作流骨架 + 引用索引，其余下沉：
- 文风规范 → references/style-guide.md
- 历史范本 → references/article_*.md
- 代码逻辑 → scripts/*.py
- 配置数据 → config/*.json

Skill 间的 handoff 设计：文章 SKILL 走到最后一步需要生成视频时，不把视频生成的细节塞进自己的主文件，而是复制视频模板副本、注入 input.md、然后显式把控制权交给视频 SKILL。每个 Skill 只懂自己那一摊事，靠"路标"互相衔接。

组成结构

一个 Skill 文件夹通常包含这几部分：

• SKILL.md：核心文件。用 YAML 写元数据（名字、描述），用 Markdown 写详细的指令，告诉 Claude 在什么情况下、以及如何使用这个 Skill
• scripts/：存放可执行的 Python、Shell 脚本
• references/：存放参考文档（如 API 文档、数据库 Schema、公司政策等），作为给 Claude 看的知识库
• assets/：存放资源文件（如 PPT 模板、Logo、项目脚架等），供 Claude 在执行任务时直接使用

安装

手动安装：

• 个人 Skills：~/.claude/skills/
• 项目 Skills：.claude/skills/
• 创建一个子目录和 skill 同名即可，在子目录中创建 SKILL.md

Marketplace 安装：

/plugin marketplace add anthropics/skills
/plugin

1. Select Browse and install plugins
2. Select anthropic-agent-skills
3. Select document-skills or example-skills
4. Select Install now

打包与分享：

Claude 可以打包 skill 变成一个 xxx.skill 文件，可以分享给其他人安装。

# 打包
python3 /path/to/skill-creator/scripts/package_skill.py \
  /path/to/your-skill \
  /output/path

# 安装
# 在 Claude Code 中：Install skill from /path/to/your-skill.skill

Skills 实战案例

第一层：工程化单点突破（把说明书变技能包）

把最烦人的重复劳动自动化。少写废话提示词，让 Claude 自动识别场景。

简单测试：Pre-commit Review

在 .claude/skills/ 目录下创建 pre-commit-check/SKILL.md：

# 名称
pre-commit-check

# 描述
代码提交前的标准检查:格式化、Lint、测试

# 触发
当用户提到"提交""commit""推送"时自动触发

# 执行逻辑
1、运行代码格式化
2、运行Lint检查
3、运行相关测试
4、生成检查报告

# 输出
分级报告:阻断问题、警告问题、通过项

案例 1：智能代码审查

smart-code-review：

# 名称
smart-code-review

# 触发
当用户提到"review""审查""检查代码"或准备提交PR时

# 执行逻辑
1、分析变更文件类型和影响范围
2、根据文件类型选择检查项:
- API文件 → 检查鉴权、参数校验、错误处理、API文档
- 数据库迁移 → 检查索引、向后兼容、回滚脚本、性能影响
- 前端组件 → 检查无障碍、性能、状态管理、错误边界
- 配置文件 → 检查敏感信息泄露、环境变量、默认值安全性
3、调用对应SubAgent进行专项审查:
- security-auditor → SQL注入、XSS、CSRF等
- performance-engineer → N+1查询、大对象、内存泄漏
- frontend-developer → 重渲染、bundle大小、懒加载
4、汇总问题并按严重程度分级:
- 阻断级(安全漏洞、数据丢失风险)
- 警告级(性能隐患、可维护性问题)
- 建议级(优化空间、最佳实践)

# 输出
分级报告 + 修复建议 + 参考文档链接

案例 2：依赖升级风险评估

dependency-upgrade-check：

# 触发
检测到package.json/requirements.txt/go.mod等变更时

# 执行逻辑
1、识别新增、升级、删除的依赖
2、对每个变更依赖:
- 用github MCP查该库的changelog和breaking changes
- 用context7查新版本的API变化
- 扫描项目代码,找出使用该依赖的位置
- 评估影响面(多少文件、是否核心路径)
3、检查依赖树冲突(peerDependencies、版本兼容性)
4、查询CVE数据库,检查已知漏洞
5、生成升级checklist

# 输出
## 升级风险评估
- 高风险依赖(breaking changes多、使用面广)
- 中风险依赖(小改动、局部影响)
- 低风险依赖(bugfix、无API变化)

## 需要人工验证的点
[列出可能出问题的代码位置]

## 建议升级顺序
[从低风险到高风险,逐步验证]

## 回滚预案
[如果升级出问题,怎么快速回退]

第二层：编排型工作流（参数化 + 链式调用）

一个技能适配多项目，多个技能串成流水线。

案例：生产事故应急响应

incident-response：

# 触发
用户说"线上出问题了""紧急""事故"等关键词

# 执行流程(自动并行+串行)
## 阶段1:快速止血(并行执行)
- 调用devops-troubleshooter → 分析日志、定位异常
- 调用performance-engineer → 检查资源使用、是否过载
- 调用database-optimizer → 检查慢查询、锁等待

## 阶段2:根因分析(基于阶段1结果)
- 如果是代码问题 → 调用debugger SubAgent
- 如果是配置问题 → 检查最近的配置变更
- 如果是依赖问题 → 检查上游服务状态
- 如果是资源问题 → 检查流量异常、是否被攻击

## 阶段3:止损方案(基于根因)
- 自动生成3个止损方案:
  1、 最快方案(回滚、降级、限流)
  2、 最稳方案(修复根因,重新发布)
  3、 临时方案(绕过问题点,保持可用)
- 对比每个方案的:恢复时间、风险、副作用

## 阶段4:执行确认
- 输出完整的执行命令和回滚命令
- 标注每步的预期结果和验证方式
- 等待人工确认后才执行

# 输出
## 事故摘要
影响范围、严重程度、开始时间、核心指标变化(错误率、延迟、可用性)

## 根因分析
详细分析,附日志/监控截图链接

## 止损方案对比
3个方案的完整对比表

## 执行清单
一步步操作指令,可复制执行

## 事后改进
如何预防类似问题再次发生

第三层：团队智能体（知识沉淀 + 自进化）

案例：技术债追踪助手

tech-debt-tracker：

# 名称
tech-debt-tracker

# 描述
每周帮助团队识别和追踪最重要的技术债

# 触发
用户提到"技术债""代码坏味道""重构计划"时

# 执行逻辑
1、集成SonarQube API,获取现有扫描结果
2、按影响面排序(修改频率高 + bug数多 = 优先级高)
3、生成本周TOP 3待还技术债清单
4、每项包含:位置、问题描述、建议方案、预估工作量

# 输出
Markdown周报:
- TOP 3技术债(本周建议优先处理)
- 已还技术债(上周完成的3项)
- 决策记录(为什么选这些,存入memory)

高级：版本治理 + 回滚

目标：把 Skills 当团队资产，能升级、能回退、可审计。

落地做法：

1. 小范围灰度两版，对比"查出率、耗时、误报率"
2. 确定没问题再全量，有问题立即回滚
3. 预期效果：两周内误报率从 18% 压到 6%

team-skills/
  code-review/
    v1.0.0/Skill.md
    v1.1.0/Skill.md
    v2.0.0/Skill.md  # 当前版本

Skill 质量治理：7 类失效模式与 Skill Craft

来源：我做了一个 Claude Skill 质检工具
工具：3stoneBrother/skill-craft

问题：写出来 ≠ 用得稳

LLM 不是传统程序——你写下的"规则"，模型读到的可能只是"参考意见"。典型现象：Demo 阶段效果好，真实任务就出问题；对话一长，行为越来越飘；Skill 一多，路由边界越来越模糊。

7 类系统性失效模式

Skill Craft 质检工具

Skill Craft 是面向 Claude Skill 的质量工程工具，覆盖 Skill 的完整生命周期：

3 层评估体系：

1. 8 个结构模块：触发条件（触发/不触发/歧义处理）、行为准则、工具优先级、输出约束、流程 Checkpoint、依赖链、子 Agent 委派规则、幻觉防护
2. 7 类反模式风险：结构是否真的能防住对应的失效模式
3. 3 条完整性原则：
4. 可计数验收：不写"逐个处理"，写"处理数必须等于总数"
5. Checkpoint 阻断：每步有中间输出，防止模型一口气跳到最后
6. 失败路径定义：必须定义 else 分支，因为没写 else 时模型默认 skip

fix 模式的关键：修完后做 4 类关联检查——引用方、对称方、消费方、同层结构是否都同步更新。最常见的坑不是"改错了"，而是"只改了这一处，还有三处应该一起改"。

安装与使用：

# 放入 Skills 目录
cp -r skill-craft ~/.claude/skills/

# 直接对话触发
评估 /path/to/my-skill

三、Slash Commands（斜杠命令）

这是一个简单但极其好用的工具，用于手动标准化。

斜杠命令是手动触发的工作流快捷方式，存在 .claude/commands/ 目录。

• 本质：纯 Markdown 定义的多步骤流程，输入 /命令名 手动触发
• API 注入：作为用户消息扩展，而非系统提示工具（这是与 Skills 的核心区别）

命令内部可以：

• 调用 Skills 自动化检查
• 编排 SubAgents 并行工作
• 执行 MCP 工具链
• 串联 Git 操作

Skills vs Slash Commands

入门：/powerup 交互式引导

输入 /powerup 启动官方提供的交互式功能发现课程。逐个功能引导体验（Shift+Tab 切换权限、/goal 自主执行、/branch 并行分支等），建议每个新用户都跑一遍。

内置斜杠命令速查

上下文管理

使用策略：修 bug 或小改动用 /compact 续命，完成完整模块或方向大调整时用 /clear 重启。

会话管理

模型与推理控制

代码审查

自主模式

快捷键

权限与模式切换

搜索与编辑

三个隐藏关键词

这三个不是斜杠命令，而是在正常对话中嵌入的特殊关键词：

用法：直接在提示中嵌入即可，不需要额外语法——ultrathink 分析这段代码的并发问题。

推荐资源

自定义斜杠命令

除了内置命令，Claude Code 支持在 .claude/commands/ 目录下自定义命令，将团队工作流标准化为一键触发。

典型场景

1. /release — 完整发版流程（测试 → 构建 → 打 tag → 发布 → 通知）
2. /security-check — 安全扫描（依赖漏洞 + 代码审计 + 配置检查）
3. /perf-audit — 性能审计（包体积 + 加载时间 + 运行时分析）
4. /refactor-plan — 重构规划（架构分析 + 影响评估 + 迁移方案）
5. /onboard — 新人入职（克隆仓库 + 环境配置 + 文档导览）
6. /rollback — 紧急回滚

使用示例

示例 1：版本发布

定义命令：建文件 .claude/commands/release.md

# 版本发布流程

1、拉最新代码确认版本号
2、触发Skills检查:代码审查、完整测试、资源检查
3、生成changelog
4、预发布测试
5、人工确认
6、正式发布
7、发通知

使用：直接输入 /release

效果：整个团队按统一流程走,不会漏步骤。版本发布出错率从 15% 降到 0。

示例 2：带确认步骤的发版

在 .claude/commands/ 目录下创建 release.md：

# 版本发布流程
你是发布助手,帮助用户安全发布版本。

## 执行步骤
1、确认当前Git分支是main
2、拉取最新代码(git pull)
3、触发Skills:
- pre-commit-check(代码质量)
- test-coverage-check(测试覆盖率>80%)
4、询问版本号(major.minor.patch)
5、生成changelog(基于Git commit)
...

## 每步都需要用户确认
不要自动执行,每步输出命令,等用户确认。

验证：输入 /release，看是否触发完整流程。

四、Plugin（插件）

Plugin（插件）是应用级打包容器，用来打包其他四个工具。

一个 Plugin 可以包含：

适合场景

1. 团队标准化工具打包、快速分享工作流、一键安装完整套件
2. 临时用一次，快速试试某个功能

缺点

装太多会卡，而且大部分功能都重复。

Skill/Plugin 推荐

官方 Skills仓库：

anthropics/skills

开源 Skills 仓库：

• 该项目收集了各种实用 Skill，采用模块化设计。比如文档处理、开发、数据分析、营销、写作创意啥的都有：ComposioHQ/awesome-claude-skills、BehiSecc/awesome-claude-skills
• 传统的 Claude Code Skill 需要你手动记忆和调用，而这个项目通过创新的钩子机制，实现了 Skill 的智能自动触发。当你输入提示或操作文件时，系统会自动分析上下文，并建议最相关的技能：claude-code-infrastructure-showcase
• 强迫 Claude 按高级工程师标准流程工作的 Skills 套件，详见下方"开源 Plugin 推荐"中的 obra/superpowers 章节

用 Skill 创建 Skill

Anthropic 官方有一个帮助创建 Skill 的 Skill：skill-creator
告诉 Claude Code 基于当前的 Skill 草稿，调用 skill-creator 来创建一个完整的 skill，名称为 xxx。

Obsidian Skill

obsidian-skills 直接把 Obsidian 专家集成在 Claude Code 里，仓库包含三个核心技能 Skill：

• obsidian-markdown：Obsidian 风格的 Markdown 书写，各种专有格式都支持
• obsidian-bases：.base 类数据库视图，支持过滤、公式、汇总
• json-canvas：.canvas 无限画布文件格式，可以实现点、连线、分组

安装：

/plugin marketplace add kepano/obsidian-skills
/plugin install obsidian@obsidian-skills

Excalidraw 手绘架构图Skill

一句话用自然语言生成可编辑的 Excalidraw 手绘风格图。支持流程图、架构图、思维导图、时序图、ER 图、泳道图、类图、数据流图等 9 种图表类型。

安装：

npx skills add https://github.com/github/awesome-copilot --skill excalidraw-diagram-generator

工作原理：分析需求 → 提取节点与关系 → 匹配 8 个内置模板之一 → 生成符合 Excalidraw 规范的 JSON → 输出 .excalidraw 文件（VS Code 安装 Excalidraw 扩展即可直接打开编辑）。

用法：直接告诉 Claude 生成一个用户登录流程图，即自动调用该 Skill 生成 .excalidraw 文件。

obra/superpowers

Superpowers 的核心理念：AI 写代码太随意，需要用结构化流程约束它。安装后 Claude 的行为模式变为：收到需求 → 头脑风暴 → 制定计划 → TDD 写测试 → 写代码通过测试 → 代码审查 → 验证完成。

强制工作流（每个阶段必须完成才能进入下一个）：

1. Brainstorming — 头脑风暴，拒绝直接写代码，必须先出设计方案并获批准
2. Git Worktrees — 在独立分支上创建隔离工作区
3. Writing Plans — 将设计拆解为细粒度任务，假设执行者零上下文
4. Subagent-Driven Development — 子智能体隔离执行，双阶段审查（规格合规 + 代码质量）
5. Test-Driven Development — 强制 RED → GREEN → REFACTOR 循环
6. Code Review — 提交前对照计划自查
7. Finishing Branch — 验证测试通过，决定合并或 PR

Skills 全表：

安装：

# Claude Code 官方市场
/plugin install superpowers@claude-plugins-official

# 或通过 Plugin Marketplace
/plugin marketplace add obra/superpowers-marketplace
/plugin install superpowers@superpowers-marketplace

andrej-karpathy-skills

这个项目把 Andrej Karpathy 观察到的 LLM 编程三大祖传毛病，浓缩成 4 条行为准则，写进 CLAUDE.md 让 Claude Code "乖乖听话"。

LLM 编码三大痛点：

1. 默默做错误假设：不确定的地方不问你，自己猜，猜完接着写，bug 就埋进去了
2. 把简单问题复杂化：50 行能搞定的事，整出 200 行抽象 API
3. 乱改不相干的代码：让它修一个函数，它顺便把隔壁的注释删了，格式也"优化"了

四条核心原则：

效果判断标准：
- PR 的 diff 变干净了，没有莫名其妙的格式改动
- 代码第一次就足够简单，不用返工
- Claude 开始在动手之前先问问题
- PR 不再附带一堆"顺手重构"

安装：

# 方式一：Plugin 安装（注册为按需 Skill，不自动生效）
/plugin marketplace add forrestchang/andrej-karpathy-skills
/plugin install andrej-karpathy-skills@karpathy-skills

# 方式二：全局生效（写入用户级 CLAUDE.md，所有项目自动加载）— 推荐
curl -s https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md > ~/.claude/CLAUDE.md

# 方式三：单个项目生效（下载到项目根目录）
curl -o CLAUDE.md https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md

# 方式四：追加到已有项目 CLAUDE.md
echo "" >> CLAUDE.md
curl -s https://raw.githubusercontent.com/forrestchang/andrej-karpathy-skills/main/CLAUDE.md >> CLAUDE.md

davila7/claude-code-templates

一个 CLI 工具 + 组件市场，提供 Agents、Commands、MCPs、Settings、Hooks、Skills、Templates 七大类组件，可按需安装到项目中。

内置 Plugin 套件：

项目模板：Common（通用）、JavaScript/TypeScript（React/Vue/Angular/Node.js）、Python（Django/Flask/FastAPI）、Ruby。

安装：

# 交互式浏览安装
npx claude-code-templates@latest

# 安装单个组件
npx claude-code-templates@latest --agent development-team/frontend-developer --yes
npx claude-code-templates@latest --command testing/generate-tests --yes

# Plugin 方式安装
/plugin marketplace add https://github.com/davila7/claude-code-templates
/plugin install plugin-name@claude-code-templates

# 安装项目模板
npx claude-code-templates@latest --template=react --yes

附带工具：--analytics 实时监控开发会话、--chats 移动端查看对话、--health-check 环境诊断、--plugins 插件管理面板。

shanraisshan/claude-code-best-practice

这个项目不是简单的 Plugin，而是一套从 Vibe Coding 到 Agentic Engineering 的完整进阶指南，通过一个 TodoApp 示例项目演示如何用 Claude Code 的全部扩展机制构建生产级工作流。

4 级进阶路径：Low → Medium → High → Pro，逐级引入 Claude Code 的配置能力。

核心架构模式：Command → Agent → Skill 三层编排

进阶工作流：
- RPI（Research-Plan-Implement）：复杂任务的三阶段多智能体协作流程
- Cross-Model Development：跨模型协作（规划 / QA / 实现 / 验证分别用不同模型）
- Phase-Gated Development：/plan 先只读探索设计，再进入编码阶段

亮点：
- 5 级配置优先级体系（全局 → 项目 → 本地覆盖）
- Agent 的 MEMORY.md 持久化学习机制
- 附带交互式幻灯片演示（presentation/index.html）
- 包含 Claude Agent SDK 与 CLI 系统提示词的对比分析报告

OthmanAdi/planning-with-files

用 AI 做项目时常见的问题：聊着聊着就跑偏、做到一半忘目标、上下文一清空直接重来、反复踩同一个坑。Planning with Files 让 AI 把所有计划、进度、坑点全写成本地 Markdown 文件——文件化规划 + 外置记忆 + 错误自动记录。

3 个核心文件：

核心价值：

• 文件当记忆，关软件 / 清上下文 / 重启电脑都还在
• 先规划再动手，自动分阶段结构化推进
• 自动记坑，AI 下次自动避开，绝不重复犯错
• 清屏 / 重启后自动读取文件恢复进度
• 每一步对照计划，严格对齐目标不跑偏
• 任务成功率从 6.7% → 96.7%

安装：

npx skills add OthmanAdi/planning-with-files --skill planning-with-files -g

启动规划模式：/plan，AI 会自动生成 3 个核心文件并按计划执行。

wshobson/agents

最大的 Claude Code Plugin Marketplace，详见 多智能体协作 — 开源 Agents 推荐。

/plugin marketplace add wshobson/agents
/plugin install <plugin-name>@claude-code-workflows

去AI味 skills

英文版： https://github.com/blader/humanizer/tree/main
中文版： https://github.com/op7418/Humanizer-zh