anthropics/knowledge-work-plugins:用 Markdown 和 JSON 把 Claude 定制成岗位专家的开源插件集

通用模型不懂你的公司。让 Claude 做一次财务对账或者销售 pipeline review,你得把术语、口径、审批流程从头讲一遍;让它去查 CRM、数据仓库、Jira,你得自己写一层集成。结果每个团队都攒下一堆 prompt 模板和一次性脚本,同一份活两个人问出两个结果,还沉淀不下来。

anthropics/knowledge-work-plugins 是 Anthropic 官方为这件事定的一套规范:11 个按岗位划分的插件,把岗位知识写成 Markdown、把固定动作写成斜杠命令、把外部系统交给 MCP 连接器,声明式地打成一个自包含模块。README 说这些插件"由我们自身的工作构建并受其启发",面向 Claude Cowork 构建、兼容 Claude Code,Apache-2.0。仓库创建于 2026-01-23,最近一次推送是 2026-10-22,截至该日的元数据为 31380 star、3517 fork、32 位贡献者、131 个 open issue。

核心抽象:隐式能力与显式入口

每个插件由 skills、commands、connectors、sub-agents 四部分组成,分野很清楚:

  • skills 装领域知识、最佳实践与工作流,由 Claude 在上下文相关时自动取用------你不喊它也会来;
  • commands 是你主动敲的命名空间斜杠命令,形如 codewiki 举例的 /finance:reconciliation,把"什么时候该干什么"固化下来;
  • connectors 对外,指向 CRM、数仓这类系统;
  • sub-agents 和 hooks 在 .claude-plugin/plugin.json 里声明,清单同时给出 name/version/description。

这些结构细节来自 codewiki 的 AI 自动解析(基于 Gemini),我没有与源码交叉验证;deepwiki 这次抓取失败,返回的是 Vercel 安全校验页。当作结构参考,别当规范文档看。

架构:文件就是架构

主体是 Markdown 和 JSON,没有可编译产物,也没有部署流水线。目录大致是:.claude-plugin/plugin.json(清单与能力声明)、.mcp.json(外部工具映射)、commands/、skills/、CONNECTORS.md。数据流一条链:

复制代码
斜杠命令 → commands/ 里的定义 → 加载对应 skills 上下文
→ 遇到 ~~category 占位符 → .mcp.json 映射到具体 MCP server
→ 调用 CRM / 数仓 / 日历 → 结果回到 Claude 组织输出

治理层也被写进了流程:.github/policy/prompt.md 是一段插件安全审查提示词,覆盖有害代码、未授权数据采集、行为披露等基线;.github/scripts/external-pr-scope.js 限制非成员 PR 只能新增 marketplace 条目,且必须指向已通过验证、固定版本的仓库。(同样据 codewiki 解析。)

怎么装:素材在这里断了

必须说明:README 素材在 Plugin Marketplace 表格处被截断,没有安装或启用命令,deepwiki 也抓不到。能确认的只有宿主是 Claude Cowork、兼容 Claude Code,分发形态是 marketplace。因此合理路径是在 Cowork 或 Claude Code 里添加这个 marketplace 再启用具体插件------具体命令请以官方 README 为准,这里不编。

怎么用:真正的 API 是文件契约

使用层:按岗位挑插件,用命名空间斜杠命令显式触发工作流,其余能力由 skills 在相关上下文中自动调用;连接器靠 ~~category 这类与厂商无关的占位符指向团队实际在用的系统。

定制层才是 README 强调的重点:把插件复制或派生,替换成自己公司的工具、术语、流程,改 skills/ 和 commands/ 里的 Markdown,改 CONNECTORS.md 与 .mcp.json 绑定内部系统。所谓 API 其实就是这几份契约------plugin.json 的字段、斜杠命令的命名规范、占位符的命名约定。

11 个插件里,素材只露出两个:productivity(任务、日历、日常流程,连接 Slack、Notion、Asana、Linear、Jira、Monday、ClickUp、Microsoft 365)和 sales(潜客研究、通话准备、pipeline review、外联撰写、竞品 battlecard,连接 HubSpot、Close、Clay、ZoomInfo、Fireflies 等,列表同样被截断)。剩下 9 个没有素材,不猜。

生态与依赖

集成层押注 MCP 作为工具连接协议,下游是典型企业 SaaS。仓库主语言标为 Python,但语言构成显示"未知",内容主体是 Markdown/JSON------Python 大概率只服务于少量脚本和治理工具,这是推断。另有一处小错位要摆出来:素材里 MCP 被展开成"Managed Control Plane",与更常见的叫法不一致,没有权威结论。

商业视角:它卖的不是这个仓库

坐标落在 prompt 模板库和 iPaaS 之间。同一条赛道上有 OpenAI 的 GPTs 与 Apps/连接器、Microsoft 365 Copilot 的插件与 agent、各家内部 skill 库、LangChain/LlamaIndex 这类编排框架、Zapier/n8n 这类自动化平台。

Anthropic 不靠这个仓库收费。它做的是分层:知识层(skills)留给业务方写,集成层(connectors + MCP)留给 SaaS 厂商填,中间那套标准和分发入口归自己。企业定制 AI 的成本从"写代码"降到"写文档",Cowork 的企业落地门槛随之下降,MCP 变成事实标准的概率上升;真正的变现仍在订阅、企业席位和合规通道上。设计里最关键的一招是 ~~category 占位符:插件不与任何单一家 SaaS 耦合,同一份插件换一套 .mcp.json 就能落到不同公司的系统上。

成熟度与风险

3.14 万 star 得打折看。一个主体是 Markdown 配置的仓库到这个量级,更多来自官方品牌、Cowork 新品类窗口期和"不写代码就能定制"的零门槛叙事,收藏成本近乎为零。更有信息量的是 fork:3517,约 11%,反映的是"拿去改"的真实意图。仓库至今没有 release 与 tag,131 个 open issue,32 位贡献者------规范层面已经成型,内容层面 11 个插件只是开箱起点,不是生产方案。

风险集中在四处:宿主绑定,产品策略一变资产就贬值;供应链,插件可声明 hooks 并连接外部 MCP server,等于把执行权交给第三方配置,审查提示词和 PR 白名单是减速带而不是沙箱;开放度,外部贡献被严格限制在 marketplace 条目,社区共建的天花板由官方内容决定;误读,star 数被当成工程质量指标,而文档缺口大到连安装步骤都还没覆盖。

该看什么

star 曲线不用盯。去看 fork 之后被改成了什么:有没有企业做出私有 marketplace(这是企业采购的硬门槛),有没有第三方 SaaS 主动提供兼容插件或 MCP server(生态真伪的试金石),外部贡献是否突破 PR 白名单,11 个插件有没有长出官方质量分级。

这些信号出现,"插件即交付形态"才算成立。不出现,它就是一个高 star 的配置仓库------而衡量它的正确指标本来是:有多少企业把自己的术语和系统,真的塞进了这套骨架。

带走一句判断:团队已经在用 Cowork 或 Claude Code、又有明确的岗位流程要固化,这套骨架值得 fork 一份当模板,成本主要是改 Markdown;要的是接一堆内部系统做自动化、要稳定 API 与 SLA,那它不是编排框架也不是集成平台------无 release、无版本号、安装步骤素材里也没给全,现阶段别把它当生产依赖。

相关推荐
孙琦Ray3 天前
ComfyUI:用节点图编排扩散模型工作流的开源引擎,以及它的 GPL-3.0 难题
开源早知道
孙琦Ray4 天前
ai-memory:一个用 Rust 写的跨代理记忆层,想让 Claude Code 和 Codex 共用同一份项目记忆
开源早知道
孙琦Ray7 天前
everything-claude-code:想给 Claude Code、Cursor 补上记忆和护栏的配置层,28 万 star 却核不到它怎么工作
开源早知道
孙琦Ray7 天前
Perplexity 开源 SPACE:118 次越狱尝试全部失败
开源早知道
孙琦Ray7 天前
RoboParty 发布全栈开源人形机器人 RP1
开源早知道
孙琦Ray8 天前
Meta 开源 8160 亿参数 Muse Spark Open,两台 Mac Studio 本地跑通
开源早知道
孙琦Ray9 天前
Open WebUI:把 Ollama 和 OpenAI 兼容接口收进同一个自托管界面的开源项目
开源早知道
孙琦Ray9 天前
法雷奥联手 KE:SAI 全开源自动驾驶模型
开源早知道
孙琦Ray10 天前
开源 UP-MAVT Suite:量化决策中的不确定性
开源早知道