上周五下午，我花了 40 分钟整理 Slack 里散落的会议纪要，又花了 20 分钟在 Notion、邮件和 Jira 之间来回切换，只为搞清楚一个问题：”上次关于 API 重构，我们到底决定了什么？”
这种场景你一定不陌生。我们每天在十几个工具之间跳来跳去，信息碎片化到令人窒息。AI 助手本该解决这个问题，但现实是：你每次都要从头解释背景，它不记得你的项目、你的术语、你的同事叫什么。
Anthropic 刚刚开源的 Knowledge Work Plugins 试图改变这一点。这套插件的野心很简单：让 Claude 像一个真正了解你工作的同事，而不是一个需要反复喂养上下文的聊天机器人。
这跟你有什么关系
如果你是产品经理、销售、数据分析师、客服、财务，或者任何需要在多个工具之间协调工作的知识工作者——这套插件直接针对你的痛点。
它能做的事情包括：
- 一句话搜遍你的 Slack、邮件、Notion、Jira，直接给你答案而不是链接
- 记住你团队里谁是谁，”问 todd 做 oracle 的 PSR”这种黑话它能秒懂
- 连上你的数据仓库，用自然语言问问题，它帮你写 SQL、跑查询、画图
- 自动从会议录音里提取 action items，起草跟进邮件
学习成本？几乎为零。安装只需要两行命令，插件装上就自动工作。你不需要学新的界面或新的工作流——它融入你现有的工具链。
回报？每天省下的那些”上下文切换”时间，累积起来相当可观。
四个核心概念
在深入细节之前，先建立全局图景。整套系统只有四个概念需要理解：
插件（Plugin）：针对特定岗位的能力包。产品经理用 product-management 插件，销售用 sales 插件，数据分析师用 data 插件。每个插件预置了该岗位需要的技能和工具连接。
技能（Skill）：Claude 自动调用的领域知识。你不需要显式触发，当对话涉及相关领域时，技能会自动生效。比如你提到要写 PRD，product-management 插件的 feature-spec 技能就会接管。
命令（Command）：你主动触发的动作。用斜杠调用，比如 /write-spec 写产品文档，/analyze 做数据分析。
连接器（Connector）：把 Claude 接入外部工具的桥梁。通过 MCP 协议，Claude 可以直接读写你的 Slack、Notion、HubSpot、Snowflake 等等。
就这四个。剩下的都是细节。
11 个插件，逐一拆解
Anthropic 开源了 11 个插件，覆盖主流知识工作岗位：
| 插件 | 一句话描述 | 典型场景 |
|---|---|---|
| productivity | 任务管理 + 职场记忆 | 管理待办、记住团队上下文 |
| sales | 销售全流程助手 | 客户调研、电话准备、pipeline 管理 |
| customer-support | 客服效率工具 | 工单分流、回复起草、知识库维护 |
| product-management | PM 工作流 | PRD 撰写、路线图、用户研究整合 |
| marketing | 营销内容助手 | 内容创作、活动策划、竞品监控 |
| legal | 法务审查助手 | 合同审查、NDA 分流、合规检查 |
| finance | 财务流程助手 | 凭证录入、账户核对、审计支持 |
| data | 数据分析搭档 | SQL 查询、可视化、Dashboard 构建 |
| enterprise-search | 跨工具统一搜索 | 一个查询搜遍所有工具 |
| bio-research | 生命科学研究助手 | 文献检索、基因组分析 |
| cowork-plugin-management | 插件管理器 | 创建和定制自己的插件 |
下面挑几个最实用的展开讲，同时看看四个核心概念如何在实际插件中落地。
Data：把 Claude 变成数据分析师
这个插件让你用自然语言做数据分析。先看四个概念如何协作：
插件定义了数据分析师这个角色的边界——SQL 查询、可视化、统计分析、Dashboard 构建。安装 data 插件，Claude 就获得了这个岗位的全套能力。
连接器是这个插件的关键。通过 .mcp.json 配置，Claude 可以直连你的 Snowflake、BigQuery 或 Databricks。没有连接器，你只能把数据粘贴给它；有了连接器，它能直接查库、跑分析、验证结果。
技能在后台默默工作。当你问数据问题时，sql-queries 技能自动注入 SQL 最佳实践；当你要画图时，data-visualization 技能指导它选择合适的图表类型。你不需要调用它们，它们根据上下文自动生效。
命令是你主动触发的动作：
| 命令 | 作用 |
|---|---|
/analyze |
端到端数据分析：写 SQL → 执行 → 可视化 → 解读 |
/explore-data |
数据画像：行数、空值、分布、异常值 |
/write-query |
针对你的 SQL 方言写优化查询 |
/build-dashboard |
生成带筛选器的交互式 HTML Dashboard |
/validate |
分析发布前的 QA：方法论、偏差、sanity check |
实际使用起来是这样的：
你: 过去 12 个月的月度营收趋势是什么，按产品线拆分？
Claude: [连接器访问 Snowflake]
[sql-queries 技能指导写出优化的 SQL]
[执行查询，获取结果]
[data-visualization 技能选择折线图]
→ "产品线 A 同比增长 23%，产品线 B 基本持平。
A 的增长主要来自 Q3 的企业客户扩张。"
Productivity：让 Claude 真正”认识”你
这个插件解决的是 AI 助手最大的痛点：缺乏持续上下文。
插件定义的角色是”了解你工作的私人助理”——任务管理、日程协调、团队上下文。
这个插件的独特之处在于它实现了一套记忆系统（这是该插件特有的功能，不是所有插件都有）。它建立了两层记忆：
- 工作记忆（
CLAUDE.md）：当前活跃的项目、正在对接的人、近期优先级 - 长期记忆（
memory/目录）：团队结构、术语表、历史决策、个人偏好
当你说”问 todd 做 oracle 的 PSR”，记忆系统让 Claude 能立刻解码：
"请 Todd Martinez（财务负责人）准备 Oracle Systems
（230 万美元，Q2 关闭）的 Pipeline 状态报告"
不需要澄清，不需要来回确认。
技能包括 memory-management（管理两层记忆的读写）和 task-management（基于 Markdown 的任务追踪）。它们协同工作：当你随口提到一个待办，技能自动判断是否需要加入任务列表、是否需要更新记忆。
命令触发特定工作流：
| 命令 | 作用 |
|---|---|
/start |
初始化任务和记忆系统，打开可视化 Dashboard |
/update |
处理过期项目，检查记忆空白，同步外部工具 |
/update --comprehensive |
深度扫描邮件、日历、聊天，补全遗漏 |
连接器让记忆不只是静态文件。连上 Slack，它能从对话中学习谁是谁；连上日历，它知道你的时间安排；连上项目管理工具，任务状态自动同步。
Enterprise Search：一个查询，搜遍所有工具
信息散落在 Slack、邮件、Notion、Google Drive、Jira……找一个决定，你要开五个标签页分别搜索。这个插件是连接器概念最充分的体现。
插件定义的角色是”企业知识库的统一入口”。
连接器是这个插件存在的理由。它同时连接：
- Slack（消息、频道、讨论）
- 邮件（对话、附件）
- 云存储（文档、表格、PDF）
- Wiki/知识库（内部文档、runbook）
- 项目管理（任务、里程碑）
每多连一个工具，搜索的覆盖面就多一层。
技能处理搜索的复杂性：
search-strategy：把你的自然语言问题拆解成针对每个工具的优化查询source-management：知道哪些工具已连接、如何处理速率限制knowledge-synthesis：把多个来源的结果去重、归因、综合成连贯答案
命令简洁有力：
| 命令 | 作用 |
|---|---|
/search |
跨所有来源搜索，支持 from:、after:、in: 等过滤器 |
/digest |
生成每日/每周活动摘要，按主题分组 |
实际使用：
你: 我们关于 API 重构做了什么决定？
Claude: [search-strategy 技能拆解问题]
[连接器并行查询 Slack、邮件、文档]
[knowledge-synthesis 技能综合结果]
→ "团队周二在 #engineering 决定用 REST 而不是 GraphQL。
Sarah 周四发了确认邮件附带更新的 spec。
设计文档已于周五更新，反映最终方案。"
一个问题，三个来源，一个答案。
底层原理：为什么这套东西能工作
理解底层机制，你才能真正用好它，甚至定制它。
插件就是文件夹。 每个插件的结构完全透明：
plugin-name/
├── .claude-plugin/plugin.json # 元信息
├── .mcp.json # 工具连接配置
├── commands/ # 斜杠命令
└── skills/ # 领域知识
没有编译，没有构建步骤。全是 Markdown 和 JSON。你想改什么，直接改文件。
MCP 是连接外部工具的协议。 Model Context Protocol 是 Anthropic 推的标准协议，让 AI 模型能安全地读写外部工具。Slack、Notion、Snowflake 这些工具的 MCP 服务器已经有人写好了，你只需要在 .mcp.json 里配置连接信息。
技能是带条件的提示词。 当对话匹配某些条件时，相应的技能文件会被注入到上下文里。这些技能文件就是 Markdown，里面写着该领域的最佳实践、工作流程、注意事项。你可以直接编辑它们，加入你公司特有的流程。
定制的本质是编辑文本文件。 想让 Claude 用你公司的术语？编辑技能文件。想连接不同的工具？编辑 .mcp.json。想加新命令？在 commands/ 目录下加个 Markdown 文件。
这种”文件即配置”的设计，让非程序员也能定制插件。
安装：两行命令的事
# 添加插件市场
claude plugin marketplace add anthropics/knowledge-work-plugins
# 安装你需要的插件
claude plugin install productivity@knowledge-work-plugins
claude plugin install data@knowledge-work-plugins
装完就能用。技能自动生效，命令随时可调用。
如果你用的是 Cowork（Anthropic 的桌面应用），直接去 claude.com/plugins 点击安装，更简单。
这件事的走向
这套插件本身只是开始。更有意思的是它代表的方向：
AI 从通用助手走向岗位专家。 通用 chatbot 什么都能聊，但什么都不精。插件模式让 AI 能深入某个岗位的具体工作流，真正变得有用。
上下文成为核心资产。 谁掌握了用户的工作上下文（团队、项目、术语、偏好），谁就能提供更好的 AI 体验。productivity 插件的记忆系统是个信号：未来的 AI 产品会越来越重视持续上下文的积累。
工具连接标准化。 MCP 协议如果成为事实标准，意味着任何 AI 模型都能接入任何工具。这会加速”AI 中间层”的形成——AI 不再是孤立的对话界面，而是连接所有工具的智能枢纽。
定制门槛持续降低。 当插件就是 Markdown 文件时，任何人都能定制。未来会有大量针对特定公司、特定团队的私有插件出现。
总结
知识工作者的日常被工具碎片化绑架了。我们在 Slack、邮件、文档、项目管理工具之间疲于切换，AI 助手本该帮忙，却因为缺乏上下文而沦为需要反复喂养的对话框。
Anthropic 这套插件的核心主张是：AI 应该像同事一样工作——了解你的工具、记住你的上下文、融入你的工作流。
它通过四个机制实现这一点：针对岗位的插件、自动触发的技能、显式调用的命令、连接外部工具的连接器（MCP）。技术上没有黑魔法，全是文本文件，任何人都能定制。
如果你只带走一个东西，应该是这个认知：未来的 AI 助手不会是通用聊天机器人，而是深度嵌入你工作流的岗位专家。 这套插件是这个方向的早期实现。现在花一小时装上试试，比读十篇分析文章更能帮你理解这个趋势。