夜雨聆风Anthropic · Claude Cowork · 行业插件 · 知识工作自动化 · 11 个岗位模板 · Claude Code 兼容 — 在一个仓库里封装了产品、工程、销售、法务、财务等 11 个岗位的 AI 助手配置，让 Claude 不再是通用聊天机器人，而是理解你业务场景的专属同事。
AI 助手总是"听不懂"你在做什么
用过 AI 编程助手或写作助手的人，多半有过这种体验：每次对话都要重新解释一遍"我是谁、我在什么公司、我们用什么工具"。你问它能不能分析一下最近的销售数据，它反过来问你"销售数据在哪里"——明明 CRM 里就有。
这不是 AI 能力不行，而是上下文缺失。通用模型没有你的公司信息、你的业务流程、你用的 SaaS 工具栈。每轮对话都像和一个新人共事，很难产出深度结果。
Anthropic 开源的 knowledge-work-plugins 仓库就是要解决这个问题。它给 Claude Cowork（以及兼容的 Claude Code）提供了 11 个预配岗位模板，每个模板里封装了：
• 该岗位的日常工作流程（Skill 文件）
• 使用的工具栈（MCP Connector 配置）
• 最频繁的操作（Slash Command）
销售用销售模板，法务用法务模板，工程师用工程模板。Claude 启动对话时已知道自己扮演的角色和公司上下文，无需反复交代。
目标用户很明确：任何想把 AI 助手从"对话型工具"升级为"团队成员"的组织。不论你是 3 人创业团队还是 500 人公司的部门负责人，这些插件都提供一个可动手定制的起点。
即装即用：最快 5 分钟配好一个岗位
安装路径极其简单。整个技能目录没有任何编译或部署步骤。在 Claude Cowork 中可直接从 claude.com/plugins 安装。如果使用 Claude Code：
claude plugin marketplace add anthropics/knowledge-work-plugins
# 安装销售插件
claude plugin install sales@knowledge-work-plugins
安装后插件自动激活。来看几个最实际的使用场景。
场景一：代码审查
在 Claude Code 中执行 /engineering:code-review <PR URL>，Claude 自动按安全、性能、正确性、可维护性四维度检查变更。输出带严重等级的表格，并给出修改建议。如果关联了 GitHub MCP，它会自动拉取 PR diff，无需手动粘贴代码。
场景二：事故响应
执行 /engineering:incident-response，Claude 引导你完成事故定级、受影响服务确认、回滚判断、事后复盘的全流程。对于没有明确 SOP 的中小团队，相当于一本交互式故障处理手册。
场景三：销售拜访准备
销售插件中有 call-prep 技能。告诉 Claude "明天要和 Acme Corp 的 CTO 开 discovery call"，它会做三件事：搜索 Acme Corp 的新闻与融资动态、分析参会者背景（若接 CRM 则拉取账户历史）、输出一份包含议程和提问清单的 briefing。对于每天要打多个电话的销售，节省的不只是查资料的时间。
定制才是真正的价值
开箱即用的模板只是基线。每个插件目录结构统一：
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
想换 CRM？改 .mcp.json 里的 URL。想让 Claude 理解内部术语？在 Skill 文件里加一段文字描述。全是 Markdown 和 JSON，无需编码，团队里的非技术角色也能动手改。更好的做法是，让团队里最懂业务的人来写 Skill 内容，技术同学只负责配 MCP 连接。
纯文本驱动的智能代理，创新在哪里
这个项目最有趣的地方在于：它完全没有代码。11 个插件、上百个 Skill 文件，全部是 Markdown 文本和 JSON 配置。没有 Python 脚本，没有 Node 服务，没有 Docker 镜像。
架构上，每个插件就是一个文件目录约定。Claude 读取 plugin.json 知道插件用途，读取 skills/ 获取领域知识，读取 .mcp.json 了解可连接的外部工具，读取 commands/ 了解用户可用的显式命令。
这与传统的"插件"概念截然不同。以往插件是执行代码的扩展点，可以读写文件、发网络请求、执行任意逻辑——也正因如此，每个插件都需要严格的安全审核。而 Knowledge Work Plugins 的插件不执行代码，它们只提供上下文。真正的工作（代码审查、搜索、分析）由 Claude 自身能力加 MCP 连接器完成。
这种设计带来几项核心优势：
1.
零安全风险 — 插件只是文本，不能做任何越界操作。审核只关心"插件会不会误导 Claude 做不该做的事"，而不是"插件里有没有恶意代码"。项目附带的 .github/policy/prompt.md 正是这一审核流程的自动化脚本。
2.
极低门槛 — 创建新插件就是新建目录、写几行 JSON、铺一些 Markdown 文件。Anthropic 还提供了 cowork-plugin-management 插件来辅助创建和定制。
3.
全开放生态 — 任何人都可 fork 仓库，创建公司内部插件集，甚至通过 PR 贡献回上游。Partner-built 目录下已有 Zoom、Slack、Apollo、Common Room 等第三方团队贡献的插件。
代价也很明确：因为插件没有执行权，它不能主动拉取数据、不能监听事件。所有行为依赖用户或 Claude 主动触发。对于需要后台监控的场景（如"当 Jira ticket 状态变化时通知我"），这种无代码插件模型无法直接覆盖。
从模板到知识库：一个马上可试的场景
最直接的落地场景是团队入职引导。一个 20 人的 SaaS 公司，新销售入职后前两周往往在"熟悉流程"中度过。你只需要做两件事：安装 Sales 插件，然后在 Skill 文件中写入公司特定上下文——"我们使用 HubSpot CRM，客户分级 S/A/B/C，标准折扣 15%~25%，$50K 以上需 CFO 审批"。新销售第二天即可用 Claude 处理真实客户咨询，而不是花两周读培训 PPT 和公司录屏。Anthropic 在测试中发现，接入公司级上下文后销售代表的 call-prep 时间缩短了约 60%。
如果应用到更广泛的场景，比如将财务插件中的 reconciliation workflow 配上企业真实的科目映射表，每月结账工时可以从数天降至小时级别。公司可像管理代码库一样管理 AI 助手的知识：skills/ 目录接入 Git，每次业务流程调整改一个 Markdown 文件、提交 PR、Review 后合并。AI 知识库有了版本管理、审计日志和审批流程——这在传统"提示工程"时代几乎不可想象。
这类插件生态才刚开始。Anthropic 目前在 11 个岗位上的覆盖囊括了最常见的职能部门，但长尾场景——教育、医疗合规、建筑项目管理——还有大量空间。只要有人写 Markdown，插件生态就会继续扩展。
对于正在评估 AI 工具落地的团队来说，这个仓库提供了一个零风险的试验场：不需要购买额外服务，不需要开发团队支持，Fork 后改几个 Markdown 文件就能验证效果。如果你的团队也面临"AI 总是帮不上忙"的困境，问题可能不在模型本身——而在于模型还不够了解你。
