Claude Code 的 10 款插件、技能与 MCP 工具:实用指南

Table of Contents
根据工作流中的具体问题选择 Claude Code 扩展。 需求不明确时,需要先讨论规划。遗漏缺陷时,需要审查和测试。反复研究时,需要可追溯的来源。只有在职责清晰时,安装更多工具才有帮助。
本指南围绕这些用途比较了十个项目,并提供安装示例和一项完整的评估练习。分析依据是项目的当前文档和提供的 Chase AI 视频。文中的建议属于编辑判断,不是实测性能,也不能证明生产力提高了十倍。
重点摘要
- 按产出选择: 经审查的计划、代码关系图和生成的图片需要不同工具。
- 区分安装层: 指令、可执行程序、插件和服务连接依赖项各不相同。
- 核对当前名称: Graphify 和 grill-me-codex 现在对应不同的规范仓库位置。
- 不要把认同当作验证: 两个模型接受一份计划,并不能证明实现正确。
- 衡量已验收的工作: 统计安装、服务用量、失败尝试和人工修正。
开始之前
先决条件: 可正常使用的 Claude Code、可丢弃的项目或分支,以及使用所选外部服务的权限。CLI 示例假设你有终端和相应的软件包管理器。云集成还需要各自的账户和身份验证。
预计用时: 阅读约 15 分钟,然后预留 30 到 60 分钟进行一次范围明确的试用。难度: CLI 安装和服务集成属于中级。阅读指令类技能所需准备较少。
文档核对日期:2026 年 10 月 10 日。 命令和访问规则以链接来源为准。使用较旧教程前,请重新核对已安装的版本。本文聚焦从 Claude Code 使用的扩展,并在相关处说明不同宿主的差异。
安装后分层验证。 分别检查文件、宿主是否发现扩展、可执行依赖项、凭据和一项代表性任务。安装程序成功,并不能证明浏览器、MCP 服务器、媒体工具或外部账户可用。首次测试使用合成数据,并记录上游版本。
了解扩展类型
| 类型 | 作用 | 示例 |
|---|---|---|
| 指令文件 | 设置持续适用的项目要求 | CLAUDE.md |
| 技能 | 为选定任务提供操作流程 | grill-me |
| 插件 | 打包注册的命令和集成 | Codex 插件 |
| CLI | 从终端执行命令 | Graphify |
| MCP 服务器 | 向智能体客户端提供可调用工具 | n8n 实例集成 |
**Model Context Protocol(MCP)**将智能体应用连接到服务器提供的工具和数据。命令行界面(CLI)用于运行可执行命令。技能通常会教智能体如何使用其中一种接口,但安装技能本身并不能建立可用的连接。
从缺失的能力入手。 如果智能体已经能搜索代码库,新的搜索流程就需要带来可观察的收益。如果智能体无法访问自动化平台,单靠文字指令文件无法提供经过身份验证的访问。 智能体运行时指南 进一步介绍了模型调用和工具执行所依赖的软件。
选择第一款工具
| 问题 | 工具 | 首个验收检查 |
|---|---|---|
| 需求含糊 | grill-me / grill-with-docs | 明确的决策和验收标准 |
| 反复偏离范围 | 受 Karpathy 启发的 CLAUDE.md | 每项编辑都服务于请求的改动 |
| 实现计划风险较高 | Claudex Loop | 审查发现都已用证据解决 |
| 代码改动未经审查 | OpenAI Codex 插件 | 发现与代码和失败场景相关联 |
| 不熟悉的代码库 | Graphify | 关系图与源文件一致 |
| 项目知识分散 | claude-obsidian | 结论保留指向原始证据的链接 |
| 反复综合资料 | notebooklm-py | 答案引用预期的来源材料 |
| 界面令人困惑 | Impeccable | 用户能完成目标操作 |
| 缺少视觉素材 | Higgsfield | 产出符合已批准的素材说明 |
| 可重复的服务工作流 | n8n MCP | 测试执行得到预期结果 |
建议从这里开始: 选一行,并在安装前保存一项基准任务。只有当第二款工具带来独立且可衡量的贡献时,再将其加入工作流。
澄清工作要求
grill-me 和 grill-with-docs
Matt Pocock 的技能可以将描述不充分的想法转化为明确决策。当前的 grill-me 入口 会调用共享的 grilling 技能。 grill-with-docs 会调用 grilling 和领域建模。 技能集合文档 还介绍了共享术语、架构决策记录和访谈流程。
当业务术语影响实现时,使用文档版本。 以 CSV 导入器为例,先确定“现有客户”是指邮箱相同、外部标识符相同,还是两者都相同。写重复检测逻辑前,先记录选定的定义。
让访谈保持适度。 有用的访谈应解决重要的不确定性,不应要求你重复代码库里已有的答案。结束时应得到计划、尚未解决的问题和可观察的完成检查。
受 Karpathy 启发的 CLAUDE.md
由 Multica 维护的指南将 Karpathy 的观察归纳为四个主题:明确假设、选择简单方案、聚焦改动和设定可验证目标。 该仓库 是受其观察启发的社区实现。若称其为 Karpathy 亲自维护的插件,就会错误描述项目来源。
将有用的指导合并到现有项目政策中。 保留构建命令、内容规范和部署限制。替换指令文件时若删除这些细节,就会引入新的错误来源。
项目规则示例: 要求导入器改动保留现有的重复处理方式,并通过测试样例说明任何有意的变更。这样就把一般性的谨慎偏好变成审查者能理解的检查。指令表达预期。测试和运行时控制则提供不同的证据。
| 规划产物 | 用途 |
|---|---|
| 需求 | 指明用户可见的结果 |
| 术语表条目 | 为多义术语确定单一含义 |
| 决策记录 | 保留重要选择的原因 |
| 验收检查 | 说明如何评估是否完成 |
审查计划和代码
grill-me-codex 已更名为 Claudex Loop
Claudex Loop 是原 grill-me-codex 仓库目前的承接项目。其 文档 介绍了代码库侦察、需求梳理、由另一家服务提供方审查、实现和独立检查。完整流程需要两个 CLI 和 Python 3.10 或更新版本。
对于实施前值得质疑其假设的重要计划,可以使用 Claudex Loop。 当前流程支持从 Claude Code 或 Codex 启动。它会记录发现和处理结果,并区分审查权限与构建权限。视频中较早的“五轮”描述,不应取代已安装工作流当前的轮数上限。
要求每条异议都附上证据。 对于 CSV 导入器,审查者应指出具体的重复或重试场景,并说明预期行为。模型一致意见只是审查结果,不是证明。审查预算用尽时,保留仍未解决的发现。
OpenAI Codex 插件
/plugin marketplace add openai/codex-plugin-cc
/plugin install codex@openai-codex
/reload-plugins
/codex:setup
OpenAI 面向 Claude Code 的 Codex 插件在 Claude Code 中提供代码审查和任务委派功能。这些是 Claude Code 命令,不是 shell 命令。 官方仓库 要求 Node.js 18.18 或更新版本,并要求通过 ChatGPT 或 OpenAI API 密钥验证 Codex 访问权限。
/codex:review --background
/codex:status
/codex:result
常规审查适合检查当前改动或分支差异。需要集中挑战时,使用 /codex:adversarial-review。/codex:rescue 等委派命令与只读审查用途不同,因此要明确授权范围。
单独核算 Codex 用量。 项目将 ChatGPT Free 列为支持的账户类型之一,但仍受用量限制。安装插件并不会带来无限访问。
选择规则: 对现有补丁使用范围有限的插件审查。若需求和计划修订本身也需要有记录的流程,则选择更完整的循环。
保留有用上下文
Graphify
uv tool install graphifyy
graphify install --project
graphify extract . --code-only
graphify query "show the authentication flow"
Graphify将代码库关系映射为可查询的知识图谱。其
规范仓库
现在由 Graphify-Labs 维护。软件包名是 graphifyy,末尾有两个 y。可执行程序仍叫 graphify。
仅代码提取使用本地抽象语法树解析读取源代码结构。文档和媒体解读使用另一个由模型驱动的流程。不要把仅代码模式的隐私或成本说法推广到所有模式。
可选钩子会在提交和切换分支后重建代码图。执行 pull 或 merge 后,文档流程要求运行 graphify update .。文档变更也需要单独刷新。Obsidian 导出提供了另一种查看图谱的方式。
用 Graphify 回答关系问题, 然后检查相关源代码。关系图有助于定位文件,但无法证明运行时行为,也不能代替测试。衡量节省的令牌时,要考虑自己的问题,以及图谱的构建和维护成本。
claude-obsidian
claude-obsidian会将源材料整理为相互链接且带有来源引用的 Obsidian 页面。其 仓库 介绍了资料摄取、检索、知识维护、来源保留,以及记录支持或矛盾证据的方法。知识库仍是普通的本地文件。
用 claude-obsidian 保存长期项目知识: 例如设计决策、源文档和研究笔记,这些内容需要跨越单次对话继续留存。有用的产物是可维护且具有出处的记录,也就是每项重要结论都有可追溯的来源。
摄取后检查知识库。 选几项结论,沿着引用回到原始材料。保留相互冲突的证据,不要把分歧合并成确定结论。数据存放在本地,并不代表推理也在本地完成。提供敏感文档前,先检查宿主和模型配置。
| 上下文系统 | 最适合先问的问题 |
|---|---|
| Graphify | 哪些源组件彼此相关? |
| claude-obsidian | 哪些保留的证据支持这项决策? |
| notebooklm-py | 这些选定的研究资料讲了什么? |
notebooklm-py
uv tool install "notebooklm-py[browser]"
notebooklm login
notebooklm auth check --test --json
notebooklm skill install
notebooklm-py为 Google 的笔记研究服务提供 Python 库、CLI 和智能体技能。 项目 文档介绍了来源导入、有依据的问题回答、生成的产物和批量下载。browser 附加组件支持交互式登录流程。
这是非官方集成。 该库依赖未公开文档的 Google 接口,可能失效,也会受到速率限制。不要把它说成 Google 支持的公共 API。
notebooklm-py 适合范围明确的研究资料集, 例如某个依赖项的发行说明和迁移指南。将发现纳入计划之前,先对照原文检查引用。请像保护账户访问材料一样保护保存的身份验证状态。
研究外包会改变工作运行的位置。 外包并不会消除编排令牌、服务配额、审查工作或数据处理义务。应将令牌节省视为需要收集的测量结果,而非安装后自动获得的属性。
设计并生成素材
Impeccable
/impeccable critique settings
/impeccable audit settings
/impeccable polish settings
Impeccable为有针对性的界面工作提供设计术语。 文档 涵盖设计评审、布局、排版、无障碍检查、动效和基于浏览器的视觉迭代。上面的示例假设已安装技能,而且项目有可供调整的设置界面。
从交互问题着手。 对于导入器,先问用户为何会漏看验证错误,或误解重复项处理选项。应用视觉润色之前,先审查建议的改动。间距更好看,并不能解决操作含义不明确的问题。
实时迭代便于在浏览器中比较方案。检查最终的键盘导航、移动版布局、错误消息和对比度。命令数量会随版本变化,应使用已安装版本附带的命令清单,不要记住视频里的数量。
Higgsfield
Higgsfield 的 MCP 集成将智能体连接到其图像和视频生成服务。 官方集成页面 列出了 Claude Code 和 CLI 连接方式以及创意工作流。请根据账户和所选界面使用当前设置流程。
当缺少的产物是媒体时,选择 Higgsfield。 为示例产品页面生成素材前,先指定宽高比、构图、品牌限制和放置位置。视觉说明应与页面实现任务分开。
先检查服务权限和用量。 集成页面并不能证明你能访问所有模型、无限生成内容,或拥有某种商业使用权。确定生产工作流前,检查适用的账户条款和所选模型。
检查最终文件在预期显示尺寸下的效果。确认可见文本、异常符号、裁切和内容一致性。生成的终端屏幕和图表不能作为测试成功的证据。
| 设计产物 | 完成证据 |
|---|---|
| 界面改版 | 目标视口中的必要操作均正常 |
| 图片素材 | 尺寸、裁切和内容符合说明 |
| 视频素材 | 时长、动效和最终导出符合要求 |
连接可重复的工作流
n8n MCP
n8n 内置的 MCP 服务器向已连接客户端提供工作流操作。当前 连接文档 涵盖 Cloud 和自托管实例。文档从 n8n 2.13.0 起介绍工作流的构建和编辑。本文指 n8n 自己的服务器,不是名称相似的无关社区软件包。
本文介绍的集成使用实例级访问。 MCP Server Trigger 节点的范围不同,它提供单个工作流中的工具。请根据部署版本检查 工具参考 。
谨慎启用访问。 对于完整访问,现有工作流需要公开给 MCP。搜索预览会在用户现有权限范围内拥有更广的可见性。工作流公开并非按客户端设置的独立允许列表,不过已授予的客户端权限仍会约束操作。
检查执行模式。 文档说明 execute_workflow 默认会运行已发布的生产版本。手动模式运行当前未发布的版本。执行前要验证输入和下游操作。
一个合适的首次试用: 分类合成的支持请求,并把结果写入测试目标。确认工作流能处理缺失字段和重试。自托管仍需要计算资源、维护,以及可能收费的下游服务。
进行受控试用
示例练习: 为一个小型应用添加 CSV 导入器。导入器预览行、报告无效邮箱字段并防止创建重复记录。练习不需要客户记录或生产环境目标。
# 评估工作表,不是工具配置文件
task: "add CSV import preview"
inputs:
- "valid rows"
- "invalid email field"
- "repeated customer identifier"
- "same import submitted twice"
acceptance:
- "preview creates no records"
- "invalid rows receive useful messages"
- "duplicate policy matches the written requirement"
- "repeat submission creates no extra records"
record:
- "source revision and selected skill version"
- "model and service configuration"
- "elapsed time and billed usage"
- "failed checks and human corrections"
先建立基准。 保存起始版本,并让智能体按现有工作流完成任务。运行独立的验收检查并保留结果。随后从相同起始版本出发,使用一款选定的扩展和相同需求重复任务。
让实验对应怀疑的问题。 如果智能体反复误解重复处理方式,就试用需求梳理技能。如果它忽略已有验证器,就试用代码库映射工具。如果用户看不到错误,就试用界面评审。一次加载全部十款工具,就无法判断哪款工具带来了改进。
预期推理方式: 第二次成功是有用证据,但单次运行无法证明普遍的生产力提升。重复试验有助于区分工具价值和模型波动。比较已接受的结果,并将审查工作和失败尝试计入。
| 观察结果 | 解读 |
|---|---|
| 答复更快,但测试失败 | 响应时间缩短,任务仍未完成 |
| 运行更久,但修正更少 | 总交付工作量可能有所改善 |
| 两个审查者意见一致 | 仍需独立验证的共识 |
| 智能体用量降低,但新增服务费用 | 成本转移到了其他服务商 |
创建可留存的决策记录。 写明问题、选定工具、观察到的收益、尚未解决的问题和再次试用的条件。只有通过检查并证明确有贡献时,才保留工具。安装了大量工具,并不意味着工作流就需要大量工具。
故障排查
| 现象 | 下一步检查 |
|---|---|
| 技能存在但命令失败 | 可执行程序安装、PATH 和所需附属文件 |
| 旧教程中的命令找不到 | 已安装版本和上游规范说明 |
| Graph 未包含最新改动 | 图谱是否过期,以及文档是否另行刷新 |
| 审查者重复提出已解决的异议 | 精确的计划版本、证据和审查预算 |
| Notebook 身份验证失败 | 身份验证诊断、会话有效性和上游问题 |
| n8n 连接缺少预期操作 | 部署版本、公开设置和已授予的权限 |
| 设计更好看但更难用 | 原始验收标准和交互检查 |
依次检查安装层: 文件存在、宿主能够发现、依赖项已就绪、身份验证有效,以及代表性任务通过。安装成功只能证明这条链路中的一部分。
新增副本前,检查是否已有重叠技能。 需求访谈、规划套件、设计工具和审查软件包有时会采用互相冲突的默认设置。为该任务选择一种主要流程,再根据明确的贡献添加辅助工具。保留项目政策和用户要求的范围。
视频讲解
Chase AI 的讲解视频介绍了本文讨论的十个项目。观看 原始视频 了解演示。当前的安装和行为应以链接的项目文档为准。视频标题中的说法属于宣传性表述,并非本指南测得的结果。
下一步
选择一个反复出现的问题和一项验收测试。 在可丢弃的项目中试用匹配的扩展,然后只保留能改善结果的最小组合。只有当工作需要知识管理、媒体生成或自动化产物时,才添加相应工具。
相关指南: 选择智能体本身时,请阅读 CLI 编码智能体比较 。若要学习需求、证据和审查职责的实用做法,请参阅 AI 协作课程 。
参考资料
- Graphify:代码图谱与安装
- Matt Pocock:技能集合
- Claudex Loop:当前的 grill-me-codex 项目
- OpenAI:面向 Claude Code 的 Codex 插件
- claude-obsidian:带来源链接的知识管理
- Multica:受 Karpathy 启发的编码指南
- Impeccable:设计命令与安装
- Higgsfield:智能体集成
- notebooklm-py:非官方库、CLI 和技能
- n8n:官方 MCP 连接指南






