Claude 插件市场突然起飞:我按开发者视角拆了一遍,发现它不只是“插件合集”

在线体验各类最新模型,更有模型 免费Token 额度领取!
立即体验
简介: Anthropic 官方 Claude 插件市场(31k+ Star),标志着 AI 编程工具从“提示词调教”迈向标准化插件生态。支持 LSP、MCP、子智能体等能力打包分发,实现可安装、可治理的 Agent 能力模块化,是 Claude Code 迈向平台化的重要里程碑。(239字)

image.png

这周看 Agent 工程化项目,anthropics/claude-plugins-official 算是一个很明显的信号。

它不是一个普通代码仓库,更像 Claude Code 的官方插件市场源。Claude Code 里 /plugin install 背后要找的官方 catalog,就是这个方向的东西。

我写稿时,GitHub 页面显示这个仓库已经到 31k Star、3.4k Fork 级别。这个数字每天都在变,但热度不用怀疑,已经不是“少数人试试看”的阶段了。

先说结论:Claude 插件市场真正重要的地方,不是“又多了 200 多个插件”,而是 Anthropic 开始把 Agent 能力做成可分发、可安装、可治理的标准包。

以前我们给 AI 编程工具加能力,大多是三种方式:

  1. 写一堆提示词。
  2. 配一个 MCP server。
  3. 在项目里塞 CLAUDE.md、hooks、脚本。

这些都能用,但很散。Claude 插件把这些东西打包成一个标准目录:plugin.json 管元信息,.mcp.json 管 MCP,.lsp.json 管语言服务,skills/ 管技能,agents/ 管子智能体,hooks/ 管自动化动作。

这一下,AI 编程工具从“个人调教”开始往“插件生态”走了。

我先看它到底怎么装

官方文档里讲得很直白:插件市场是两步。

第一步,加 marketplace,相当于加一个应用商店。
第二步,从里面安装具体插件。

官方市场 claude-plugins-official 在 Claude Code 里默认可用,打开 /plugin 的 Discover 页就能看,也可以直接用命令:

/plugin install github@claude-plugins-official

如果提示找不到,可以刷新 marketplace:

/plugin marketplace update claude-plugins-official

或者重新添加:

/plugin marketplace add anthropics/claude-plugins-official

这个设计我挺喜欢。它把“插件源”和“插件安装”分开了。企业里以后可以有官方市场、社区市场、公司内网市场,用户不需要自己去复制一堆配置文件。

插件到底装了什么

Claude 插件不是浏览器插件那种纯 UI 扩展。它能往 Claude Code 里塞很多东西:

image.png

官方 README 给的标准结构是这样:

plugin-name/
├── .claude-plugin/
│   └── plugin.json
├── .mcp.json
├── commands/
├── agents/
├── skills/
└── README.md

再结合官方插件参考文档,完整插件还能有 .lsp.jsonhooks/monitors/settings.jsonbin/ 等。

这就很像一个“Agent 能力包”。它可以只提供一个 skill,也可以同时提供 MCP、语言服务、子智能体和自动化 hooks。

我最先会装哪几类

我会按场景来,不会看到插件多就一口气装一堆。

第一类是 LSP 插件。

比如:

语言 插件
Python pyright-lsp
TypeScript / JavaScript typescript-lsp
Rust rust-analyzer-lsp
Go gopls-lsp
Java jdtls-lsp
C/C++ clangd-lsp

LSP 插件的价值很直接:Claude 不只靠 grep 猜代码,它能拿到跳转定义、引用查找、类型错误、符号列表这些信息。官方文档也提到,安装对应语言服务后,Claude 在编辑文件后能自动看到诊断信息。

这对代码质量帮助很大。以前 AI 改 TypeScript,常见问题是“看起来写对了,类型一跑全红”。有 LSP 以后,反馈更靠近编辑器。

第二类是研发流程插件。

我会重点看:

  1. commit-commands:提交、push、PR 相关工作流。
  2. pr-review-toolkit:PR review 专用 agents。
  3. security-guidance:Claude 写代码时顺手做安全检查。
  4. code-review:多 agent 代码审查。
  5. code-modernization:遗留系统改造、迁移、重构。

这类插件的价值是把“经验流程”塞进 Claude Code,而不是每次让人重新提示。

第三类是外部系统集成。

官方文档列了不少外部集成方向:GitHub、GitLab、Atlassian、Asana、Linear、Notion、Figma、Vercel、Firebase、Supabase、Slack、Sentry 等。再看 marketplace 里,云服务、数据库、安全、监控、设计、支付、数据平台也越来越多。

这意味着 Claude Code 不再只是本地改代码,而是能接项目管理、部署、监控、数据库、设计稿、云平台。

插件市场真正改变的是工作流

以前我让 AI 做一个任务,通常是这样:

image.png

插件体系起来以后,更理想的流程会变成:

image.png

这里的关键不是“少打几个命令”,而是让 Claude Code 从单点助手变成一套可组合工作台。

比如一个修复线上 bug 的任务,插件可以这样分工:

  1. Sentry 插件拉错误上下文。
  2. LSP 插件定位类型和引用。
  3. Code review 插件做修改后审查。
  4. Security guidance 插件查安全风险。
  5. Commit 插件整理提交和 PR。

这就接近真实研发流程了。

但我不会盲装

官方 README 和文档都反复提醒:插件是高信任组件,可能带 MCP server、脚本、hooks,甚至执行本机命令。只要装了,就要按“会在我机器上跑代码”的标准去看。

我会先看四件事:

  1. 插件来源是谁,是否官方或可信厂商。
  2. plugin.json 里声明了哪些组件。
  3. 有没有 .mcp.json、hooks、monitors、bin 目录。
  4. 需要哪些 token、系统权限、外部服务权限。

尤其是 MCP 和 hooks,我会很谨慎。MCP 连接外部系统,hooks 可以在 Claude Code 事件发生时自动跑命令。能力越强,越不能随便装。

我对它的评价

anthropics/claude-plugins-official 给我的感觉,是 Claude Code 生态从“工具”往“平台”迈了一步。

它解决了三个老问题:

  1. 能力复用:不用每个项目都手写一套提示词和配置。
  2. 能力分发:通过 marketplace 安装、更新、管理。
  3. 能力治理:插件结构、scope、cache、manifest、trust 提醒都有基本规范。

它也带来三个新问题:

  1. 插件越多,权限越难管。
  2. MCP 和 hooks 越多,本地安全边界越重要。
  3. 自动更新越方便,版本审计越不能省。

我的结论很简单:个人开发者可以先从 LSP、commit、review 这几类低风险插件开始;团队要上插件市场,必须先定白名单、安装范围和审计规则。

Claude 插件市场不是“多了一个插件仓库”,它更像是 AI 编程工具的 npm 时刻。好处是生态会涨得很快,坏处是治理也要跟着补上。

目录
相关文章
|
22小时前
|
人工智能 关系型数据库 MySQL
03|Nacos 生产落地:多环境、踩坑、和 3.0 的 AI Registry 演进
本文为Nacos三篇实践笔记收官篇,聚焦生产落地:详解3节点高可用部署、namespace多环境隔离、Beta灰度发布等核心实践;总结临时实例假死、MySQL主备切换、跨机房Distro抖动等5大真实坑及应对方案;剖析SDK接入细节与迁移路径;并理性探讨Nacos 3.0“AI Registry”新方向——MCP/Prompt注册的潜力与边界。务实,稳字当先。
33 2
|
1天前
|
人工智能 分布式计算 Serverless
EMR Serverless Daft 如何简化多模态数据处理:视频抽帧、清洗、标注全流程与具身智能实践
阿里云 EMR Serverless Spark 引入 Ray 分布式计算框架与 Daft 高性能数据引擎,为用户提供了一套开箱即用、免运维且极致高效的多模态数据处理基础设施。
|
22小时前
|
人工智能 安全 Java
Claude 插件市场进企业怎么用?我会先做白名单,而不是让大家随便装
Claude官方插件市场是AI编程生态的关键入口,但企业落地需以治理为先:建立白名单机制,按风险分级(L1-L4)管控插件权限,优先推广LSP、代码审查与内部流程类插件,并严格审核`plugin.json`与`.mcp.json`,确保安全可控。
29 0
|
22小时前
|
数据挖掘 机器人 Shell
DeerFlow 放进企业里怎么落地?我会先跑三条线,而不是急着做万能 Agent
DeerFlow并非万能聊天机器人,而是面向企业“长任务”的可治理Agent平台。本文详解其三大落地场景:研究报告、数据分析与研发自动化,并强调权限管控、沙箱隔离与审计合规,主张小切口试点、稳边界推进。
38 0
|
22小时前
|
人工智能 安全 API
Cline + Cursor 组合拳:从代码清理到 Git 提交,我的标准化发布流程
本文介绍如何用 Cline(VS Code 插件)与 Cursor(AI 编程编辑器)组合,构建标准化发布流程:自动执行代码规范检查(ESLint/TSC)、清理 console.log、修复问题、运行 Vitest 测试、生成 Conventional Commits 提交信息。全程可控、可审计,单次耗时仅 5–8 分钟,大幅提升代码质量与团队协作效率。(239 字)
32 1
|
22小时前
|
前端开发 安全 测试技术
接手祖传老项目?用 Cline 搭一条自动化流水线,半天盘活
这是「Cline 实战」首篇:手把手带你用 VS Code 插件 Cline,半天搞定祖传 React 老项目——清理冗余、升级依赖、自动生成 73% 覆盖率单元测试,全程可控、可审、可复现。(239字)
38 1
|
1天前
|
边缘计算 安全 Cloud Native
终端管控与云原生协同:固信屏保唤醒验证与阿里云SASE零信任网关的深度融合实践
本文剖析终端离席管控盲区,以真实泄露事件揭示“物理安全与网络安全脱节”痛点;提出固信屏保唤醒验证与阿里云SASE深度协同方案,实现“离席即锁、离线即断、上线即验”,支持多因素认证、全链路状态同步与合规审计,筑牢零信任终端防线。(239字)
|
20小时前
|
机器学习/深度学习 监控 算法
养殖场鸡只计数监控9000张YOLO智慧养殖数据集
本数据集含9000张真实养殖场场景下精细标注的鸡只图像,采用YOLO标准格式,覆盖雏鸡至成鸡、多种姿态/光照/遮挡及密集群体,专为智慧养殖中的自动计数、健康监测与精准饲喂等任务设计,适配YOLO系列及Faster R-CNN等模型。
|
1天前
|
运维 监控 容灾
大模型服务容灾实践:多模型集群混合调度+心跳探测异常识别自动故障切换.169
多模型混合调度是融合本地私有化大模型与云端API的统一调度框架,通过健康探测、智能路由、自动切流与无缝故障切换,实现高可用、高安全、低成本的大模型服务。