Git 分支和状态当前模型Token 用量上下文百分比自定义脚本输出从 Claude Code 获得最大收益的开发者，不是那些输入"为我做所有事情"的人。学会了何时使用 Plan 模式如何构建提示词何时调用 ultrathink如何设置 hooks 在错误发生前捕获它们的人。

Anthropic 为 Claude Code 打造的官方插件系统，以模块化设计重构了开发工作流。这些插件将零散的开发需求整合为可一键部署的解决方案，覆盖功能开发、代码质量、安全防护等全场景，既降低了团队协作的配置成本，又为开发者提供了灵活可扩展的工具链，成为提升开发效率的关键助力。本文档汇总了所有 Claude Code 官方插件的说明。官方插件列表：插件名称描述1Agent SDK 开发插件

2026年1月12日，Anthropic 正式推出 Cowork 功能，将 Claude Code 的强大能力带给普通用户。

传统数据库依赖结构化数据的精确匹配，但无法高效处理文本、图像、音频等非结构化数据的语义相似性需求 —— 这类数据需通过Word2Vec、BERT、CNN等向量生成算法转换为高维特征向量，向量的距离直接对应数据的 相似度。随着 AI大模型、RAG的爆发，海量向量的高效存储、快速相似性检索（Top-K 查询）需求激增。传统数据库缺乏专门的向量索引和计算优化，全表扫描效率极低，因此向量数据库应运而生 —

2）加载本地bge-small-zh-v1.5模型，将实例知识库文本数据向量化后加载到documents表中。1）初始化PostgreSQL向量表。3）针对查询问题进行相似度搜索。

传统数据库依赖结构化数据的精确匹配，但无法高效处理文本、图像、音频等非结构化数据的语义相似性需求 —— 这类数据需通过Word2Vec、BERT、CNN等向量生成算法转换为高维特征向量，向量的距离直接对应数据的 相似度。随着 AI大模型、RAG的爆发，海量向量的高效存储、快速相似性检索（Top-K 查询）需求激增。传统数据库缺乏专门的向量索引和计算优化，全表扫描效率极低，因此向量数据库应运而生 —

由于公司有大量的 ToB软件客户，客户支持工作主要通过微信群进行，客户会在群里反馈产品使用问题和需求，但微信群数量众多、聊天记录量大，人工搜集整理客户反馈十分繁琐。因此目前采用手工方式将聊天记录整理到 docx 文件中，先完成 Skill 功能的验证。公司产品专业性较强，为使 Claude Code 准确理解聊天记录中的客户问题，需要将产品功能说明作为背景知识提供给 Claude Code，帮助其

基于的技巧总结，将md文件翻译成了中文以便更好理解。

Anthropic 官方在 2025年10月16日正式发布了Claude Skills功能，在2025年12月18日推出了Agent Skills的开放标准，意味着Skill不再仅限 Claude 独有，和MCP一样，朝着通用、跨平台可采用的规范方向发展。Skills 是模块化的能力，扩展了 Agent 的功能。每个Skill 都打包了 LLM 指令、元数据、可选资源（脚本、模板等），Agent

在 AI 工具生态日益丰富的今天，Claude Code 的 Skills 功能为开发者提供了定制化扩展能力 —— 通过编写轻量化技能模块，可快速集成特定场景需求（如数据处理、文档生成、API 联动等），让终端交互更贴合个性化工作流。然而，缺乏统一的编写规范易导致 Skills 兼容性不足、调用失效、协作成本高等问题，影响功能落地效率。