Claude Code 扩展机制实战：自动化流程的实现

背景：一个自动化需求引发的思考#

最近遇到一个典型的数据处理场景：每周需要处理销售数据 Excel 表格，提取关键指标，分析趋势，生成总结报告并发送到 Slack。整个流程涉及多个步骤，且需要保留中间产物（提取后的 Excel）供后续核对。

这让我想到用 Claude Code 实现自动化，但面对 Skills、Agents、MCP、Hooks 等多种扩展机制，我陷入了困惑：

• 该用哪种机制？
• 它们的本质区别是什么？
• 如何组合使用才能实现最优方案？

本文将从这个实际需求出发，系统梳理 Claude Code 的所有扩展机制，并展示如何设计一个合理的自动化解决方案。

Claude Code 扩展机制全景#

Claude Code 提供了 7 种扩展机制，它们在不同层面增强 AI 的能力：

1. Subagents（子代理）#

本质：专门的 AI 助手，自动处理特定类型任务并确保专业质量

核心能力：

• 独立运行，有自己的工具集和系统提示
• 适合复杂、多步骤的专业任务
• 调用方式：显式调用（如 用 code-reviewer 审查代码）

配置位置：

• .claude/agents/（项目级）
• ~/.claude/agents/（用户级）

典型场景：代码审查、数据分析、调试复杂问题

2. Skills（技能）#

本质：基于提示词的模块化功能包，由 Claude 自动决定是否调用

核心能力：

• 包含 SKILL.md + 可选脚本/模板
• 触发方式：语义匹配（基于描述和关键词）

配置位置：

• .claude/skills/（项目级）
• ~/.claude/skills/（用户级）

典型场景：生成规范的 commit message、PDF 表单填写、代码风格检查

3. MCP Servers（模型上下文协议）#

本质：连接外部服务的标准协议

核心能力：

• 提供新的工具能力（查询数据库、调用 API）
• 连接第三方服务（GitHub、Notion、Sentry、Slack）
• 标准化的工具接口

配置位置：

• .mcp.json（项目级）
• ~/.claude/mcp.json（用户级）

典型场景：访问 Figma 设计、查询生产错误日志、读取 Notion 文档

4. Custom Slash Commands（自定义斜杠命令）#

本质：频繁使用的提示词快捷方式

核心能力：

• 单个 Markdown 文件定义命令
• 支持参数传递（$ARGUMENTS、$1、$2）
• 可执行 bash 命令（! 前缀）

配置位置：

• .claude/commands/（项目级）
• ~/.claude/commands/（用户级）

典型场景：快速代码审查（/review-pr 123）、问题修复（/fix-issue 456）

5. Hooks（钩子）#

本质：在特定事件触发时自动执行的脚本

核心能力：

• 触发时机：工具使用前后、用户提交、会话开始/结束
• 两种类型：Command Hooks（执行脚本）、Prompt Hooks（LLM 决策）
• 支持阻断操作（如阻止敏感文件访问）

配置位置：

• .claude/settings.json（项目级）
• ~/.claude/settings.json（用户级）

典型场景：代码自动格式化、权限校验、安全审计、上下文注入

6. Output Styles（输出风格）#

本质：通过修改系统提示词改变 Claude 的行为模式

核心能力：

• 完全关闭默认工程提示，切换不同角色
• 三种内置风格：Default（工程师）、Explanatory（讲解者）、Learning（教学者）
• 支持自定义风格

配置位置：

• .claude/output-styles/（项目级）
• ~/.claude/output-styles/（用户级）

典型场景：学习模式、架构解释模式

7. Plugins（插件）#

本质：打包 Skills、Commands、MCP 等的分发机制

核心能力：

• 统一打包多种扩展组件
• 通过 marketplace 分享和安装
• 包含版本管理和依赖声明

配置位置：

• plugin.json（插件定义）

典型场景：团队工具包、行业解决方案（如 document-skills 插件）

核心区别与选择决策#

关键对比#

决策树#

需要扩展 Claude 能力？
│
├─ 需要连接外部服务？
│  └─ **使用 MCP**（如 Slack、GitHub、数据库）
│
├─ 需要改变 Claude 角色？
│  └─ **使用 Output Style**（如切换到学习模式）
│
├─ 需要自动化流程控制？
│  └─ **使用 Hook**（如代码提交前格式化）
│
├─ 需要快速执行固定提示？
│  └─ **使用 Slash Command**（如 `/review-pr 123`）
│
├─ 需要独立的专家流程？
│  └─ **使用 Subagent**（如代码审查、数据分析）
│
└─ 需要可复用的单一能力？
   └─ **使用 Skill**（如 commit 生成、PDF 处理）

实战需求分析#

回到我们的场景：Excel 数据处理自动化

需求拆解#

1. 输入：销售数据 Excel 表格
2. 流程：
   • 提取数据（筛选关键列、计算指标）
   • 整理分析（趋势分析、异常检测）
   • 生成总结（Markdown 报告）
   • 发送 Slack（推送到指定频道）
3. 约束：
   • 需要保留提取后的 Excel 文件（中间产物）
   • 每个步骤需要明确的输入输出
   • 部分步骤可能单独使用（如只提取数据）

初步方案：为什么不用单一机制？#

方案 A：纯 Subagent

• ✅ 因为涉及多步骤复杂流程，所以 Subagent 能保证顺序执行
• ✅ 因为需要专业数据分析能力，所以独立上下文有优势
• ❌ 但是步骤无法独立复用（想单独提取数据时需要重新写逻辑）

方案 B：拆分为多个 Skills

• ✅ 因为每个步骤职责单一，所以 Skill 模块化很合适
• ❌ 但是 Skills 是自动触发的，无法保证按顺序执行
• ❌ 因为无法显式调用，所以无法做到"先提取 → 再分析 → 最后发送"

方案 C：纯 Slash Command

• ✅ 因为是显式调用，所以可以控制执行
• ❌ 但是单个 Markdown 文件无法处理复杂的数据分析逻辑
• ❌ 因为没有独立上下文，所以难以维护状态

核心问题：

• 需要流程控制（Subagent 的能力）
• 需要模块复用（Skill 的优势）
• 需要外部集成（MCP 的功能）

最优方案：Subagent + Skills + MCP 组合#

架构设计#

.claude/
├── skills/                      # 可独立使用的功能模块
│   ├── excel-extractor.md       # 提取 Excel 数据 → 输出新 Excel
│   ├── data-analyzer.md         # 分析数据 → 输出 JSON
│   └── report-generator.md      # 生成报告 → 输出 Markdown
│
├── agents/
│   └── data-pipeline.md         # 编排器：按顺序调用 Skills
│
└── .mcp.json                    # MCP 配置（Slack 集成）

方案逻辑#

为什么选择 Subagent 做编排？

• 因为需要保证"提取 → 分析 → 报告 → 发送"的严格顺序，所以用 Subagent 的流程控制能力

为什么拆分为 Skills？

• 因为"提取数据"这个能力可能单独使用（其他报表也需要），所以用 Skill 实现模块复用

为什么集成 MCP？

• 因为需要发送到 Slack（外部服务），所以用 MCP 提供标准化的 Slack 工具

完整实现#

Step 1：定义 Skill 1 - Excel 数据提取器#

文件：.claude/skills/excel-extractor.md

# Skill: Excel 数据提取器

## 描述

从销售数据 Excel 中提取关键列，计算指标，输出新的 Excel 文件。

**触发关键词**：提取 Excel、提取数据、extract data

## 执行流程

1. **读取原始 Excel**
   使用 Python + pandas 读取文件

2. **筛选关键列**

   - 日期、产品名、销售额、销售量
   - 剔除空值和异常数据

3. **计算指标**

   - 日销售额均值
   - 周环比增长率
   - Top 10 产品

4. **输出新 Excel**
   保存到：`output/extracted-data/{日期}-extracted.xlsx`

## 输出格式

**Excel 结构**：

- Sheet1: 原始数据（清洗后）
- Sheet2: 计算指标
- Sheet3: Top 产品列表

## 代码示例

```python
import pandas as pd
from datetime import datetime

def extract_sales_data(input_file):
    # 读取数据
    df = pd.read_excel(input_file)

    # 清洗数据
    df = df.dropna(subset=['日期', '销售额'])
    df['日期'] = pd.to_datetime(df['日期'])

    # 计算指标
    metrics = {
        '日均销售额': df['销售额'].mean(),
        '总销售量': df['销售量'].sum()
    }

    # 保存
    output_file = f"output/extracted-data/{datetime.now().strftime('%Y%m%d')}-extracted.xlsx"
    with pd.ExcelWriter(output_file) as writer:
        df.to_excel(writer, sheet_name='清洗数据', index=False)
        pd.DataFrame([metrics]).to_excel(writer, sheet_name='指标', index=False)

    return output_file
```

## 独立使用示例

**用户**："提取这个 Excel 的数据：data/sales-2025-01.xlsx"

**输出**：

```
✓ 已提取 sales-2025-01.xlsx 数据
✓ 保存到：output/extracted-data/20250117-extracted.xlsx
```

Step 2：定义 Skill 2 - 数据分析器#

文件：.claude/skills/data-analyzer.md

# Skill: 数据分析器

## 描述

读取提取后的 Excel，进行趋势分析和异常检测。

**触发关键词**：分析数据、数据分析、analyze data

## 执行流程

1. **读取提取数据**
2. **趋势分析**
   - 周环比变化
   - 月度趋势
   - 季节性检测
3. **异常检测**
   - 销售额突增/突降
   - 异常产品识别
4. **保存分析结果**：`output/analysis/{日期}-analysis.json`

## 输出格式

```json
{
  "metadata": {
    "analyzed_at": "2025-01-17T10:30:00Z",
    "source_file": "20250117-extracted.xlsx"
  },
  "trends": {
    "week_over_week": "+12.5%",
    "top_growth_product": "产品A",
    "declining_products": ["产品B", "产品C"]
  },
  "anomalies": [
    {
      "date": "2025-01-15",
      "type": "spike",
      "value": 150000,
      "expected": 80000
    }
  ]
}
```

Step 3：定义 Skill 3 - 报告生成器#

文件：.claude/skills/report-generator.md

# Skill: 报告生成器

## 描述

基于分析结果，生成 Markdown 格式的总结报告。

**触发关键词**：生成报告、创建总结、generate report

## 报告模板

```markdown
# 销售数据周报 - {日期}

## 核心指标

- 日均销售额：¥{value}
- 周环比：{percentage}

## 关键发现

1. {趋势 1}
2. {异常 1}

## 建议行动

- {建议 1}
- {建议 2}
```

## 输出位置

`output/reports/{日期}-report.md`

Step 4：配置 MCP - Slack 集成#

文件：.mcp.json

{
  "mcpServers": {
    "slack": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-slack"],
      "env": {
        "SLACK_BOT_TOKEN": "${SLACK_BOT_TOKEN}",
        "SLACK_TEAM_ID": "${SLACK_TEAM_ID}"
      }
    }
  }
}

环境变量配置：

# .env
SLACK_BOT_TOKEN=xoxb-your-token
SLACK_TEAM_ID=T01234567

Step 5：创建编排 Subagent#

文件：.claude/agents/data-pipeline.md

---
name: data-pipeline
description: 完整的数据处理流水线，依次执行提取→分析→报告→发送
tools: [Skill, Read, Write, Bash, mcp__slack__*]
model: sonnet
---

# 数据处理流水线编排器

## 角色

你是一个流程编排专家，负责协调 3 个独立 Skills 完成完整的数据处理和发送。

## 工作流程

当用户提供 Excel 文件路径时，严格按照以下顺序执行：

### 步骤 1：提取数据

调用 `excel-extractor` skill：

请使用 excel-extractor skill 提取数据
输入文件：{用户提供的路径}

**等待 skill 执行完成**，获取输出文件路径（如 `output/extracted-data/20250117-extracted.xlsx`）。

---

### 步骤 2：分析数据

调用 `data-analyzer` skill：

请使用 data-analyzer skill 分析刚才提取的数据
输入文件：{步骤 1 输出的 Excel 路径}

**等待 skill 执行完成**，获取分析结果路径（如 `output/analysis/20250117-analysis.json`）。

---

### 步骤 3：生成报告

调用 `report-generator` skill：

请使用 report-generator skill 生成报告
分析结果：{步骤 2 输出的 JSON 路径}

**等待 skill 执行完成**，获取报告路径（如 `output/reports/20250117-report.md`）。

---

### 步骤 4：发送 Slack

使用 Slack MCP 工具：

调用 mcp**slack**post_message 工具
频道：#sales-reports
内容：读取 {步骤 3 生成的报告}，并附上关键发现摘要
附件：提供步骤 1 生成的 Excel 文件下载链接

---

## 最终输出

完成所有步骤后，向用户返回：

```markdown
## 数据处理完成

### 执行摘要

- ✅ 提取数据：{记录数} 条
- ✅ 分析完成：发现 {异常数} 个异常
- ✅ 报告生成：{报告路径}
- ✅ Slack 通知：已发送到 #sales-reports

### 输出文件

- 📊 提取数据：`{路径1}`
- 📈 分析结果：`{路径2}`
- 📝 报告文档：`{路径3}`
```

## 错误处理

如果任何步骤失败：

1. 停止后续步骤
2. 向用户报告失败原因
3. 提供已完成步骤的输出文件

## 注意事项

- 确保每个 skill 执行完成后再继续
- 文件路径必须准确传递
- Slack 发送前验证报告内容完整性

## 使用演示

### 完整流程

```bash
# 用户输入
你："用 data-pipeline 处理 data/sales-2025-01.xlsx"

# Claude 执行过程
[启动 data-pipeline subagent]

→ 步骤1：调用 excel-extractor skill
  ✓ 提取完成：850 条记录

→ 步骤2：调用 data-analyzer skill
  ✓ 分析完成：发现 2 个异常

→ 步骤3：调用 report-generator skill
  ✓ 报告生成：3,200 字

→ 步骤4：发送到 Slack
  ✓ 已发送到 #sales-reports

## 数据处理完成

### 执行摘要
- ✅ 提取数据：850 条
- ✅ 分析完成：发现 2 个异常
- ✅ 报告生成：output/reports/20250117-report.md
- ✅ Slack 通知：已发送到 #sales-reports

### 输出文件
- 📊 提取数据：`output/extracted-data/20250117-extracted.xlsx`
- 📈 分析结果：`output/analysis/20250117-analysis.json`
- 📝 报告文档：`output/reports/20250117-report.md`
```

方案优势总结#

相比纯 Subagent#

相比拆分 Skills#

核心价值#

因为需要流程控制，所以用 Subagent 编排 因为需要模块复用，所以用 Skills 实现 因为需要外部集成，所以用 MCP 连接 Slack

这种组合方案：

• 保证了执行顺序（Subagent 的能力）
• 实现了模块复用（Skill 的优势）
• 集成了外部服务（MCP 的功能）
• 简化了用户操作（一次调用完成全流程）

扩展场景#

场景 1：添加自动格式化 Hook#

如果希望生成的报告自动格式化，可以添加 Hook：

文件：.claude/settings.json

{
  "hooks": {
    "PostToolUse": [
      {
        "matcher": "Write",
        "hooks": [
          {
            "type": "command",
            "command": "prettier --write $FILE_PATH"
          }
        ]
      }
    ]
  }
}

效果：每次 Write 工具写入文件后，自动执行 prettier 格式化

为什么用 Hook：因为格式化是"自动触发"的需求，符合 Hook 的事件驱动特性

场景 2：添加快速查看命令#

如果希望快速查看最新报告，可以添加 Slash Command：

文件：.claude/commands/view-latest-report.md

---
description: 查看最新生成的数据报告
---

!ls -t output/reports/\*.md | head -1 | xargs cat

使用：/view-latest-report

为什么用 Slash Command：因为是简单的 bash 命令包装，适合快速执行

总结#

选择扩展的逻辑判断#

• 需要外部数据？ → MCP
• 需要自动触发？ → Hook
• 需要角色切换？ → Output Style
• 需要快速指令？ → Slash Command
• 需要复杂流程？ → Subagent
• 需要单一能力？ → Skill
• 需要打包分发？ → Plugin

组合结合具体场景#

这个 Subagent + Skills + MCP 组合方案适合：

• 需要模块化 + 流程控制的场景
• 步骤可能独立使用的场景
• 需要外部服务集成的场景
• 复用 Skills

通过合理组合 Claude Code 的扩展机制，我们可以构建出既灵活又可维护的自动化解决方案。