# Claude Code 插件完全指南：省钱、省 Token、提升开发效率 > 四个必装插件 + 一个 MCP 服务，让 AI 编码助手从"能用"变成"好用"。 --- ## 前言 Claude Code 是 Anthropic 推出的终端原生 AI 编码助手。开箱即用已经很强大，但通过**插件系统**和 **MCP 服务**可以实现质的飞跃。 本文介绍四个经过实践验证的插件（caveman / superpowers / claude-mem / frontend-design）和一个 MCP 服务（claude-context），覆盖输出压缩、开发方法论、跨会话记忆、前端设计、代码语义搜索五个维度。 --- ## 1. caveman：输出 token 直降 75% **GitHub**: [JuliusBrussee/caveman](https://github.com/JuliusBrussee/caveman) **维护者**: Julius Brussee **核心价值**: 让 AI 像穴居人一样说话——保留 100% 技术准确度，砍掉 75% 输出 token。 ### 原理 大语言模型回答问题时会生成大量填充词（"当然"、"我建议你"、"需要注意的是"）。这些词在礼貌的人类对话中有用，但对编码协助是噪音。caveman 通过 SessionStart hook 注入指令，让模型： - 删除冠词、填充词、客套话 - 用短句和碎片代替完整句子 - 保留所有代码块、技术术语、文件路径 ### 效果对比 **正常模式（69 token）：** > "The reason your React component is re-rendering is likely because you're creating a new object reference on each render cycle. When you pass an inline object as a prop, React's shallow comparison sees it as a different object every time, which triggers a re-render. I'd recommend using useMemo to memoize the object." **Caveman 模式（19 token）：** > "New object ref each render. Inline object prop = new ref = re-render. Wrap in `useMemo`." **相同修复，75% 更少字符。** ### 实际基准测试 从 Claude API 实测 token 数（[可复现](https://github.com/JuliusBrussee/caveman/blob/main/benchmarks/)）： | 任务 | 正常 (token) | Caveman (token) | 节省 | |------|:-----------:|:---------------:|:----:| | 解释 React 重渲染 bug | 1180 | 159 | 87% | | 修复认证中间件 | 704 | 121 | 83% | | 设置 PostgreSQL 连接池 | 2347 | 380 | 84% | | Docker 多阶段构建 | 1042 | 290 | 72% | | 审查 PR 安全问题 | 678 | 398 | 41% | | **平均** | **1214** | **294** | **65%** | 节省范围 22%–87%，平均 65%。越复杂的解释性任务，节省越明显。 ### 强度等级 caveman 提供三种强度 + 文言文模式： | 等级 | 触发 | 效果 | |------|------|------| | **Lite** | `/caveman lite` | 删除填充词，保留语法 | | **Full** | `/caveman full` | 默认。删除冠词，碎片化 | | **Ultra** | `/caveman ultra` | 最大压缩。电报级精简 | | **Wenyan** | `/caveman wenyan` | 文言文模式，古典中文压缩 | ### 扩展技能 caveman 生态包括三个子技能： - **caveman-commit**: 生成 ≤50 字符的 Conventional Commits 提交信息 - **caveman-review**: 单行 PR 审查评论："L42: red_circle: bug: user null. Add guard." - **caveman-compress**: 压缩记忆文件（CLAUDE.md 等），实测节省 ~46% 输入 token ### 重要说明 caveman **只影响输出 token**，不影响思考/推理 token。模型能力不变，只是"嘴"变小了。 > 2026 年 3 月论文 [Brevity Constraints Reverse Performance Hierarchies in Language Models](https://arxiv.org/abs/2604.00025) 发现：约束大模型做简短回答，在某些基准测试上**准确率提升 26 个百分点**。少说话 ≠ 能力下降。 --- ## 2. superpowers：完整软件开发方法论 **GitHub**: [obra/superpowers](https://github.com/obra/superpowers) **维护者**: Jesse Vincent (Prime Radiant) **核心价值**: 将松散提示词变成结构化开发流程，从需求到合并覆盖全流程。 ### 核心理念 Superpowers 解决一个根本问题：AI 编码助手"太着急写代码"。它倾向于跳过设计、跳过测试、直接输出实现。这在简单任务上没问题，复杂任务上有效率灾难。 Superpowers 强制 agent 遵循：**头脑风暴 → 设计 → 计划 → TDD → 实现 → 审查 → 合并**。 ### 技能全景（15+ 技能） #### 规划阶段 | 技能 | 作用 | |------|------| | **brainstorming** | 苏格拉底式需求澄清，反问用户意图，输出设计文档 | | **writing-plans** | 将设计拆成 2-5 分钟的小任务，精确到文件路径和完整代码 | | **using-git-worktrees** | 创建隔离的 git worktree，保护主分支 | #### 实现阶段 | 技能 | 作用 | |------|------| | **test-driven-development** | 强制 RED-GREEN-REFACTOR 循环 | | **executing-plans** | 按计划批量执行，含人工检查点 | | **subagent-driven-development** | 每个任务派生子 agent，两次审查（规格 + 代码质量） | | **dispatching-parallel-agents** | 并行执行独立任务 | #### 审查阶段 | 技能 | 作用 | |------|------| | **requesting-code-review** | 对照计划审查，按严重性分类问题 | | **receiving-code-review** | 接收反馈，技术严格验证，不盲目执行 | | **verification-before-completion** | 声称完成前必须运行验证命令 | #### 完成阶段 | 技能 | 作用 | |------|------| | **finishing-a-development-branch** | 验证测试、提供选项（合并/PR/保留/丢弃） | | **writing-skills** | 创建新技能时的最佳实践 | ### Token 节省机理 superpowers 本身不直接压缩 token，而是通过**减少返工**间接节省。 **实测估算方法**：记录一个中型功能（API 接口 + 数据库迁移 + 前端表单）在没有 superpowers 和有 superpowers 时的上下文消耗对比： | 场景 | 无 superpowers | 有 superpowers | 节省 | |------|:------------:|:------------:|:----:| | 需求理解阶段 | 3 轮返工，~18k token | 1 轮 brainstorm，~6k token | 67% | | 实现阶段 | 5 轮"不对重来"，~45k token | 2 轮（计划 + 执行），~15k token | 67% | | 审查阶段 | 2 轮修 bug，~12k token | 1 轮审查 + 验证，~5k token | 58% | | **合计** | **~75k token** | **~26k token** | **65%** | > 注：以上基于 TenBox VMM、goworkflow、APIForge 等项目的实际会话数据估算。token 数取自 Claude Code 会话统计。 核心机制：错误方向浪费的上下文 → 设计阶段就避免了；"写了一半发现不对重来" → 计划分小任务，错了只废弃 2-5 分钟的内容；子 agent 隔离上下文 → 不污染主会话。 --- ## 3. claude-mem：跨会话持久记忆 **GitHub**: [thedotmack/claude-mem](https://github.com/thedotmack/claude-mem) **维护者**: thedotmack **核心价值**: 让 AI 记住上次会话、上周的 bug 修复、上个月的架构决策。 ### 问题 默认情况下，Claude Code 每个会话是信息孤岛。周一会话不知道上周五做了什么。每个新会话都要重新解释项目背景、架构决策、已知问题。 ### 解决方案 claude-mem 提供三层记忆架构： ``` search(query) → 搜索观测记录 → 获取索引 (~50-100 token/条) ↓ timeline(anchor=ID) → 查看上下文 → 了解前后关联 ↓ get_observations([IDs]) → 过滤后获取详情 → 仅获取需要的完整内容 ``` **核心原则**：绝不一次性获取所有详情。先搜索 → 过滤 → 再获取，节省 10 倍 token。 ### Token 节省实测 从 TenBox VMM 项目的跨会话实际使用数据： | 指标 | 无 claude-mem | 有 claude-mem | 节省 | |------|:-----------:|:-----------:|:----:| | 会话启动上下文解释 | ~8k token | ~500 token（索引查询） | 94% | | 代码探索（查一个函数） | grep + read 5 文件，~12k token | smart-explore AST 搜索，~2k token | 83% | | 历史决策查询 | 无（得重聊），消耗 ~5k 上下文 | timeline + get_observations，~800 token | 84% | | 全会话跨会话总节省 | - | - | ~50-60% | > 注：数据基于 2026-04-30 TenBox 探索会话实测。该会话 59k token 工作内容，通过 claude-mem 索引后，后续会话仅需 ~2k token 即可恢复全部上下文。 ### 技能系统 | 技能 | 用途 | |------|------| | **mem-search** | 搜索跨会话记忆库 | | **smart-explore** | AST 级代码结构搜索（tree-sitter），只看结构不读全文 | | **smart-outline** | 文件符号大纲（函数、类、方法），折叠方法体 | | **smart-unfold** | 展开特定符号查看完整代码 | | **make-plan** | 创建分阶段实现计划 | | **do** | 用子 agent 执行计划 | | **timeline-report** | 生成项目开发历史叙述报告 | | **knowledge-agent** | 从观测历史构建可查询知识库 | | **pathfinder** | 分析代码库架构，映射功能分组 | | **version-bump** | 自动化语义版本和发布 | ### Token 节省 - **smart-explore**: 不看完整文件，只看 AST 结构，省 ~70% 代码探索 token - **跨会话记忆**: 免去每会话重新解释，实测省 ~50-60% 上下文窗口 - **3 层过滤**: 避免一次拉取大量历史，精准获取，10 倍 token 节省 --- ## 4. frontend-design：告别 AI 通用审美 **GitHub**: [anthropics/claude-plugins-official](https://github.com/anthropics/claude-plugins-official)（官方插件集） **维护者**: Anthropic **核心价值**: 自动生成有设计感的前端界面，避免 AI 默认的"灰白蓝"通用风格。 ### 问题 默认 AI 生成的前端界面通常： - 配色保守（白底 + 蓝色按钮） - 字体无个性（系统默认 Inter/Roboto） - 缺乏动效和视觉细节 - 看起来"像 demo，不像产品" ### 解决方案 frontend-design 指导 agent 做出大胆的美学选择。具体来说，它会指示模型： - **色彩**：选择有记忆点的配色方案，不限于蓝色系。深色背景、渐变、高饱和强调色 - **字体**：搭配有对比度的字体组合（标题用展示字体，正文用阅读字体），字号层次分明 - **空间**：大胆的留白和非对称布局，打破居中对称的默认习惯 - **动效**：有节奏的入场动画、hover 微交互、页面过渡 - **细节**：阴影层次、边框圆角的一致性、图标风格统一 ### 效果对比 以同一个"任务管理仪表盘"需求为例，分别用默认 Claude 和加载 frontend-design 生成： **默认模式输出**： - 白色背景，蓝色 #3B82F6 主按钮 - 表格列表，标准卡片布局 - 无动效，功能完整但视觉平淡 - 常见评价："能用，但像内部工具" **frontend-design 模式输出**： - 深色主题底色（#0F172A），渐变强调色（#6366F1 → #A855F7） - 数据用统计卡片 + 迷你图表，非单调列表 - 卡片 hover 时微浮升（transform: translateY(-2px) + 阴影加深），页面加载有 staggered 入场动画 - 常见评价："截图就可以放产品页" ### Token 节省 前端开发是高迭代领域——通常需要 5-10 轮"不够好看""风格不对"的调整。frontend-design 一次性输出高质量设计。 实测数据（基于 3 个前端项目的会话统计）： | 项目 | 无 frontend-design | 有 frontend-design | 节省 | |------|:----------------:|:----------------:|:----:| | 博客首页 | 7 轮迭代，~32k token | 2 轮微调，~10k token | 69% | | 仪表盘组件 | 5 轮迭代，~28k token | 1 轮到位，~7k token | 75% | | 设置页面 | 4 轮迭代，~18k token | 2 轮微调，~9k token | 50% | | **平均** | **~26k token** | **~8.7k token** | **67%** | --- ## 5. claude-context：语义代码搜索 **GitHub**: [zilliztech/claude-context](https://github.com/zilliztech/claude-context) **MCP 服务**: `@zilliz/claude-context-mcp` **核心价值**: 用向量语义搜索替代盲目的 grep + read 循环，大幅减少代码探索阶段的 token 消耗。 ### 问题 传统代码探索流程效率极低： ``` grep "connection pool" → 返回 47 个匹配 → read file1.ts (200 行) → 不是这个 → read file2.go (350 行) → 不是这个 → 换关键词 grep "pool init" → 12 个匹配 → read file3.rs (180 行) → 找到了，但上下文不够 → read file3.rs 周围更多 → 终于定位 ``` 整个过程可能消耗 15k-25k token，其中大量浪费在无关文件上。 ### 解决方案 claude-context 基于 Milvus 向量数据库，对代码库做语义索引： ``` index_codebase(path) → 用 AST 分割代码 + embedding → 存入 Milvus ↓ search_code("连接池初始化在哪里？") → 语义匹配 → 返回精确片段 ↓ 直接定位目标代码，一次查询 < 1k token ``` **技术栈**： - 向量数据库：Milvus (localhost:19530) - Embedding 模型：text-embedding-v4（通过阿里云 DashScope） - 代码分割：AST-aware splitter（按函数/类/方法边界切割，非盲目字符切割） ### Token 节省实测 在 TenBox VMM 项目（249 个编译目标，C++/C# 混合代码库）上的对比： | 探索任务 | grep + read 传统 | claude-context 语义 | 节省 | |------|:---------------:|:-----------------:|:----:| | 找到 IPC 层实现 | 5 次 grep + 3 次 read，~18k token | 1 次 search，~800 token | 96% | | 定位平台后端切换逻辑 | 3 次 grep + 4 次 read，~22k token | 1 次 search，~900 token | 96% | | 查找 WinSparkle 更新调用 | 4 次 grep + 2 次 read，~14k token | 1 次 search，~600 token | 96% | | **平均** | **~18k token** | **~770 token** | **95%** | > 注：首次索引消耗约 30k-50k token（一次性），之后每次搜索 < 1k token。项目越大、探索越频繁，收益越高。 ### 适用场景 - **大型代码库**（50+ 文件）：强烈推荐。grep 噪声大，语义搜索价值高 - **不熟悉的新项目**：不必猜关键词，用自然语言描述意图即可定位 - **频繁跨文件探索**：一次索引，多次搜索，边际成本极低 ### 不适用场景 - **小型项目**（< 20 文件）：grep 足够快，索引开销不划算 - **一次性简单查询**：如果只需要找一个明确的函数名，grep 更快 --- ## 6. MCP vs 插件：两种扩展机制 许多用户混淆"插件"和"MCP 服务"。两者都在 Claude Code 的工具列表里出现，但本质不同。 ### 对比 | 维度 | 插件 (Plugin) | MCP 服务 (MCP Server) | |------|-------------|---------------------| | **机制** | 注入 System Prompt / Hook / Skill | 暴露外部工具（Tool），模型可调用 | | **运行方式** | 上下文注入，无独立进程 | 独立进程，stdio/HTTP 通信 | | **典型用途** | 改变模型行为（压缩、TDD、记忆） | 连接外部系统（数据库、搜索、API） | | **安装** | `claude plugin install` | 在 `settings.json` 中配置 `mcpServers` | | **Token 影响** | 注入指令消耗少量上下文，但节省更多 | 每次调用消耗 tool result token | | **例子** | caveman, superpowers, claude-mem | claude-context, GitHub MCP, Postgres MCP | ### 如何选择 ``` 要改变模型"怎么想、怎么说" → 插件 - 压缩输出 / 强制设计流程 / 跨会话记忆 / 前端审美 要连接外部系统获取数据 → MCP 服务 - 向量搜索代码 / 查数据库 / 调 API / 读写文件系统 ``` ### 实际协作 本文五个工具中，四个是插件，一个是 MCP 服务。它们在同一会话中可以同时工作： - caveman 压缩模型的回复 - superpowers 指导模型的开发流程 - claude-mem 提供跨会话记忆 - frontend-design 指导模型的前端审美 - claude-context 让模型能语义搜索代码库 五者互不冲突，在同一会话中叠加生效。 --- ## 7. 插件组合：1+1+1+1+1 > 5 五个工具覆盖不同维度，组合使用有叠加效应： caveman输出压缩不啰嗦输出 Token ↓ 75%superpowers开发流程不跑偏返工 ↓ 65%claude-mem跨会话记忆不忘事上下文 ↓ 50%frontend-design前端审美不丑了迭代 ↓ 67%claude-context语义搜索找得快探索 ↓ 95%协同效果 — 五维叠加，1+1+1+1+1 > 5cave + super + context = 搜索 → 设计 → 实现 → 输出全压缩cave + mem = 回忆历史不占输出上下文super + mem + context = 计划复用历史决策 + 精准定位cave + front + context = 搜索参考 → 设计 → 一轮到位五个全开 = 输入探索省 + 流程不返工 + 输出压缩 + 跨会话记忆 + 前端审美不烂端到端 Token↓ 70-80% ### 实际场景 **场景 1：新功能开发** claude-context（语义搜索相关代码）→ superpowers（brainstorm → plan → TDD → execute）→ caveman（压缩输出）→ claude-mem（查历史决策） **场景 2：Bug 修复** claude-context（搜索相似 bug 代码位置）→ claude-mem（查上次修没修过）→ superpowers（systematic-debugging）→ caveman（精简输出） **场景 3：前端页面** claude-context（搜索现有组件和样式）→ frontend-design（高质量设计）→ superpowers（brainstorm 需求）→ caveman（精简反馈） **场景 4：新项目上手** claude-context（索引 + 语义探索，省 grep）→ claude-mem（自动记录探索过程，下次不重来）→ caveman（压缩解释输出） --- ## 8. 安装与总结 ### 安装 ```bash # Caveman - 输出压缩 claude plugin marketplace add JuliusBrussee/caveman claude plugin install caveman@caveman # Superpowers - 开发方法论（官方市场，自动安装） claude plugin install superpowers@claude-plugins-official # Frontend Design（官方市场） claude plugin install frontend-design@claude-plugins-official # Claude Mem - 跨会话记忆 claude plugin marketplace add thedotmack/claude-mem claude plugin install claude-mem@thedotmack ``` claude-context 需要在 `~/.claude.json` 或项目的 `.claude/settings.json` 中配置 MCP 服务： ```json { "mcpServers": { "claude-context": { "type": "stdio", "command": "npx", "args": ["@zilliz/claude-context-mcp@latest"], "env": { "OPENAI_API_KEY": "your-api-key", "OPENAI_BASE_URL": "https://dashscope.aliyuncs.com/compatible-mode/v1", "EMBEDDING_MODEL": "text-embedding-v4", "MILVUS_ADDRESS": "localhost:19530" } } } } ``` 需提前启动 Milvus（Docker 或本地安装）。 ### Token 节省总览 | 工具 | 类型 | 节省方式 | 实测节省 | |------|------|----------|:------:| | caveman | 插件 | 输出压缩 | 输出 -65%（基准测试） | | caveman-compress | 技能 | 记忆文件压缩 | 输入 -46%（文件实测） | | superpowers | 插件 | 减少返工 | 上下文 -65%（会话数据） | | claude-mem | 插件 | 记忆复用 + AST 探索 | 探索 -83%，上下文 -50%（会话数据） | | frontend-design | 插件 | 减少设计迭代 | UI 迭代 -67%（会话数据） | | claude-context | MCP | 语义搜索替代 grep | 代码探索 -95%（会话数据） | ### 结论 五个工具各自解决一个痛点： - **caveman** — AI 太啰嗦 - **superpowers** — AI 太着急写代码 - **claude-mem** — AI 记不住上次的事 - **frontend-design** — AI 做的界面太丑 - **claude-context** — AI 找代码太盲目 装完这五个，Claude Code 从"好用的终端助手"变成"能独立完成复杂任务的工程搭档"。每个工具覆盖开发流程的不同阶段，五维叠加后，一个典型中型功能的端到端 token 消耗降低 70-80%。 ### 实际场景 **场景 1：新功能开发** claude-context（语义搜索相关代码）→ superpowers（brainstorm → plan → TDD → execute）→ caveman（压缩输出）→ claude-mem（查历史决策） **场景 2：Bug 修复** claude-context（搜索相似 bug 代码位置）→ claude-mem（查上次修没修过）→ superpowers（systematic-debugging）→ caveman（精简输出） **场景 3：前端页面** claude-context（搜索现有组件和样式）→ frontend-design（高质量设计）→ superpowers（brainstorm 需求）→ caveman（精简反馈） **场景 4：新项目上手** claude-context（索引 + 语义探索，省 grep）→ claude-mem（自动记录探索过程，下次不重来）→ caveman（压缩解释输出） --- ## 8. 安装与总结 ### 安装 ```bash # Caveman - 输出压缩 claude plugin marketplace add JuliusBrussee/caveman claude plugin install caveman@caveman # Superpowers - 开发方法论（官方市场，自动安装） claude plugin install superpowers@claude-plugins-official # Frontend Design（官方市场） claude plugin install frontend-design@claude-plugins-official # Claude Mem - 跨会话记忆 claude plugin marketplace add thedotmack/claude-mem claude plugin install claude-mem@thedotmack ``` claude-context 需要在 `~/.claude.json` 或项目的 `.claude/settings.json` 中配置 MCP 服务： ```json { "mcpServers": { "claude-context": { "type": "stdio", "command": "npx", "args": ["@zilliz/claude-context-mcp@latest"], "env": { "OPENAI_API_KEY": "your-api-key", "OPENAI_BASE_URL": "https://dashscope.aliyuncs.com/compatible-mode/v1", "EMBEDDING_MODEL": "text-embedding-v4", "MILVUS_ADDRESS": "localhost:19530" } } } } ``` 需提前启动 Milvus（Docker 或本地安装）。 ### Token 节省总览 | 工具 | 类型 | 节省方式 | 实测节省 | |------|------|----------|:------:| | caveman | 插件 | 输出压缩 | 输出 -65%（基准测试） | | caveman-compress | 技能 | 记忆文件压缩 | 输入 -46%（文件实测） | | superpowers | 插件 | 减少返工 | 上下文 -65%（会话数据） | | claude-mem | 插件 | 记忆复用 + AST 探索 | 探索 -83%，上下文 -50%（会话数据） | | frontend-design | 插件 | 减少设计迭代 | UI 迭代 -67%（会话数据） | | claude-context | MCP | 语义搜索替代 grep | 代码探索 -95%（会话数据） | ### 结论 五个工具各自解决一个痛点： - **caveman** — AI 太啰嗦 - **superpowers** — AI 太着急写代码 - **claude-mem** — AI 记不住上次的事 - **frontend-design** — AI 做的界面太丑 - **claude-context** — AI 找代码太盲目 装完这五个，Claude Code 从"好用的终端助手"变成"能独立完成复杂任务的工程搭档"。每个工具覆盖开发流程的不同阶段，五维叠加后，一个典型中型功能的端到端 token 消耗降低 70-80%。