Claude-automation-recommender：新手最该装的 Claude Code 配置顾问

你刚装好 Claude Code，打开一个项目，然后愣住了。文档里一口气甩出 Hooks、Skills、Subagents 等五类扩展机制，每种都说是刚需。到底该先配哪个，大多数人靠刷社区帖子盲猜。

这个困境其实挺普遍的。Claude Code 的强大恰恰来自这套可扩展体系，但新手最缺的不是功能列表，而是判断自己的项目到底该上哪几样。Anthropic 自己出的 claude-automation-recommender 就是冲着这个问题来的。

它不替你写代码，也不动你的文件。它的全部工作就是扫一遍代码库，然后告诉你：这个项目该接 context7、该加个 PostToolUse 格式化钩子、该建一个 api-doc 技能。说白了，它是一个只读的配置顾问。

五种机制里，Hooks 挂事件、Skills 装能力、MCP 接外部，触发模型完全不同。很多人不是不会用，是分不清什么时候该上哪一个。这个技能的价值，恰恰是把这层认知一次性补齐。

我第一次用的时候预期不高，毕竟读一下项目给建议听起来像模板生成器。但跑完一个真实的 React 加 Supabase 项目后，我发现它的命中率比我想的高。下面把它的工作机制和真实体感拆开讲。

使用场景

什么人最需要它？我认为是两类：刚接触 Claude Code 还摸不清扩展机制边界的人，以及接手了一堆遗留项目、懒得逐个手动审计配置的老手。它把该不该配的脑力活接走了。

触发方式很轻。你不用记命令，直接跟 Claude 说分析这个项目并推荐 Claude Code 自动化方案，或者问我该为这个项目设置哪些 hooks、skills 和 MCP servers，技能就会被拉起来。

它先看项目长什么样，靠一组固定的探针命令把信号捞出来。这些命令只读，不碰你的代码：

# 阶段一：探测项目类型与依赖
ls package.json pyproject.toml Cargo.toml go.mod 2>/dev/null
cat package.json 2>/dev/null | grep -E '"(react|supabase|stripe)"'
ls -la .claude/ CLAUDE.md 2>/dev/null

拿到信号之后，它会按五类扩展机制各给 1 到 2 条最值得做的推荐。注意这个克制：不是把所有可能性都倒给你，而是先压到每类一两条。你真想要更多，再说一句多给几个 MCP 选项就行。

这种少而准的输出节奏，比一次性甩三十条推荐要友好得多。新手最怕信息过载，它显然在设计上就避开了这点。

当然它不是万能钥匙。如果你的项目已经有一套成熟的 Claude Code 配置，再跑一遍只是复核，惊喜有限。它最出彩的场合，是空白项目或者长期没人打理的配置荒地。

技术架构与设计决策

Claude-automation-recommender：新手最该装的 Claude Code 配置顾问

它的工作机制是一条三条阶段的流水线。阶段一做代码库分析，关心的信号分几类，每一类都直接决定后面推什么：

语言栈与框架：package.json、pyproject.toml 里写了什么
数据库与后端：Prisma、Supabase、原生 SQL 这类依赖
测试与 CI：Jest、pytest、GitHub Actions 的配置
Issue 追踪：代码里有没有 Linear、Jira 的引用

第二阶段是生成推荐，覆盖五类扩展机制，每类都给一句落地说明：

MCP Servers：接外部工具，比如数据库、API、浏览器自动化
Skills：把可复用的工作流打包成 /skill-name 随时调用
Hooks：在工具事件上挂自动动作，比如保存即格式化、lint
Subagents：拉起并行审查，比如安全审计和代码评审
Plugins：一次性装一捆相关技能，适合团队标准化

这里有个设计上的小心思：它要求 Claude 去做一次 web search，超出参考文件里的通用模式，去找专门针对你用的库和框架的推荐。这意味着它不只是一张静态查表，而是会尝试给出贴合你技术栈的建议。

第三阶段输出报告，用一套固定的 markdown 模板，把代码库画像和每类 1-2 条推荐摆清楚，末尾还附一句想要更多或想让我帮你实现就说。整套流程干净，没有花活。

报告开头还会先给你一份代码库画像，列出检测到的语言、框架和关键库。这步看着多余，实际很有用，因为它让你确认它确实读懂了你的栈，而不是在空对空推荐。

真正值得说清楚的是它的只读定位。这个技能显式声明不动任何文件，只分析、只输出。好处是绝对安全，你不用担心它偷偷往 .claude 里塞东西。代价是你得自己落地每一条推荐。

我反而觉得这个取舍是对的。配置这种事，自动写入比不写更危险，一旦写歪了还得排查。让它只做参谋，把执行留给用户或另一次明确的请求，边界清清楚楚。

后面还有一段 Decision Framework，专门讲每类扩展机制什么时候该推。比如 Hooks 适合重复的后编辑动作和保护性规则，Subagents 适合并行审查和安全审计。这部分等于把何时用哪种的判断逻辑也外置了。

比如 PreToolUse 可以拦住对 .env 和锁文件的编辑，PostToolUse 能在每次改完代码后跑测试和类型检查。这些规则单看都简单，但凑齐一套得花不少试错，推荐器直接给你排好优先级。

顺带一提，它还会教你把配置团队化。比如把 .mcp.json 提交进仓库，全队共享同一套 MCP；或者推荐 headless 模式把 Claude 塞进 CI 做自动修复。这些不在默认推荐列表里，但你问一句它就会给。

说到底，它是一个把 Anthropic 官方最佳实践压缩成一个动作的工具。推荐质量的上限，取决于你代码库信号的丰富程度，信号越清楚，推得越准。

洞察与反思

用了几轮之后，我给它下个判断：它是个称职的第一推动，但不是终点。对新手，它把五类机制一次性铺开并给出优先级，省去的试错时间很值。对老手，它至少能当一份配置审计清单。

它的短板也明显。推荐本质是信号查表加联网补查，所以偏通用。一个冷门框架或小众工具链，它大概率给不出多精确的方案，最后还得靠你自己补。别指望它替你想清楚业务特有的自动化。

另一个要当心的点：它推的 MCP Servers 往往要凭证和授权，技能本身搞不定。比如它说接 GitHub MCP，你得自己先配好 token。所以它给出的是方向，落地的最后一公里全是你的活。

还有一层，它不验证推荐在你的环境里真能跑通。钩子写错一行就静默失效，MCP 连不上也不会被它提前发现。把这些当成待办清单而不是已验证方案，心态才稳。

还有个常被忽略的角度是安全。它只读不写，意味着它本身不会往仓库里塞任何东西，也不会把你的代码外泄。比起那些一上来就帮你改配置的助手，这种克制在敏感项目上更让人放心。

我最认可的一点反而是它的克制。每类只给 1-2 条，逼着 Claude 先挑最有价值的，而不是贪多。这种少即是多在产品里不多见，对一个容易信息过载的场景尤其对路。

把自己从零配和用推荐器驱动摆在一起，差异比纯文字更直观。下面这张卡片把几个要害维度拉平了看：

一句话读这张图：自己配上限高但门槛也高，适合已经摸透机制的人精调；推荐器起步快、覆盖全，但深度和针对性有限，适合起步阶段和定期审计。两者不是替代关系，更像是前后接力。

资源地址

官网/注册源：Smithery 技能页 https://smithery.ai/skills/anthropics/claude-automation-recommender
源码仓库：GitHub anthropics/claude-plugins-official（路径 plugins/claude-code-setup/skills/claude-automation-recommender）
安装（marketplace）：在 Claude Code 运行 /plugin install claude-plugins-official@claude-plugins-official
安装（Smithery 通道）：npx skills add https://smithery.ai/skills/anthropics/claude-automation-recommender
手动安装：git clone 仓库后把该技能目录复制到 ~/.claude/skills/