AI制品目录：值得机构投资的持久标准

企业普遍尝试利用人工智能提升内部生产力，但成功案例并不多见。像Ramp和Intercom这样取得成效的企业，更多是例外而非常态。更复杂的是，实现这些收益所需工具的主流叙事不断变化：对于软件工程师而言，2024年的首选是GitHub Copilot的自动补全，2025年转向Cursor，而2026年则是基于命令行的编码代理如Claude Code和Codex。

尽管工具层来来去去，许多工具都开始共享一些共同的基元：即开放标准，用于配置和引导这些工具的能力。Agent Skills、MCP（模型上下文协议）和插件都是与厂商无关的机制，但并非通用解决方案。如何连接MCP服务器取决于组织的安全策略；为一个团队设计系统定制的Agent Skill很难直接复制到另一个团队。

当组织内的个体开始配置甚至从头构建技能和MCP服务器以获得实际生产力提升时，下一步就是将这些成功转化为可共享、可复用的制度知识。AI制品目录正是这一步骤的输出。它们代表了将员工当前手动完成的大部分工作连接起来的内部知识和粘合剂，并赋能两方面：一方面，通过跨团队共享制品，生产力得以在组织内扩散；另一方面，为代理运行时（如Claude Code或Codex）配备领域特定的指南，使员工能花更多时间构建代理系统，而减少重复劳动。

开放标准的持久性至关重要。整个行业正急于购买AI解决方案，但95%的试点项目以失败告终。完全依赖Anthropic的工具体系，若Anthropic持续领先则一切顺利；但若押注一个未能广泛采用的初创公司产品，则可能陷入专有数据模型的死胡同，一年后需推倒重来。相反，投资开放标准如Agent Skills、MCP和插件，不仅可抵御单一厂商失败的风险，还能在下一季度主流编码代理更换时无缝切换，切换成本降至专有方案的一小部分。

AI能力飞速演进，但厂商中立的标准化基元是创新可构建的概念，而非被替换的对象。我们仍在HTTP之上构建网络，QWERTY键盘标准虽非最优却延续至今，JavaScript支撑着互联网的前端。当AI降低构建成本时，协调成本依然高昂，标准因而稀缺且宝贵。

AI制品的成熟度：标准最关键的是采纳程度。当前，主导AI内部转型的工具集中在Claude Code、Codex、Claude Cowork以及Anthropic或OpenAI的Agent SDK。我根据这些工具对各类制品的兼容性评估了现状：Agent Skills（技能）和MCP服务器作为厂商中立标准，采纳度最高；插件次之；命令行工具（CLI）虽高度采用但缺乏标准化；钩子（Hooks）、根（Roots）和规则（Rules）则处于中等水平，部分基于衍生的开放插件标准。

技能是大多制度知识的命脉。正如Tim O'Reilly所述，技能可以是“编排何时及如何使用工具的专家工作流逻辑，结合领域知识使LLM在上下文中做出良好判断”。技能有多种形式，但最宝贵的是编码内部专家知识，这类知识往往未被文档化，而是以隐性知识存在于员工脑中，且难以通过模型训练获取。因此，内部定制技能的价值远超任何公开下载的公共技能。

MCP和CLI工具是连接外部系统的层面。MCP有成熟的约定和标准（如Server Card、server.json以及即将推出的mcp.json），而CLI则需要自行定义格式。MCP获得了广泛采纳，CLI则受限于沙盒环境。

钩子（Hooks）可在确定的触发点注入功能，例如捕获会话记录用于后续审查。钩子没有独立标准，而是融入即将到来的开放插件标准。多数主流编码代理支持该概念，但实现略有差异。

规则（Rules）最初由Cursor推广，允许在上下文注入片段，但功能上可能被技能和AGENTS.md文件取代。根（Roots）是代理的文件系统起点，例如Git仓库文件夹，其隐含在AGENTS.md标准中。

插件（Plugins）是多种制品的捆绑包，包括技能、规则、钩子和MCP服务器。Vercel推动的开放插件标准正在成型。Claude Code的插件市场成为事实上的分发机制。像Intercom这样一些公司完全依赖插件，将技能和钩子内联其中。大多数代理工具生态对齐插件，但Pi和OpenCode除外。

最终，丰富且实用的制品目录是区分AI成功故事与反复失败的关键。无论选择全面投入插件还是按类型精细化目录，核心是建立共享语言，使团队能够顺畅集成，激发对AI未来的热情。