Common Room 插件实战指南：用 Claude Cowork 驱动 GTM 工作流的六大技能与两大命令

Common Room 插件实战指南：用 Claude Cowork 驱动 GTM 工作流的六大技能与两大命令

【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins

本指南以仓库 partner-built/common-room 为核心，系统讲解如何将 Claude 与 Common Room 的 MCP 服务器连接，并通过六个会话化技能（账户研究、联系人研究、通话准备、外联撰写、潜在客户挖掘、每周简报）与两个显式命令（生成账户计划、生成每周简报）完成 GTM（Go-to-Market）日常工作流。读完本文，你将掌握：各技能与命令的触发方式、完整执行流程与输出格式、Me 上下文与公司上下文的使用规则、以及日历连接器的可选集成方式，从而让每一次研究、每一封邮件、每一场会议准备都扎根于 Common Room 的真实信号数据。

插件定位：以信号数据为基石

Common Room 插件是一个面向知识工作者的 Claude Cowork 插件，其核心价值在于让 LLM 的输出锚定在真实信号数据上，而非模型臆测。根据 README，该插件将 Claude 连接到 Common Room 的 MCP 服务器，并提供覆盖销售代表最常见工作流的六个技能。每一次输出都基于 Common Room 的真实信号数据，包括：

• 第一方产品信号（1st-party product signals）：产品内的实际使用行为；
• 第二方社区信号（2nd-party community signals)：社区中的发帖、提问、互动；
• 第三方意图信号（3rd-party intent signals)：职位发布、新闻、融资等外部意图信号；
• 来自 RoomieAI 与 Spark 的富化数据：AI 研究摘要与人脉画像。

在架构层面，该插件遵循 Cowork 插件的通用结构：SKILL.md定义技能触发与流程，commands/下的.md文件定义显式命令，references/提供深度参考材料。所有技能通过会话自然触发，无需安装额外运行时。

环境要求与前置准备

在启用本插件前，需要满足以下条件（见 README 的 Requirements 小节）：

1. Common Room MCP 服务器必须已连接并完成认证。服务器地址为mcp.commonroom.io/mcp，它是所有技能与命令的主要数据源。根据 CONNECTORS.md，该服务器被登记在.mcp.json中，插件功能的正常运转完全依赖它。
2. 日历连接器（可选）。仅用于call-prep（通话准备）与weekly-prep-brief（每周简报）中的自动会议查找。如果未连接，这两个技能会优雅地降级为向用户询问会议细节。

技能与命令总览

技能通过对话自然触发——用户描述需求，Claude 自动加载合适的技能。仓库中为每个技能定义了 trigger phrases（触发短语），汇总如下（见 README 的 Skills 小节）：

此外还有两个面向复杂工作流的显式命令（见 README 的 Commands 小节）：

用户上下文：Me 对象与公司上下文

Me 对象：用户画像与领地边界

所有需要限定到用户领地的技能，都会在开始时从 Common Room 获取Me对象（见 references/me-context.md）。该对象代表当前已认证用户，包含：

• 用户画像：登录标识（邮箱或用户名）、全名与显示名、职位头衔与角色、在 Common Room 中的 Persona（如 AE、SDR、CSM、Manager），以及所有关联的配置文件（如 Salesforce 用户 ID、LinkedIn 账号）；
• "My Segments"（我的细分）：属于该用户的所有细分（每个包含名称与细分 ID），对应 Common Room 产品中的 "My Segments" 标签页。

Me上下文有三类用途：

1. 限定查询范围、尊重领地边界：执行账户研究、潜在客户挖掘或生成简报时，默认将结果限定在用户自己的细分内。例如，"Show me accounts showing buying signals" 默认只查询 My Segments；"Show me all accounts in the workspace showing buying signals" 则去掉细分限定。若用户询问一个不在其细分中的账户，应提示："This account doesn't appear to be in your segments — would you still like me to research it?"；
2. 个性化外联与简报：使用用户的姓名、头衔、角色来个性化输出，例如在每周简报中引用其领地、在草拟邮件中署名；
3. 为推理提供语境：不同 Persona 影响输出的侧重方向——AE/AM 侧重管道、交易、扩张与关单时间线；SDR/BDR 侧重潜在客户、热信号与首次触达外联；CSM 侧重健康度、留存、扩张与 Champion 参与；Manager/Director/VP 侧重团队级趋势而非个人外联。

公司上下文：让建议贴合自家产品与 ICP

部分技能在理解用户所在公司（卖什么、ICP 是什么、竞争定位如何）后能产出更好的结果（见 references/my-company-context.md）。获取公司上下文的渠道按优先级排列：

1. Me 对象：其中包含用户所在公司名称与头衔；
2. CR 查询：将用户公司作为 Organization 在 Common Room 中查询，获取公司信息（firmographics）、行业与描述；
3. 网络搜索：当 CR 数据稀疏或陈旧时，搜索用户公司的客户案例、产品页与营销材料，弥补定位语境缺口；
4. 会话上下文：检查用户是否已在当前对话中描述过自家产品、ICP 或价值主张；
5. 每会话询问一次：若以上均不可用，每会话仅询问一次："To tailor my recommendations, can you briefly describe what your company does and who your ideal customers are?"

公司上下文在不同技能中的落点包括：账户研究推理阶段（"This account fits your ICP because..."）、通话准备的谈话要点（围绕自家产品价值而非泛泛建议）、外联撰写的价值桥梁（基于自家产品与定位）、以及潜在客户挖掘的默认过滤建议（当用户未指定标准时）。

技能一：Account Research 账户研究

account-research/SKILL.md 定义了一个六步流程，其核心是先判断交互模式，再决定拉取多少数据。

四种交互模式

• 模式 1 —— 完整概览："Tell me about Datadog" / "Summarize cloudflare.com"，拉取完整字段集并产出结构化简报；
• 模式 2 —— 定向提问："Who owns the Snowflake account?" / "Is acme.io showing buying signals?"，只拉取相关字段并直接给出简明回答，不为简单问题生成完整简报；
• 模式 3 —— 稀疏数据："Tell me about tiny-startup.io"，若 CR 数据有限，要诚实说明"There is limited information available for this account"，绝不臆测或用泛化语句填充；
• 模式 4 —— 组合推理：先拉取结构化 MCP 数据，再叠加 LLM 分析，例如"Stripe 有 8000 名员工且正在大量招聘 AI 岗位。基于你 1k–10k 金融科技公司的 ICP，这是一个强匹配。"

执行流程（Step 0–6）

1. Step 0 加载 Me 上下文：获取Me对象，默认将所有查询限定在用户自己的细分内；
2. Step 1 识别交互模式：确定用户真实需求后再决定数据量；
3. Step 2 查找账户：按域名或公司名搜索 Common Room，先精确匹配，无结果再尝试部分匹配并与用户确认；
4. Step 3 拉取正确字段：使用 Common Room 对象目录查看可用字段组。关键字段组包括Scores（始终以原始值或百分位返回，绝不使用标签）、Summary research（RoomieAI 输出，通常是最丰富的定性信号）、Top contacts（按分数降序，用 communityMemberID 进行完整查询）。不同查询类型的字段选择见下表：

5. Step 4 网络搜索（仅稀疏数据时）：CR 是主要数据源，数据丰富时不执行网络搜索；数据稀疏时搜索"[company name]" news（限定最近 30 天），关注融资、收购、产品发布、高管变动与媒体报道；用户明确要求外部语境或近期新闻时，无论数据丰富度如何都执行；
6. Step 5 应用推理：将账户数据与已知 ICP 标准对比，识别匹配信号（规模、行业、技术栈、招聘模式）与时机信号（融资、试用状态、近期活动激增），并明确说明见解源自数据而非假设；
7. Step 6 产出输出：只包含 CR 实际返回数据的章节，数据缺失的章节整节省略。

输出格式

完整概览（数据丰富时）：

## [Company Name] — Account Overview **Snapshot** [2–3 sentences: what they do, plan/stage, relationship status] **Key Details** [Employee count, industry, location, domain, funding — from key fields] **CRM & Ownership** [If CRM fields returned] [Owner, opp stage, ARR] **Scores** [If scores returned] [All available scores as raw values or percentiles] **Signal Highlights** [If activity/signals exist] [3–5 most important signals with dates] **Top Contacts** [If contacts returned] [Name | Title | Score — top 5 sorted by score desc] **RoomieAI Research** [If summary research is non-null] [Summary research output; list all available research topic names] **Recommended Next Steps** [2–3 specific, signal-backed actions]

稀疏数据（大部分章节为空时）使用 (Limited Data) 变体：列出 CR 实际返回的数据、呈现返回字段、附上网络搜索结果（或"No significant recent news found"），并注明"The account may need enrichment in Common Room"。

质量标准

分数必须为原始值或百分位；定向提问要精准不过度交付；数据缺失或陈旧时要明确说明；完整简报控制在 2–3 分钟内可读完；每个事实都必须追溯到一次工具调用，绝不包含 CR 未返回的数据。详细信号类型分类与解读参见 references/signals-guide.md。

技能二：Contact Research 联系人研究

contact-research/SKILL.md 用于从 Common Room 检索完整的联系人画像，支持按邮箱、社交账号或姓名+公司查找，返回富化数据（活动历史、Spark、分数、网站访问、CRM 字段）。

查找方式选择

若未找到匹配，回复 "Common Room doesn't have a record for this person"，绝不推测或虚构画像数据。

关键字段组

• Scores：始终以原始值或百分位返回，不使用标签；
• Recent activity：使用Contact Initiated过滤器（最近 60 天），只关注该联系人的主动行为，而非你方团队的动作；
• Website visits：总访问数 + 具体访问页面（最近 12 周）；
• Spark：追踪参与度演变时，拉取所有Spark 记录（而非仅最近一条）。

Spark 富化与 Persona 推断

若 Spark 可用，它提供专业背景与职业历史、社交影响力信号、Persona 分类（Champion、Economic Buyer、Technical Evaluator、End User、Gatekeeper）以及购买流程中的推断角色。若 Spark 不可用但有真实活动数据，可依据信号推断 Persona；若两者皆无，则归类为 Unknown——绝不只凭职位头衔猜测 Persona。

账户语境与对话切入点

Step 4 拉取联系人母公司账户的精简快照，记录开放机会、扩张信号或流失风险，以及该联系人相比同事的参与度。Step 5 基于活动与信号提炼 2–3 个最强切入点：最近的Contact Initiated活动（社区发帖、产品事件、支持工单）、近期访问的特定网页（尤其暗示评估意图的页面）、职位变动或公司新闻、Spark Persona 所暗示的沟通风格、已知活跃交易中的角色。

输出格式与质量标准

数据丰富时按模板输出（Overview、Details、Scores、Recent Activity、Website Visits、Spark Profile、Segments、Account Context、Conversation Starters）；数据稀疏时（如仅有姓名、职位、邮箱、标签，sparkSummary 为 null）使用 (Limited Data) 变体，不为稀疏数据生成对话切入点、Persona 推断或参与度评估。质量要点：查找方式必须与输入类型匹配；以Contact Initiated活动（最近 60 天）作为首要参与信号；Spark 不可用时要明说；标记最近活动早于 30 天的联系人。字段说明、Spark Persona 指南与切入点原则详见 references/contact-signals-guide.md。

技能三：Call Prep 通话准备

call-prep/SKILL.md 组合账户研究与联系人研究，产出完整、可快速扫读的通话准备简报。

五步准备流程

1. 识别账户与参会人：公司名为必填项；参会人姓名可选。若~~calendar连接器可用，自动搜索与目标公司的近期会议以补全参会人、会议时间与议程；两者皆无时询问 "Who will be on the call from [Company]? I can research each attendee to make your prep more useful."；
2. 运行账户研究：调用账户研究流程构建完整账户快照，优先关注近期产品信号（他们当下在产品里做什么）、开放机会或续约时间线、风险信号（使用下降、支持工单、席位流失）、关键近期事件（融资、高管变动、新招聘）。审查活动历史时优先 Gong 与通话录音活动——它们提供上次对话的直接语境，且不得按活动来源过滤掉通话录音；
3. 运行联系人研究：为每位外部参会人执行联系人研究流程，聚焦购买流程中的角色与影响力、个人活动与参与历史、暗示其当下关注点的近期信号、Spark Persona（如可用）；
4. 综合谈话要点与目标：识别通话目标（如 discovery、demo、expansion、renewal、QBR），生成 3–5 个锚定具体信号数据的谈话要点，预判 2–3 个客户可能提出的异议或话题，并建议推荐通话结果；
5. 时效性检查（网络搜索）：在收集完 CR 数据后，搜索"[company name]" news（限定最近 14 天）捕捉上次同步后的新动态；对每位外部参会人搜索"[full name]" "[company name]"寻找近期文章、LinkedIn 帖子、会议演讲或播客。显著的新闻（如刚完成融资、重大招聘）在 Signal Highlights 中重点标记，其余简要呈现即可，不让网络搜索结果压过 CR 信号。

输出格式与降级策略

数据丰富时按模板输出（Meeting Context、Company Snapshot、Attendee Profiles、Signal Highlights、Talking Points、Likely Topics/Objections、Recommended Call Outcome）；数据稀疏时改用 (Limited Data) 变体（Data available、What I Found、Web Search Results、Suggested Next Steps）。绝不为稀疏数据生成完整通话准备简报——简短诚实的输出永远优于冗长的编造。质量要点：每个谈话要点锚定真实信号；简报控制在 5 分钟以内读完；时间盒研究以保速度；绝不编造交易语境（虚构提案、竞品对比、定价、试用条款或未经工具调用返回的异议）。不同通话类型（discovery、expansion、renewal、QBR）的定制指引见 references/call-types-guide.md。

技能四：Compose Outreach 外联撰写

compose-outreach/SKILL.md 基于 Common Room 信号生成三种个性化外联格式——邮件、通话脚本、LinkedIn 私信。

六步外联流程

1. 查找目标：用 Common Room MCP 工具检索目标（公司或联系人）数据：近期产品活动与参与信号、社区活动（发帖、提问、反应）、第三方意图信号（职位发布、新闻、融资）、关系历史（此前接触、会议、邮件打开）。若指定了人则做联系人级研究；若只有公司，则根据职位、参与度与角色确定最佳触达对象；
2. 信号稀疏时进行网络搜索：CR 信号强劲时不搜索；信号稀疏时搜索"[company name]" funding OR acquisition OR launch OR announcement（最近 30 天）与"[contact full name]" "[company name]"。优先选择非常近期（< 2 周）、公开可见、暗示变化（增长、新角色、新产品、新市场）的外部钩子；
3. Spark 富化：可用时对目标联系人运行富化，获取 Persona 分类、背景与影响力信号，用于校准语气与信息角度；
4. 识别最佳钩子：从信号中选出 1–3 个最强个性化钩子，按时效性（近 7–14 天）、具体性（具体行动而非泛泛趋势）、相关性（直接关联你产品能交付的价值）排序。好钩子如"在社区中提出了关于 X 的问题""刚招聘 5 名工程师""刚开始使用某功能""刚完成 B 轮融资"；坏钩子如"I noticed you're a customer"或泛行业趋势；
5. 生成三种格式：使用最强钩子撰写全部三种格式，各自遵循 references/outreach-formats-guide.md 中的格式规则，全部产出并清晰标注；
6. 注释你的选择：三份草稿后附 2–4 句说明，解释使用了哪些信号及原因、做了哪些假设、以及主钩子不奏效时的替代角度。

输出格式

## Outreach for [Name / Company] ### 📧 Email **Subject:** [Subject line] [Email body — 3–5 sentences] --- ### 📞 Call Script **Opening:** [Opening line — conversational, 1–2 sentences] **Value Bridge:** [Why you're calling and why now — 2–3 sentences tied to a signal] **Ask:** [Single, low-friction ask — e.g., 15-minute call, specific question] --- ### 💼 LinkedIn Message [Under 300 characters. Warm, personal, no pitch.] --- ### Signal Notes [2–4 sentences: which signals were used, why, and any alternative angles]

稀疏信号时的处理

若 CR 返回数据极少（仅姓名、职位、标签，无活动、分数、Spark），则绝不凭空起草外联——基于编造信号的外联还不如没有外联。此时先运行网络搜索作为主要个性化来源；若网络搜索同样收获寥寥，则如实呈现已有信息并请求用户补充语境（近期活动信号、此前对话的语境、现在触达的具体理由）。质量要点：每条消息必须引用具体内容；语气匹配语境（社区信号触发的入站场景用温暖随和语气，冷启动/高管外联用更正式语气）；LinkedIn 私信必须 < 300 字符；绝不编造信号。

技能五：Prospecting 潜在客户挖掘

prospect/SKILL.md 使用 Common Room 的 Prospector 构建定向账户与联系人列表，支持通过自然对话进行迭代优化、基于意图的发现，以及针对现有账户的信号查询。

核心区分：两种对象类型

Prospector 操作于两种根本不同的对象类型，运行查询前必须澄清当前是哪种：

ProspectorOrganization（尚未进入 Common Room 的公司）：全新公司，可用字段仅为公司画像类——名称、域名、规模、行业、融资额、年收入、地理位置；过滤器选项少，无信号过滤器、分数与活动历史。适用于构建全新目标列表、领地规划、漏斗顶部扩张。

Organization（已在 CR 工作区中的公司）：完整信号数据可用——产品使用、社区活动、CRM 字段、分数、自定义字段；过滤器集丰富，涵盖基于信号、分数、细分与公司画像的过滤器。适用于寻找热账户优先级、识别扩张候选、在既有管道中浮出意图信号。

当请求可能同时适用于两者（如 "Show companies hiring AI engineers this month"）时，需澄清："Are you looking for net-new companies not yet in Common Room, or filtering accounts already in your workspace?" 对象目录应明确此区分，以便 LLM 选择正确的 Prospector 端点。

执行流程

• Step 0 加载 Me：查询Organization记录时默认限定 My Segments；
• Step 1 收集目标标准：未提供标准时询问示例（公司规模、行业、职位、近期产品活动或社区参与等信号、地理区域、融资或职位发布等意图信号）。Lookalike 搜索：用户要求 "find companies like [X]" 时，先在 CR（或网络搜索）中查找参照公司，提取其行业、员工区间、技术栈、融资阶段、地理位置等关键属性并提议为过滤标准，运行前先呈现给用户确认；
• Step 2 支持迭代优化：结果过多（50+）时提供收窄建议；结果过少（< 5）时建议放宽特定标准；每次优化作为后续查询而非从头再来。示例流：加州网络安全公司 500 条 → 300 人以上且用 AWS 的 47 条 → 近期有招聘活动的 12 条；
• Step 3 运行查询并呈现结果：按信号强度或匹配度排序（而非字母序）。ProspectorOrganization结果表列：Company、Domain、Industry、Size、Capital Raised、Revenue、Location；Organization结果表列：Company、Industry、Size、Top Signal、Signal Date、Score、CRM Stage。标记数据稀疏或最近信号早于 90 天的结果；
• Step 3.5 用网络搜索富化全新结果：对 top 3–5 家公司做快速网络搜索，补充融资、产品发布、领导层变动或新闻报道作为简要注释（CR 对这些公司没有行为信号）；
• Step 4 提供后续动作：起草 top 3–5 的外联、运行完整账户简报、优化标准、导出 CSV、将全新公司加入 CR 进行富化（未来能力）。

质量标准

运行查询前确认对象类型；查询Organization默认 My Segments；支持迭代优化（后续为过滤器调整而非重新开始）；绝不混用两种对象类型的结果字段；少而精的结果优于冗长未过滤的列表；只展示查询返回的数据，缺失字段留空或填 "—"。

技能六：Weekly Prep Brief 每周准备简报

weekly-prep-brief/SKILL.md 为未来 7 天的所有外部客户或潜在客户通话生成单一综合简报，逐会议附上来自 Common Room 的账户与联系人研究。

四步简报流程

1. 获取本周外部会议：日历已连接时，用~~calendar连接器拉取未来 7 天（或用户指定范围）的所有会议，过滤掉内部会议，只保留有外部参会人的会议；未连接日历时，请用户提供外部通话列表（公司名、日期/时间、参会人），接受自由输入并解析为结构化列表；
2. 确认会议列表：研究开始前将识别出的会议呈现给用户确认（"Here are the external calls I found for this week. Let me know if anything's missing or should be excluded..."），避免在已取消或错误的会议上浪费研究；
3. 逐会议研究：对每个确认的外部会议并行运行账户研究（完整账户快照）与联系人研究（每位外部参会人画像）。CR 研究后对每家公司做快速时效性检查（最近 7 天新闻；高管参会人搜索其近期公开帖或采访；只收录真正值得注意的发现）。深度校准：高优先级账户（大账户、开放机会、续约风险）做全深度研究；低优先级或短会议做 3–4 条的缩略快照；
4. 综合每周简报：将所有研究按会议日期/时间排序汇成单一结构化文档。开头给出周级概览，标记有紧急信号的账户（流失风险、试用到期、扩张机会）、需要特别准备或高管参与的会议、外部通话总数与预估时间投入。

输出格式

# Weekly Prep Brief — Week of [Date] ## Week Overview [2–4 bullets: key themes, flagged priorities, call count] --- ## [Monday / Tuesday / etc.] ### [Company Name] — [Time] **Attendees:** [Names and titles] **Meeting type:** [Discovery / QBR / Renewal / Expansion / etc. — inferred if possible] **Company Snapshot** [4–5 bullets: account status, top signals, recent activity] **Attendee Profiles** - **[Name]** ([Title]): [2–3 bullets on their signals, persona, conversation angle] - [Repeat per attendee] **Top Signals This Week** [2–3 most relevant signals for this specific call] **This Week's News** [If notable news found] [Only genuinely noteworthy findings — funding, leadership changes, major press] **Recommended Objectives** [1–2 sentences: what to accomplish in this meeting] --- [Repeat per meeting, sorted by date/time]

某会议数据稀疏时改用压缩格式（标注 ⚠️ Limited Data，列出实际返回数据、网络搜索结果，并提示代表在通话前直接检查 CR 或向同事收集语境）。绝不为稀疏数据生成完整会议准备章节。质量要点：每个会议章节保持可快速扫读（代表常在早晨于手机上阅读）；始终按日期/时间升序排列；紧急情况（风险、试用到期、开放机会）醒目标记；4–6 个会议的简报总量应在 10–15 分钟内读完；每个事实必须来自一次工具调用。简报结构、优先级逻辑与边界情况（已取消会议、无数据新账户等）处理详见 references/briefing-guide.md。

命令一：/generate-account-plan 战略账户计划

commands/generate-account-plan.md 为指定公司生成全面的战略账户计划，命令格式为/generate-account-plan <company name or domain>。执行过程分为五个阶段：

1. 完整账户研究：遵循账户研究技能产出完整账户概览，拉取所有可用的第一方（产品）、第二方（社区）与第三方（意图）信号、CRM 数据、分数与 RoomieAI 研究；
2. 利益相关者图谱：拉取该公司按 member score 降序排列的前 5 位联系人，分别归类为 Champion、Economic Buyer、Influencer、End User 或 Unknown。优先使用 Spark Persona 数据；Spark 不可用时依据参与模式与活动时效推断；无活动数据则归类为 Unknown；
3. 参与度分析：拉取组织最近 90 天的全部活动（最多 50 条），判断参与度是增长、稳定还是下降，识别最活跃的联系人与其参与渠道；
4. 网络搜索（补充）：CR 数据丰富时跳过；数据稀疏或用户要求时，搜索最近 30 天的公司新闻（融资、收购、产品发布、领导层变动、竞争动态）；
5. 综合：将所有数据整合为结构化账户计划。公司上下文可用时（见 references/my-company-context.md），让执行摘要、机会与行动项贴合用户的产品与 ICP。

输出格式

## Account Plan: [Company Name] ### Executive Summary [3-4 sentences: relationship status, key opportunity, primary risk, recommended priority] ### Account Overview | Field | Value | |-------|-------| | Industry | ... | | Size | ... | | Domain | ... | | CRM Owner | ... | | Opp Stage | ... | | ARR | ... | | Scores | ... | ### Stakeholder Map **Champions** - [Name] — [Title] — [Key signals, last activity date] **Economic Buyers** - [Name] — [Title] — [Key signals] **Influencers** - [Name] — [Title] — [Key signals] **End Users** - [Name] — [Title] — [Key signals] ### Engagement Analysis [Trend summary: growing/stable/declining, most active contacts, top channels, comparison to 90 days prior if data available] ### Recent News [If web search was run] [Web search findings with sources and dates] ### Opportunities 1. [Signal-backed opportunity with specific next step] 2. ... ### Risks 1. [Signal-backed risk with mitigation] 2. ... ### Prioritized Action Items 1. [Specific action] — [Owner suggestion] — [Timeline] 2. ... 3. ...

该命令的核心原则是让每条洞察都锚定实际数据，数据稀疏或不可用时明确标注。若 CR 对该账户返回稀疏数据，则产出只覆盖有真实数据章节的缩略计划——绝不基于最小输入生成完整账户计划，一份简短诚实、标注空缺的计划远比看似全面却建立在虚构细节上的计划有用；若 Stakeholder Map、Engagement Analysis、Opportunities、Risks 等章节没有数据支撑，则整节省略。

命令二：/weekly-brief 每周简报

commands/weekly-brief.md 通过日历与 Common Room 生成每周准备简报，命令格式为/weekly-brief [date range]（未指定时默认未来 7 天）。执行过程遵循每周简报技能：

1. 使用~~calendar连接器检索未来 7 天（或$ARGUMENTS指定范围）的所有外部客户会议，过滤内部会议，聚焦与客户、潜在客户或合作伙伴的通话；
2. 若无~~calendar连接器，则请用户列出外部通话（公司名、日期、参会人）；
3. 对每个外部会议并行运行账户研究与参会人联系人研究；
4. 汇总为单一每周简报：周概览 + 按日期排序的逐会议章节。

每个会议章节保持紧凑、可快速扫读，整份简报应能在 10 分钟内读完。

日历连接器与工具引用机制

CONNECTORS.md 说明了插件的连接器机制：插件文件使用~~category作为占位符，代表用户在该类别下连接的任意工具。本插件围绕 Common Room 作为主要数据源构建，可选集成日历类别：

~~calendar连接器用于两个技能：call-prep（自动拉取即将到来会议的参会人姓名）与weekly-prep-brief（拉取未来 7 天的所有外部会议）。若未连接日历，两个技能都会优雅降级为手动向用户询问会议细节——日历连接器完全是可选的。连接方式：安装兼容的日历 MCP 服务器并完成认证，插件会自动检测并在可用时使用。

安装步骤与快速上手

根据 README 的 Setup 小节，安装分三步：

1. 在 Cowork 设置中确保 Common Room MCP 服务器（mcp.commonroom.io/mcp）已连接并完成认证； 2.（可选）连接日历 MCP 服务器，为通话准备与每周简报启用自动会议查找；
2. 安装本插件，所有技能与命令立即可用。

安装完成后即可通过自然语言触发技能，或通过/generate-account-plan、/weekly-brief显式调用命令。建议从一句简单的触发语开始验证链路，例如 "Research [company]" 或 "Prep me for my call with [company]"，确认输出确实扎根于 Common Room 信号数据。

使用原则小结

贯穿全部技能与命令的一致原则可归纳为四点：

1. 数据优先，诚实为上：每个事实必须追溯到一次工具调用；CR 数据稀疏时使用 Limited Data 输出变体并明确标注空缺，绝不虚构或推测；
2. 信号驱动个性化：分数一律以原始值或百分位呈现；个性化钩子必须具体、近期且与自家产品价值相关；
3. 上下文自动适配：Me 对象将查询默认限定在用户领地；公司上下文让推荐贴合自家产品与 ICP；
4. 可降级的设计：日历连接器缺失时，通话准备与每周简报技能自动降级为询问用户，保证核心流程始终可用。

【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins