在人工智能辅助编程领域，Anthropic 近期为旗下的 Claude Code 平台带来了一项备受瞩目的更新。开发者现在可以通过全新的“插件评估”工作流，对 Claude Code 中集成的插件进行更精准、更系统的测试。这一更新不仅解决了插件开发者长期以来难以量化的痛点，还引入了自动化测试的“CI 门控”机制，极大地提升了 AI 工具链的工程质量。
Claude Code 是 Anthropic 推出的基于 Claude 模型的编程助手，旨在帮助开发者更高效地编写、调试和优化代码。随着其插件生态系统的不断壮大，如何确保每一个插件都能在特定场景下稳定、准确地工作，成为了开发者面临的一大挑战。传统的测试方法往往依赖于人工手动验证，不仅效率低下，而且难以覆盖所有可能的边缘情况。
针对这一问题，Anthropic 发布了新的 claude plugin eval 命令。这一命令的核心功能是利用真实世界的提示词来运行插件，并自动评估 Claude 生成的输出质量。更关键的是，它引入了“无插件基准”的概念——即在不加载特定插件的情况下运行相同任务，并将结果与加载插件后的表现进行对比。这种对比方式能够有效地回答三个核心问题：插件是否被正确触发？插件是否真正改变了输出结果？插件提供的增强是否优于模型自身的默认能力？
为了满足不同场景的评估需求，Anthropic 在此次更新中提供了 6 种不同的评分器类型。这些评分器允许开发者根据具体任务（如代码生成、逻辑推理、语法检查等）定制评估标准。例如，开发者可以设置评分器来检查生成的代码是否符合特定的架构规范，或者验证插件是否能够正确解析复杂的 API 请求。这种灵活的评分机制使得评估过程不再是简单的对错判断，而是能够深入分析插件在复杂任务中的表现细节。
除了静态的评估功能外，此次更新还引入了“CI 门控”功能。CI（持续集成）是现代软件开发中的标准流程，而“CI 门控”意味着评估脚本可以无缝集成到 CI/CD 流程中。一旦开发者提交了新的插件代码，CI 系统就会自动运行评估，如果结果未达到预设标准，代码将无法合并到主分支。这一机制从源头上保障了代码库中 AI 工具的质量，防止有缺陷的插件上线，从而降低了因 AI 辅助编程失误导致生产环境问题的风险。
从行业影响来看，Anthropic 的这一举措为 AI 应用开发提供了一套标准化的测试范式。过去，构建一个高质量的 AI Agent 往往需要开发者具备深厚的模型调优和测试经验，且过程充满不确定性。如今，通过提供类似软件工程中的“自动化测试套件”，Anthropic 降低了 AI Agent 开发的门槛。这使得插件开发者能够更加专注于业务逻辑的实现，而将繁琐的测试验证工作交给系统自动完成。
此外，这种基准测试和 CI 门控的结合，也将推动 AI 代码辅助工具向更“企业级”的方向发展。对于大型科技公司而言，将 AI 集成到核心开发流程中，必须确保其稳定性和安全性。Anthropic 的新工具使得这种集成变得更加可控，有助于企业在享受 AI 提升效率的同时，规避潜在的技术风险。
总的来说，Anthropic 通过为 Claude Code 引入插件评估工作流，不仅完善了其产品矩阵，更为整个 AI 开发社区树立了新的标杆。随着这一功能的普及，我们有望看到更多高质量、高可靠性的 AI 插件涌现，从而进一步提升开发者的生产力。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/09/11/anthropic-adds-plugin-evals-to-claude-code-6-grader-types-a-no-plugin-baseline-and-a-ci-gate-for-skills/
封面图片来源：Unsplash / 摄影师 Brecht Corbeel
