quarterly-review – 季度业务复盘 Skill

Skill 详细介绍

anthropics/knowledge-work-plugins#quarterly-review 是 Anthropic 官方 knowledge-work-plugins 仓库中的一个 Skill，Skill 名称为 quarterly-review。该仓库面向知识工作场景，quarterly-review 的定位是辅助完成季度回顾类工作。

它是什么

• 一个面向知识工作场景的 Skill，属于 Anthropic 官方 knowledge-work-plugins 系列。
• 以 Skill 形式提供给 AI Agent 加载，用于在对话中处理季度回顾相关任务。

它不是什么

• 不是一个可以独立运行的软件或服务。
• 不是数据库、BI 工具或项目管理系统的替代品。
• 不会自动从企业内部系统拉取真实业务数据，除非 Agent 环境本身具备相应数据访问能力。

核心用途

帮助用户在 AI Agent 中组织、梳理和撰写季度回顾内容。具体表现为：把零散的工作记录、指标、进展和问题整理成结构化的季度回顾文档，或辅助用户完成回顾会议前的信息准备。

主要解决的问题

• 季度回顾素材分散，整理耗时。
• 回顾结构不统一，容易遗漏关键维度。
• 需要把业务信息转化为可读的回顾叙述。

安装后 Agent 增加的能力

安装后，Agent 在处理季度回顾请求时，会按照该 Skill 定义的工作方式组织内容，而不是仅依赖通用对话能力给出松散回答。

适合的用户

• 需要定期完成季度回顾的团队成员、管理者。
• 在 Claude Code 等支持 Skill 的 Agent 环境中工作的知识工作者。

不适合的需求

• 需要自动连接企业 ERP、CRM 抓取实时数据。
• 需要替代正式财务审计流程。

技术路线说明

该 Skill 本质属于面向特定工作任务的指令集 / 工作流，依赖 AI Agent 的推理和文本生成能力，而不是独立可执行程序。官方资料未在本 Skill 层面说明是否调用第三方平台或 API。具体功能细节以 Anthropic 官方仓库当前说明为准。

Skill 安全评估

总体判断：该 Skill 来自 Anthropic 官方仓库，来源可信度较高。就 Skill 类型而言，它属于知识工作辅助类，本身通常不涉及 Shell 执行、文件删除或网络请求等高风险行为。是否能接触敏感数据，主要取决于用户把它用在什么 Agent 环境中、处理什么内容。

来源可信度

• 仓库归属 anthropics 官方组织，不是第三方镜像或 fork。
• 建议安装前确认来源确为 anthropics/knowledge-work-plugins，避免使用第三方重新发布版本。

权限相关

• 文件读取：取决于 Agent 环境。若你让 Agent 读取本地工作记录、财务数据或人事资料，Skill 会在该上下文中处理这些内容。
• 文件写入：若 Agent 具备写文件权限，生成的季度回顾文档可能被写入本地。建议在敏感场景下先确认输出内容再落盘。
• Shell / 网络：官方资料未说明该 Skill 需要 Shell 或网络权限。是否启用由 Agent 环境决定，不由 Skill 本身强制。

数据敏感度提示

• 季度回顾常涉及业绩数据、人员信息、未公开业务计划。使用前应确认所在组织对把这类内容交给 AI Agent 处理的政策。
• 不要把不该外传的数据粘贴进不支持相应数据保护的模型环境。

可操作的降险建议

• 若只需要内容整理，可关闭 Agent 的自动文件写入和 Shell 执行权限，由自己手动保存结果。
• 对输入内容做脱敏，或用占位符替代真实客户名、金额、人员姓名。
• 仅从官方来源安装，不使用来源不明的打包版本。

该 Skill 本身未见被公开披露的重大安全风险，但这不代表可以无条件处理机密信息。安全边界更多由使用环境和输入内容决定。

Skill 使用要求

一、Agent / 客户端

该 Skill 出自 Anthropic 官方 knowledge-work-plugins 仓库，与 Claude Code 高度适配，可以优先在 Claude Code 中使用。官方未公布针对 Codex、Cursor、Trae、OpenClaw、WorkBuddy 的完整兼容列表。

从 Agent Skill 的通用工作方式看，在支持 Skills、自定义 Skill 或类似指令加载机制的环境中，通常也可以尝试在 Codex、Cursor、Trae、OpenClaw、WorkBuddy 等主流 AI Agent 中使用。不同 Agent 的 Skill 加载方式和兼容程度可能不同，具体以对应 Agent 当前版本为准。

二、运行环境 / 依赖

官方资料未明确把 Node.js、Python、Git、Docker 等列为该 Skill 的硬性依赖。是否需要这些工具，取决于你所使用的 Agent 环境的安装机制，而不是该 Skill 本身。

三、权限

• 文件读取：可选。用于读取工作记录、指标数据等素材。
• 文件写入：可选。用于保存生成的回顾文档。
• Shell / 网络 / Docker：官方未声明为必需，通常也不属于该 Skill 正常工作所必须。

四、账号 / API Key

• Skill 本身：官方未说明需要额外账号或 API Key。
• Agent 侧：使用 Claude Code 等方式时，可能需要 Agent 自身的订阅或凭证，这与该 Skill 无关，属于 Agent 层面的要求。

最小使用条件

1. 一个能够加载 Skill 的 AI Agent 环境（Claude Code 优先）。
2. 待回顾的工作素材或目标说明。
3. 按需开启的读写权限。

Skill 安装、使用与卸载教程

一、安装

可以直接复制本页面提供的 Skill 安装指令，粘贴到对应 Agent 或终端执行。

如果不确定自己的 Agent 如何安装 Skill，可以直接向当前 AI Agent 提问：

如何安装 anthropics/knowledge-work-plugins#quarterly-review？

如何在 Claude Code 中安装 anthropics/knowledge-work-plugins#quarterly-review？

如何在 Cursor 中安装 anthropics/knowledge-work-plugins#quarterly-review？

让当前 Agent 根据自己的 Skill 加载与管理机制给出安装步骤，比套用通用命令更稳妥。官方若对安装方式有特殊说明，请以官方仓库为准。

二、安装后如何使用

安装后，在需要季度回顾的任务中直接向 Agent 描述需求即可触发。适合交给它的任务包括：把零散记录整理成季度回顾、按固定维度组织进展与问题、生成回顾文档初稿。

自然语言使用示例：

使用 quarterly-review，帮我把这几个月的团队工作记录整理成一份季度回顾初稿。

使用 quarterly-review，按目标完成情况、主要问题、下季度计划三个部分整理这份季度总结。

使用 quarterly-review，把我周报里的零散信息汇总成一份结构清晰的季度回顾。

三、卸载

卸载通常可以直接使用对应 Agent 或 Skill 管理器提供的删除方式，移除 anthropics/knowledge-work-plugins#quarterly-review 对应的 Skill 即可。

不同 Agent 的 Skill 安装位置和管理方式不同。如果没有统一卸载命令，直接询问当前 Agent 更稳妥：

如何卸载 anthropics/knowledge-work-plugins#quarterly-review？

常见问题

1. 安装后 Agent 没有识别这个 Skill，怎么办？

先确认安装是否完成、Agent 是否需要重启或重新加载。不同 Agent 对 Skill 的加载时机不同，有的需要新开对话或刷新会话。若仍不识别，直接询问当前 Agent 该 Skill 是否已被加载，并核对其读取的 Skill 目录。

2. 可以同时安装到多个 Agent 吗？

通常可以。Skill 一般以文件形式存在于各 Agent 各自的目录中，在不同 Agent 中分别安装即可。是否完全一致地生效，取决于各 Agent 对 Skill 机制的兼容程度。

3. Skill 更新后需要重新安装吗？

如果你通过仓库来源安装，更新方式取决于 Agent 的管理机制。有的支持拉取更新，有的需要重新安装或手动替换。以当前 Agent 和官方仓库的说明为准。

4. 这个 Skill 会自动修改我的已有文件吗？

不会主动修改。是否写入文件取决于 Agent 是否被授予写权限，以及你是否让它保存结果。在敏感场景下可以先让它只输出内容、由你手动保存。

5. 中国大陆使用有网络要求吗？

安装过程通常需要访问来源仓库，是否顺畅取决于你的网络环境。使用过程本身主要依赖 Agent 能力，具体网络要求以你的 Agent 环境为准。

6. 它适合处理公司机密数据吗？

需要谨慎。季度回顾常含敏感信息，是否可用取决于所在组织政策和你所用模型环境的数据处理方式。建议先脱敏，或仅用于结构整理而非直接投放原始机密数据。

7. 它和让 Agent 直接写季度总结有什么区别？

该 Skill 提供的是针对季度回顾任务的固定工作方式，输出结构通常比通用对话更稳定、更少遗漏关键维度。通用对话更灵活，但结构一致性依赖你每次如何提问。