Anthropic Claude 连接器现已扩展至 Claude Code 和 Artifacts

Anthropic Claude 已跨越一道重要边界：针对 Gmail、Google Calendar 和 Slack 等服务授权的连接器，如今可随用户进入 Claude Code 和 Artifacts。此前，许多用户将 Claude 的每个界面视作独立产品。Anthropic 则日益将它们视为同一个互联工作环境的入口。

这一变化出现在 Anthropic 的 Thariq 于 1 月发布的一则社交媒体帖子中。他指出，添加到 Claude 的连接器可供 Claude Code 以及以 Artifacts 形式构建的应用使用。Anthropic 现行文档也支持这一更广泛的说法：其远程连接器可在 Claude 的网页、移动端、桌面端、Cowork 和 Claude Code 界面中使用。

这种可移植性的重要性超过了又推出一个连接器。开发者可以要求 Claude Code 调查一个代码仓库，同时调用来自团队讨论、项目记录或日历的上下文。结果还可变成一个交互式 Artifact，并在获得用户批准后访问已连接的服务。

主要竞争已不再是 Anthropic 与某个特定聊天机器人的竞争，而是孤立的 AI 功能与可随用户跨越编程、聊天和轻量级应用创建场景的共享连接器层之间的竞争。OpenAI 正通过 ChatGPT apps 追求类似目标，但 Anthropic 将这一理念直接与 Claude Code 和 Artifacts 绑定。

这一愿景颇具吸引力：服务只需连接一次，其上下文和操作能力即可在各种工作场景中复用。难点在于，可移植的访问权限也让权限管理、审批设计和数据溯源变得更加关键。

Anthropic Claude 将一次连接扩展至多个工作界面

眼下的变化是连接器复用，而非一套全新集成系统的出现。

Anthropic 将连接器描述为一种连接方式，它让 Claude 能够从外部服务获取信息，并在其中执行获准的操作。这些连接通常使用 Model Context Protocol，即 MCP——一种为 AI 应用提供通用工具调用和数据访问方式的开放协议。

用户可以连接 Slack 来搜索讨论，连接 Google Drive 来检索文档，或连接 Linear 来创建和更新问题。根据 Anthropic 的连接器指南，这些连接可通过其 MCP connector 在 Claude、Claude Desktop、Claude Code 和 Anthropic API 中使用。

这句话改变了人们对配置模式的预期。用户未必需要在每个 Claude 界面中重新建立每一项远程连接。经认证的服务会成为账户可在受支持界面中使用的工具集之一。

Anthropic 明确区分了远程连接器和桌面扩展。远程连接器通过可公开访问的服务器连接云服务，因此可在网页、移动端、桌面端、Cowork 和 Claude Code 中出现。

桌面扩展则在本地运行，可访问文件、本地数据库或桌面应用等资源。其覆盖范围更窄。Anthropic 表示，它们可在 Claude Desktop 和 Claude Code 中使用，但无法覆盖其网页和移动产品。

这一差异避免了可移植性主张被绝对化。远程 Slack 或 Google 服务可以广泛随用户使用；依赖本地进程的连接器则不会突然能在远程托管的 Artifact 中使用。

Claude Code 又增加了一层能力。它最初是一个智能体式编程环境，意味着它可以检查代码、编辑文件、运行命令，并协调多步骤的软件开发工作。远程连接器让它能够调取并不存放在代码仓库中的上下文。

Anthropic 于 2025 年 6 月为 Claude Code 添加了远程 MCP 支持。该公司以 Sentry 为例：Claude Code 可以检索错误、检查相关代码并着手修复，无需开发者在工具之间复制细节。

连接器复用将这一模式扩展到了开发者基础设施之外。一次编程会话可以引用 Slack 中的产品讨论、Google Drive 中存储的需求，或项目系统中追踪的问题。智能体由此获得一条从组织上下文通往实现的路径。

Artifacts 则提供了展示与交互层。Artifact 是独立输出，例如仪表盘、可视化内容、应用程序、文档或交互工具，显示在常规对话流之外。

Anthropic 表示，Claude Code 可将会话输出发布为位于私有 URL 的 Artifact。页面可在编程会话持续期间更新，让调查、演示说明或仪表盘不断演进，而不必每次都生成新的静态导出。

组合后的路径很直接。连接器提供外部上下文或操作能力；Claude Code 执行开发或分析；Artifact 则将结果呈现为实时界面。每个部分原本都独立存在，但共享访问权限使它们像同一系统的组成部分一样运作。

这也解释了最初的观察为何引发共鸣。许多用户仍将 Gmail 连接视为聊天机器人的便利功能。Anthropic 则日益将其视为可供智能体和生成式应用复用的基础设施。

为什么连接器复用会改变 Claude Code 工作流

当 Claude Code 不仅能检查任务产出的文件，还能调查任务背后的原因时，其价值会更高。

代码仓库通常记录实现，而非完整的决策过程。产品需求可能存放在文档中，错误报告可能通过 Slack 传来，截止日期和客户会议可能存在于日历中，事故细节也可能分散在监控工具、支持系统和内部讨论之间。

没有连接器时，开发者必须手动收集这些上下文。他们需要在多个应用中搜索、判断哪些信息重要，再将选定细节粘贴进编程会话。这个过程缓慢，也可能抹去与原始来源之间的链接。

在用户提出请求时，已连接的 Claude Code 会话可以检索相关上下文。以 Slack 频道中报告的一个错误为例，Claude Code 可以阅读获准访问的讨论串，识别受影响的功能，检查代码仓库，并准备补丁或调查报告。

由此生成的 Artifact 可以展示事故时间线、受影响文件、测试结果和待解决问题。如果 Artifact 能访问已获批准的项目管理连接器，它还可以帮助用户准备或更新后续工作。

这一流程并不取消人工审查，而是改变协调发生的位置。开发者可以将任务保留在一个智能体会话中，同时保留通往提供证据的系统的路径。

Google Workspace 同时说明了机会与边界。Anthropic 表示，其 Gmail connector 可以搜索消息、阅读电子邮件、管理标签和创建草稿，但不能代表用户发送这些草稿。

在获得所需批准后，其 Calendar connector 可以查看、创建、更新和删除活动。启用相关 Claude 功能时，Google Drive 可检索文档、检查多种文件格式、创建文件夹，并保存生成的文件。

Anthropic 的 Workspace 文档表示，每项操作均需用户明确批准。文档还称，Claude 会继承用户现有权限；连接器无法授予对底层 Google 账户无权打开的文档的访问权限。

这些控制措施在编程场景中尤其重要。可访问日历并不意味着 Claude Code 应在调试时自由改期会议；可访问 Gmail 也不代表它获准发送状态更新。可用工具与获批准操作仍是两个独立概念。

同样的原则也适用于 Slack。连接器可能会搜索经认证用户可访问的频道、私信和共享文件。这能提供宝贵上下文，但也可能暴露与当前代码仓库无关的对话。

因此，团队除服务权限外还需要任务边界。“搜索与此问题相关联的 Slack 讨论”比“找出任何相关内容”更明确。后一个提示会赋予智能体更多自由裁量权，以决定检索哪些数据，以及如何判断相关性。

来源可见性同样重要。Anthropic 表示，连接器辅助生成的回复可包含引用，链接至作为来源的电子邮件、文档或活动。当已连接的上下文影响代码变更或生成的仪表盘时，可比的可追溯性便不可或缺。

开发者应能在会话结束后回答几个问题：哪些外部记录影响了这项工作？哪些工具调用修改了远程数据？哪些步骤需要批准？哪些结论来自代码仓库证据，而非某段对话？

当已连接的 Artifact 清晰展示来源和操作时，它可以改善这种可追溯性；若它将许多检索步骤压缩为一个精致界面，却不显示底层主张的来源，则可能削弱可追溯性。

这正是对孤立式编程助手的核心压力。只能看到代码仓库的工具可以生成代码，却难以重建这些代码背后的组织原因。共享连接器为 Claude Code 提供了更广泛的上下文优势。

OpenAI、Microsoft、Google 和其他平台提供商面临同样的需求。用户希望 AI 系统能跨文档、消息、代码、日程和业务应用运行，而不希望为每个界面反复配置每项连接。

Anthropic 的押注是，Claude 的不同界面可以共享足够多的基础设施，从而带来连续一致的体验。Claude Code 负责实现，对话式 Claude 处理一般交互，Artifacts 则将输出转化为可复用的界面。

这种连续性也改变了买方预期。企业团队将越来越多地根据 AI 编程产品的身份管理、权限和集成能力，而不仅是代码生成基准，来进行评估。

Artifacts 让连接器层变得可见

Artifacts 将已连接的访问能力从智能体能力转化为普通同事也能看到和使用的应用能力。

私密编程会话中的连接器只能帮助一名开发者。已连接的 Artifact 则可通过面向更广泛群体设计的界面展示结果。这一步使该功能在战略上更重要，在运营上也更敏感。

Anthropic 的 Artifacts 文档指出，Artifacts 可以通过 MCP 连接外部服务。该公司列举了 Asana、Google Calendar 和 Slack 等服务，作为交互式应用可以读取或写入的工具示例。

Artifact 可以成为一个发布仪表盘，检索项目状态、总结尚未解决的讨论并显示里程碑。另一个则可以展示由代码仓库变更和获批准的运营记录构建的事故时间线。

产品经理无需阅读终端记录即可打开该界面。工程负责人可以审查带注释的变更。支持专员可以检查一项调查，而无需获得直接访问代码仓库的权限。

Claude Code Artifacts 目前被描述为面向 Team 和 Enterprise 组织的测试功能。Anthropic 表示，这些 Artifacts 使用私有 URL，且仅对发布它们的组织成员可见。

这一组织边界很有用，但并不能解答所有访问权限问题。Artifact 的可见性与其所连接服务的权限彼此独立。同事或许可以查看 Artifact，却不一定拥有创建者在 Slack 或 Google Workspace 中完全相同的权限。

Anthropic 通过要求每位用户在使用共享或已发布的 Artifacts 时，独立验证 MCP 服务器来解决这一问题。共享界面不会自动共享创建者的凭证。

这是一项关键的设计选择。它避免 Artifact 成为通向创建者账户的间接通道。同一个界面可能为两位同事返回不同信息，因为底层服务识别的是不同的身份与权限。

这一要求也带来了摩擦。仪表盘看似已经可以使用，但每位用户仍需具备合适的套餐、连接器访问权限、组织审批以及服务验证。精致的应用并不能免除企业环境中的配置工作。

当 Artifact 首次需要使用 MCP 工具时，Anthropic 表示会提示用户批准访问权限。该偏好设置可在之后与该 Artifact 的交互中持续生效。管理员可以在组织层面启用或禁用 Artifact MCP 访问。

不过，Anthropic 表示，管理员无法通过这一特定的组织级开关管理某个 Artifact 可以使用哪些具体 MCP 服务器。这一限制值得安全团队关注。

企业可能希望 Artifacts 读取已批准的项目系统，同时禁止访问敏感的消息连接器。宽泛的启用或禁用控制未必符合这一政策。连接器和源系统中的其他控制措施可以提供帮助，但治理将变得分散。

生成式界面也可能模糊操作发生的时机。普通聊天会展示提示词、工具调用、批准和响应的顺序。Artifact 则可以在类似应用的界面中放置按钮、表单和实时数据。

用户或许能理解标有“创建问题”的按钮。但对于“刷新报告”，他们未必能确定它只是获取数据，还是也会更新记录。清晰的操作标签、确认对话框和审计记录，都会成为安全 Artifact 设计的一部分。

这正是连接器复用不止于便利之处。它缩短了 AI 代理与可部署内部应用之间的距离。开发者可以从已连接的会话转向已连接的界面，而无需单独构建每一层集成。

这种效果类似低代码开发，但代理同时参与实现与运行。用户描述所需工作流，Claude Code 将其构建出来，而 MCP 连接器则提供对外部系统的标准化访问。

这一组合正在对传统内部工具工作流施加压力。团队通常需要花费大量时间将身份验证、API、数据检索和界面连接起来。Claude 的方法可以压缩初始原型的迭代周期。

它并不能消除生产工程需求。团队仍需测试故障处理、授权、数据保留、并发以及外部副作用。一个对创建者有效的 Artifact，并不会自动准备好供整个组织使用。

近期最可信的应用场景是边界明确的内部工具。拉取请求讲解、调查时间线、会议准备视图、发布摘要和项目仪表盘，都有明确的用户与审查节点。

这些场景也受益于代码与业务上下文之间的连接。发布仪表盘可以反映仓库状态，同时获取已批准的里程碑。事件 Artifact 可以将代码变更与消息和问题记录关联起来。

对于构建自身工作流的知识工作者而言，开发模式正越来越接近一个已连接的 AI workflow。差异化之处不只是生成文本，而是能够将上下文带入一个在原始对话结束后仍然有用的界面。

真正的权衡是可移植的上下文与可移植的风险

每一个随用户进入更多界面的连接器，都会扩大实用性，也会扩大团队必须治理的范围。

连接器可移植性听起来类似于在多台设备上登录同一账户。但安全模型要复杂得多，因为 AI 系统能够检索信息、组合来源、推断关系，有时还可以执行操作。

第一项风险是检索范围过宽。用户可能确实有权访问数千条消息和文档，但这并不意味着每项编码任务都应调用其中全部内容。

Anthropic 表示，连接器会继承用户现有权限，并根据请求检索信息。现有权限固然必要，但对于情境化隐私而言还不够充分。一个人可能获准阅读高管讨论，却没有理由在日常编码任务中使用这些内容。

第二项风险是提示注入。已连接的内容可能包含试图影响代理行为的文本。恶意文档、问题或消息可能指示模型忽略其任务、检索额外数据，或执行无关操作。

MCP 对与工具的通信进行了标准化，但标准化并不意味着每台服务器都值得信赖。组织仍必须审查服务器所有权、验证方法、请求的权限范围、工具定义、数据处理方式以及更新实践。

自定义连接器还带来另一项担忧。Anthropic 表示，远程连接器需要一台可从公网访问的服务器，而桌面扩展可以在本地运行。公共端点会带来与验证、可用性、日志记录和软件供应链相关的常规服务风险。

第三项风险是操作歧义。读取权限和写入权限带来的后果不同。搜索项目数据库不等于修改一个问题；起草一封电子邮件不等于发送它；读取日历不等于删除一个事件。

Anthropic 的批准提示提供了重要的检查点。其有效性取决于提示是否清楚说明操作、目标和受影响的数据。当一个工作流请求大量批准时，用户可能会变得不那么警觉。

持久授权可以减少重复提示，但也会改变用户的认知。一个人可能会忘记，在首次交互数周后，Artifact 仍然可以访问某项服务。连接器设置需要让持续访问易于检查和撤销。

第四项风险是来源信息丢失。Artifact 可能将 Slack 讨论串、Drive 文档、仓库代码和日历数据整合为一份摘要。如果它在没有来源级证据的情况下给出自信结论，审查者就难以发现错误假设。

良好的已连接应用应当让引用紧贴重要结论。它们应区分检索到的事实与模型生成的解读，也应显示底层数据的最后刷新时间。

第五项风险是生命周期错配。Artifact 发布后，访问权限可能发生变化。员工会离开团队，文件会被移动，频道权限会改变，连接器权限范围会更新，MCP 服务器也会新增工具。

当连接器消失或返回更少数据时，生成的应用必须安全地失败。它不应以自信猜测替代缺失记录，也应避免在源权限被撤销后暴露缓存信息。

Anthropic 表示，每位用户都会为 Artifacts 独立验证已连接服务。这减少了凭证共享，但也会造成输出差异。两个人可能看到不同的仪表盘总数，因为他们的账户可以访问不同记录。

这种行为可能是正确的，但仍会令人困惑。Artifacts 应说明结果何时反映个人权限。团队不应在未核查覆盖范围的情况下，将个性化视图视为组织范围内的事实来源。

Google 连接器的限制说明了精确描述能力的重要性。Anthropic 表示，Gmail 会公开附件元数据，但不会公开附件内容。因此，声称会审查每一份附加合同的工作流，将超出已记录的连接器能力。

Google Drive 处理同样存在限制。Anthropic 表示，它会从受支持文件中提取文本，但不会通过该连接器处理嵌入文档中的图像。生成的报告可能会遗漏仅显示在图表或截图中的信息。

这些并非无关紧要的文档细节。它们决定了 Artifact 的输出是否足以支持决策。团队应测试实际的连接器路径，而不是假设 Claude 能访问源应用中所有可见内容。

竞争对比进一步印证了这一更广泛的趋势。OpenAI 现将其连接器归入 ChatGPT apps。其 app framework 支持搜索、同步、交互式体验和部分操作，具体可用性因套餐和 app 而异。

OpenAI 还支持基于自定义 MCP 的 apps，管理员则可在受管理工作区中控制 app 的可用性和允许的操作。这意味着 Anthropic 并不独占已连接代理这一概念。

Anthropic 的差异在于从 Claude Code 通向实时 Artifact 的路径。这种连接可以让开发工作变得可见且可交互，而无需将输出迁移到独立的应用框架中。

OpenAI 的方法强调 app 目录和 ChatGPT 内部的体验。Anthropic 则将连接器呈现为横跨聊天、编码、桌面工作和生成 Artifacts 的一层。两家公司都在超越孤立的聊天机器人。

胜负不会仅由连接器数量决定。企业将关心权限粒度、来源可追溯性、批准质量、审计记录、部署控制，以及访问权限变化时行为是否可预测。

对个人用户而言，便利性将占据更大权重。他们会注意到一项连接是否能跨界面使用而无需反复设置；也会注意到 Artifact 何时意外要求验证，或无法访问在普通 Claude 对话中可获取的信息。

这种张力无法完全通过产品设计解决。可移植的上下文之所以有价值，是因为它消除了边界。安全性则取决于围绕身份、目的和操作维持恰当的边界。

随着已连接 Artifacts 超越测试阶段，值得关注什么

三个信号将表明连接器复用会成为持久基础设施，还是仅仅停留在令人印象深刻的演示。

第一个信号是 Anthropic 面向 Artifacts 的权限模型。现有文档称，每位用户都需要独立验证，管理员可以在组织层面禁用 Artifact MCP 访问。更细粒度的服务器和操作控制，将增强其在更广泛企业部署中的说服力。

关注管理员是否获得针对已批准连接器、读取与写入工具、用户组和单个 Artifacts 的更清晰政策。如果这些控制措施到位，Anthropic 的共享连接器层将更易于在大规模环境中治理。如果控制仍然宽泛，许多组织会将已连接 Artifacts 限于实验用途。

第二个信号是能否超越当前的 Claude Code 测试阶段。Anthropic 将 Claude Code Artifacts 描述为 Team 和 Enterprise 套餐中的测试功能。更广泛的可用性将使这一工作流面向更多开发者，并为重复使用提供更有力的证据。

采用情况应以重复性工作流来衡量，而不是看发布了多少演示。每周都会使用的发布仪表盘，比一次性的可视化成果更重要。即使权限发生变化仍能保持准确的事故报告，也比一次打磨精致的初次运行更有价值。

可靠性将决定团队在原型阶段之后是否信任这些工具。一个已连接的 Artifact 必须能够处理认证过期、记录缺失、API 变更、部分权限以及连接器故障，同时不误导用户。

第三个信号是竞争对手的趋同。OpenAI 已提供由 MCP 支持的应用，并在持续扩展操作支持。Microsoft 和 Google 则深度掌控着工作场所身份、文档、消息传递和开发平台。

如果竞争对手能在统一权限层下，将编程代理连接到可复用的应用界面，Anthropic 当前的优势就会变成一项标准功能。如果他们仍将编程、聊天和应用创建相互割裂，Claude 的共享连接器模式将继续更具差异化。

开发者应在授予广泛访问权限之前，先用一个范围明确的工作流验证这一说法。选择一个代码仓库、一个外部系统和一个预期成果。要求对检索到的上下文提供引用，并对每一项写入操作进行明确审批。

一个实用的测试方式，是将项目跟踪器连接到 Claude Code，并生成一个私密的发布就绪度 Artifact。审查 Claude 检索了哪些记录、权限差异是否清晰可见，以及访问权限过期时界面的表现。

知识工作者也应采用同样的原则。只有在预期数据源、允许的操作以及审核责任人都明确时，已连接的界面才能发挥最佳作用。一个可搜索的知识库可以保留支撑性上下文，但不应模糊证据与综合判断之间的区别。

Anthropic Claude 正在将连接器转变为覆盖其更多产品线的账户级基础设施。实际问题不再是 Claude 能否访问 Gmail、Slack 或日历，而是当编程会话变成可共享应用时，用户能否安全地复用这些访问权限。

从一个边界明确的流程开始，检查每一次检索、审批和副作用。如果在其他人完成认证、权限发生变化、数据出现缺失后，该工作流仍然易于理解，那么已连接的 Artifacts 就值得承担更大的角色。