orbisz-Blog

AI Coding 实践指南与 Claude Code 使用案例

orbisz2025/11/13referenceAI 工具AI Coding

AI Coding 工具优化开发流程

提升对话质量参考 1

一、 合理划分AI任务边界

根据任务复杂度和自身能力范围合理分配 AI 的工作.

二、 小步快跑，每一步需要可验证

不要等代码全生成了，然后一次性调试，好的代码应该像细菌一样（by Karpathy），精炼，模块化，闭包( copy paste-able)。

三、 AI生成的方案和代码必须要Review

除非需求极其清晰，否则不要期望一次命令就能完成一个完整需求，AI认为的完成，有可能并不是实际的完成。一方面可能会因为上下文长度的原因，遗忘，或者产生幻觉。 另外一方面对于项目的了解程度的片面性，生产出来的代码质量或技术方案不够好。

四、 有效管理上下文

  1. 提供精确信息
    • 当已确定修改范围时，应提供准确的文件路径和相关细节。
    • 先通过与 AI 逐步沟通，获取并明确关键信息，形成清晰上下文后，再让AI执行。
  2. 信息压缩策略：手动筛选重要信息，只保留有价值的部分。举个例子，我们在让AI修复一些执行错误的时候，如果把全部Exception信息丢给AI，比如Java抛出来的Exception，会非常长。想象一下我们自己去解决问题的时候，往往也是定位几行有用信息。
  3. 控制任务粒度：
    • 执行复杂任务需要较高的 prompt 技巧和使用经验，且难以验证细节。
    • 过于复杂的任务可能超出上下文长度限制，导致 AI 遗忘早期任务内容。
  4. 利用外部记忆：将失败的任务手动编辑出来，并存储在一个外部文档中，然后告诉AI去逐个修复。
    test_result.md里面记录了运行单元测试失败的case以及异常的信息，请从上往下进行修复。
对于每一个test case，代码修复完成后，通过运行pytest检查case是否执行成功。若test case运行成功，在test_result.md里面标记完成。
任务结束前，请检查test_result.md文档，确保失败的测试用例全部修复。
  5. 知识库很重要:对于已有项目，如果希望长期让AI持续进来改动，请务必先给他提供更多的信息，以及一个良好的信息获取方式。
    • 像Claude Code，提供了/init指令，目的是为了让AI快速了解项目的背景、技术架构等，知识库记录了业务需求、技术规约、常见的工程流程等信息
    • 对于一个已经存在的工程项目，建议先让AI针对代码写说明文档(README.md)，然后再让他参与到写代码。

提升对话质量参考 2

进行清晰的问题描述

在描述问题时，我们最好能给出具体的功能、文件名、方法名、代码块，让模型能够通过语义检索等方式，用较短的路径找到代码，避免在检索这部分混杂太多弱相关内容，干扰上下文。

把控上下文长度

在处理复杂问题时，采用上下文窗口大的模型/模式，尽量避免压缩导致信息缺失细节。

尽可能地使用Revert和新开对话

节省上下文是一方面，维持上下文的简洁对模型回答质量提升也是有帮助的。

在多轮对话中，如果有一个步骤出错，最好的方式也是会退到之前出错的版本，基于现状重新调整 prompt 和更新上下文；而不是通过对话继续修改。否则可能导致上下文中存在过多无效内容。

这里回滚在IDE类型的工具里操作很方便，点一下"Revert"按钮即可。不过如果使用的是 Claude Code 等 CLI 类型的工具，回滚起来就没有这么方便，可以考虑在中间步骤多进行commit。

给出多元化的信息

不只可以粘代码、图片进去，还可以让模型参考网页、Git历史、当前打开的文件等，这些 IDE 类型的工具支持的比较好，因为是在IDE环境里面，而CLI在终端中，限制就要多一些（但更灵活）。

上下文进阶用法

对于多工具的进阶用户，可以通过提示词构建，来使一个工具指挥另一个工具，中间用Markdown文本来进行信息交换。

Rule

Rule就是一种可复用的上下文，比如，在整个开发过程中，提炼出了很多共性规则（不要写太多注释、不要动不动就生成测试文件），就可以把它们沉淀为Rule，让模型在每次的对话中自动复用。包括Project Rule、User Rule等。

User Rule

  1. 凡是在方案、编码过程遇到任何争议或不确定，必须在第一时间主动告知我由我做决策。
  2. 对于需要补充的信息，即使向我询问，而不是直接应用修改。
  3. 不要生成测试文件、任何形式的文档、运行测试、打印日志、使用示例，除非显式要求。
  4. 每次改动基于最小范围修改原则。
  5. 永远使用中文

AI 工具中的Rule可参考文献4

采用渐进式开发，而不是大需求一口气梭哈

不推荐输出完方案后让 AI 一口气基于方案完成需求（非常小的需求除外），需求越大代码质量越烂。 我的使用方式是，跟 AI 进行结对编程，讨论具体的方案是什么，这个场景下的最佳实践是什么，拆解需求后， 人工控制每一个块的代码生成。生成之后，可以咨询一下代码实现是否优雅，是否有重构空间，根据需要进行修改。

Prompt 技巧

在日常开发中反复验证了一个事实：提示词的质量，直接决定 AI 输出的可用性。比如在实现"用户邀请功能"和"营销战役列表"时，仅靠一句"写个接口"得到的代码，往往需要大量返工；而通过结构化、带上下文的提示词，AI 生成的代码一次通过率可超过 90%，大幅减少调试和重构时间。

提示词优化的必要性

在编程工作中，AI 辅助编码已成为不可或缺的部分。它能快速生成代码、审查设计，并处理复杂逻辑。然而，如果提示词表述模糊，AI 输出往往与预期偏差，导致需要多次修改。这不仅消耗时间，还可能引入错误。通过构建清晰、结构化的提示词，我们可以引导 AI 直接产出高质量结果，提升整体开发效率。

构建高质量提示词的核心原则

以下原则基于开发实践总结而成，每一条都附带实际示例，便于应用。

1. 强调清晰与具体性（Be Specific）

模糊提示容易导致 AI 误解，而具体细节能确保输出精准匹配需求。

❌ 不佳示例：

帮我分析用户管理的代码逻辑。

✅ 优化示例：

请分析 com.example.controller.UserController 和 src/views/User.vue 之间是如何协同完成"创建用户"功能的。
请描述从前端点击"保存"按钮到后端数据落库的完整调用链路和数据流转过程。

这种方法类似于数据库的精确查询，能显著减少偏差。

2. 采用分步指导（Step-by-Step）

对于复杂任务，通过逐步分解，AI 能更逻辑严谨地处理问题，避免遗漏关键步骤和边缘情况。

❌ 不佳示例（问题：任务模糊，AI 容易遗漏安全、验证等关键点，导致输出不完整或有漏洞）：

用 Java 实现一个用户登录系统，包含注册、登录和密码加密。

✅ 优化示例（改进：分解成清晰步骤，添加输出要求和验证点，确保逻辑严谨、覆盖边缘案例，便于 AI 迭代）：

实现一个简单的用户登录系统，使用 Java 和 Spring Boot，按照以下步骤执行。
每一步完成后，请输出关键结果（如代码片段），并等待我的确认。

# 目标：支持注册、登录，包含密码加密和基本安全。

## 步骤1：设计接口和数据结构
- 定义实体类：User (id, username, passwordHash)。
- 定义接口：UserService (register(User), login(String, String))。
- 输出：实体类伪代码和接口方法签名。

## 步骤2：实现注册逻辑与密码加密
- 使用 BCrypt 加密密码。
- 检查用户名是否已存在。
- 保存到内存或H2数据库。
- 输出：`register` 方法的完整代码和对加密方式的解释。

## 步骤3：实现登录逻辑
- 验证用户名和密码是否匹配。
- 成功后，使用安全的签名算法（如HS256或RS256）生成JWT Token，需包含过期时间（exp），密钥应从配置中读取而非硬编码。
- 输出：`login` 方法的完整代码。

## 步骤4：处理异常情况
- 无效输入：用户名为空或密码太短时，抛出`IllegalArgumentException`。
- 安全考虑：实现基于账户的登录失败计数逻辑，连续失败N次后临时锁定账户或要求验证码，以防止暴力破解。
- 输出：相关的异常处理代码片段。

## 步骤5：编写单元测试
- 使用 JUnit 为 `register` 和 `login` 方法编写至少3个测试用例。
- 覆盖场景：成功注册/登录、重复用户名、错误密码。
- 输出：完整的测试代码。

通过使用标题和编号分隔步骤，提示词的可读性和 AI 执行的准确性都能得到显著提升。

3. 提供充分上下文（Provide Context）

背景信息有助于 AI 理解项目环境，确保输出与现有代码一致。

❌ 不佳示例：

编写一个用户邀请模块。

✅ 优化示例：

# 任务：为现有的活动列表接口增加一个按"邀请任务"类型过滤的功能。

# 上下文：
后端接口参考 com.example.controller.BaseController 的规范。
前端页面参考 src/views/BaseView.vue。

# 需求细节
1. 在 FrontComponentController 类的 getActivityList 方法中新增 taskType 参数，取值范围参考 TaskTypeEnum。
2. 若 taskType 为 16，则根据 taskType 查询关联活动 ID 集合，并过滤返回结果。
   2.1 查询逻辑：从 task_info 表查询 task_type 字段，通过 activity_task_rel 表关联 task_id 和 activity_id。使用 TaskInfoService 和 ActivityTaskRelService 实现查询。
3. 若 taskType 为空，保留原逻辑。

应用该提示词后，AI 生成的代码逻辑完整度很高，基本覆盖了 95%以上的需求点，只需少量微调即可进入测试阶段。

4. 设定专业角色（Assign a Role）

赋予 AI 特定身份，能从专业视角提升输出质量。

示例：

# 角色
你是一位拥有10年经验的Java后端架构师，精通微服务和高并发系统设计。

# 任务
请为我设计一个用户评论服务。要求：
- 考虑高并发场景下的点赞和评论数统计方案（例如，使用缓存+异步写回）。
- 提供核心的类设计（实体类、Service接口）和关键方法的接口定义。

# 限制
请在 Java、Spring Boot、Redis 技术栈内进行设计。

5. 指定输出格式（Specify Output Format）

明确格式要求，能使输出更具结构化，便于后续整合。

代码审查示例：

请审查以下Java代码的潜在问题，并严格按照以下Markdown格式输出：

## 发现的问题
### 问题1：[问题简述]
- **严重程度：** 高/中/低
- **位置：** `[文件名:行号]`
- **原因分析：** [详细说明]

## 修复建议
```java
// 修复后的代码示例

预防措施

[如何避免类似问题]

[粘贴代码]


详细设计模板：

基于提供的[需求描述]和[原型图片链接]，输出 Markdown 格式的详细设计。

模板：

[需求名称] - 详细设计

1. 接口名称

1.1 接口地址

1.2 接口入参及说明

1.3 接口逻辑设计

1.4 接口出参及说明


### 常用技巧与思维模式

这些技巧是开发过程中的核心经验，确保提示词高效实用。

#### 1. 上下文原则（Context is King）
- **提供参照物**：频繁使用"参照..."或"参考已有代码..."，确保 AI 输出风格一致。
- **告知环境**：明确说明现有组件，如"已有 Controller 类..."或"Mapper 位于..."，避免重复开发。

#### 2. 示例驱动原则（Example-Driven Development）
- **广泛使用示例**：为参数、响应和逻辑提供具体代码块，减少 AI 猜测。
- **定义输入输出**：清晰指定接口的输入（路径、方法、示例）和输出（响应示例），简化任务。

#### 3. 结构化表达原则（Structured for Clarity）
- **使用标题和分点**：将需求模块化，如接口路径、参数、逻辑。
- **利用代码块**：SQL、JSON 和代码片段均用 ``` 包裹，确保无歧义。

#### 4. 闭环逻辑原则（Closing the Loop）
- **描述完整流程**：涵盖前后端交互，形成逻辑闭环。
- **定义用户行为**：关联需求与实际操作，如"点击详情按钮跳转页面"。

### 最佳实践模板

这些模板是项目中反复验证的框架，使用这些模板后，AI 输出的**代码可用性极高，往往超过 95%的代码可以直接采用**，大大减少了手动编码和重构的工作量。

#### 模板一：后端 API 开发

用于接口实现，如修改活动列表以支持邀请功能。

1. 目标与上下文

补全或实现名为[功能名称，如：获取活动列表]的接口。

  • 参照已有实现：com.xxx.controller.FrontComponentController#getActivityList
  • 所在 Controller：com.xxx.controller.FrontComponentController

2. 接口详细设计

接口名称

[例如：获取邀请活动列表]

接口路径

[HTTP 方法 + 路径，例如：GET /activities/list]

请求参数

[参数描述，提供 JSON 示例：{"taskType":16}]

接口逻辑

[核心业务逻辑描述]

  1. 新增 taskType 参数，取值范围参考 com.xxx.common.enums.TaskTypeEnum
  2. value 为 16 代表邀请任务。
  3. 若 taskType 非空，根据 taskType 查询邀请任务关联的活动 ID 集合，并过滤结果。
    • 查询逻辑：task_info 表中 task_type 字段；activity_task_rel 表关联 task_id（对应 task_info.id）和 activity_id。
    • 使用 com.xxx.service.task.ActivityTaskRelService 和 com.xxx.service.task.TDesTaskInfoService。
    • 在合适 service 中编写查询逻辑。
  4. 与现有 List<GetActivityListVO> 取交集。
  5. 若 taskType 为空，保留原逻辑。

参考代码/表结构

[提供关键代码片段或 SQL 表结构]

响应结果

[提供成功响应 JSON 示例]


#### 模板二：前端页面生成

1. 目标

新建或补充[页面名称，如：用户管理]的列表页或详情页。

2. 技术与环境

  • 参考页面：/Strategy/supplyRuleList.vue。
  • 路由地址：/#/users/userList。
  • 数据接口：POST /users/list。

3. 页面需求

需求描述

页面包含表格，展示列表字段：ID、名称、创建人、创建时间。

操作逻辑

  1. 列表按创建时间降序排列。
  2. 操作列包含"详情"按钮。
  3. 点击"详情"跳转至详情页，URL 为 /#/users/userDetail?userId={id}。

4. 原型图片/草图（可选）

[描述页面布局]


#### 模板三：设计审查与重构

1. 目标

审查以下[设计类型，如：表结构设计]的合理性。

2. 审查对象

[粘贴完整代码块，例如 CREATE TABLE 语句]

3. 核心问题

业务场景： 定时生成用户报告，用于数据分析。 问题描述： 报告表和详情表的结构设计是否合理？有哪些优化建议？


#### 模板四：获取列表接口

来源于营销模块开发，用于获取战役和落地页列表。

1. 目标

获取包含落地页的战役列表。

2. 接口地址

/Campaign/queryLandingPage

3. 入参

暂无。

4. 返回值

JSON 示例： [ { "id": 54321, "campaignName": "推广战役", "landingPageUrl": "" }, { "id":3456789, "campaignName": "好友活动", "landingPageUrl": "" } ]

请在 [你的Controller类名].java 中，实现一个符合上述要求的方法。


应用此模板后，AI 生成的 Controller 方法**逻辑准确，与需求高度匹配**，后续只需补充单元测试即可。

### Prompt 框架与结构化方法

#### COSTAR 框架

COSTAR框架是2023年新加坡prompt大赛冠军总结出来的一个提示词编写框架，他将Prompt分成了以下几个部分：
- **Context（背景）**：任务的背景信息
- **Objective（目标）**：agent的目标任务
- **Style（风格）**：期望的输出风格
- **Tone（语气）**：回复的语气
- **Audience（受众）**：目标读者
- **Response（响应格式）**：期望的输出格式

#### 伪 XML 结构化方法

使用 Claude 模型时，可以使用伪 xml 的结构做结构化，Claude 模型对于伪 xml 的理解更好。比如：
```yaml
<<这是你的角色>>{your_role}<</这是你的角色>>
<<你的任务>>{your_task}<</你的任务>>
<<要求>>{specification}<</要求>>
<<输出格式>><</输出格式>>...

AI 协助优化 Prompt

在高效写 prompt，或者明确需求这块，可以借助一些 AI 的工具，提升写 prompt 的效率。比如 OpenAI 的 prompt 工具，也可以自己写一个 prompt 优化的 agent。Claude 在写 prompt template 这方面的效果比较不错。

示例用法：

讲解一下这个项目的每个 module 都是用来做什么的，并且给出包依赖关系图。
我希望实现一个「什么什么」功能，需要修改的部分包括「这里」和「那里」，我的代码放在哪个包/目录下比较合适？仔细分析项目结构，并给出你的理由。
我在找「某个某个」功能的实现，请帮我在仓库里搜寻，并给出它的核心具体代码位置和片段，并附上简洁的说明。

优秀 Prompt 模板资源

  • https://cursor.directory/
  • https://github.com/f/awesome-chatgpt-prompts

prompt 的质量直接关乎到 AI 交付结果的质量。在开始使用 AI Coding 之前，是有必要系统学习一下 Prompt 技巧，对后续使用效果影响很大。

  1. 清晰的需求描述：如果一个需求不能描述出来，那么谨慎将任务交给 AI，因为你可能获取到的是惊喜，也可能是失望。

    在中文表达的时候可能存在二义性，可以中英文混合描述来表达需求。

  2. 使用结构化的方式表示 Prompt：如上所述的 COSTAR 框架或伪 XML 结构。

验证 AI 输出的注意事项

尽管优化后的提示词能显著提升 AI 输出质量，但 AI 生成的代码仍需人工验证。建议采取以下措施：

  • 代码审查：仔细检查 AI 生成的代码逻辑，特别是边界条件和异常处理。
  • 单元测试：为关键方法编写测试用例，验证功能正确性。
  • 安全审计：涉及认证、授权、加密等安全相关代码时，务必对照官方文档和安全最佳实践进行核查。
  • 渐进式采纳：先在非核心模块试用，积累经验后再扩展到关键业务。

Token 计算机制

不同 model 都有不同大小的上下文，上下文越大的模型自然能接受更大的提问信息。以 cursor 为例，任意一次聊天中，大致会产生如下的 token 计算：

  • 初始 token 组成：初始输入 = SystemPrompt + 用户问题 + Rules + 对话历史
  • 用户问题：我们输入的文字 + 主动添加的上下文（图片、项目目录、文件）
  • Rules：project rule + user rule + memories
  • 工具调用后的 Token 累积：cursor 接收用户信息后开始调用 tools 获取更为详细的信息，并为问题回答做准备：总 Token = 初始输入 + 所有工具调用结果

Claude Code 使用经验

Claude Code 是 Anthropic 推出的命令行工具，专为 Agentic Coding（代理式编程） 而生。与传统的代码补全插件（如 Copilot）不同，它不仅是辅助，更是一个能理解意图、自主规划、执行命令并闭环修复错误的"AI 结对程序员"。

其核心设计哲学是"刻意低级且不强加观点"——它不强制你遵循特定流程，而是提供最原始的模型访问权限，让你像搭积木一样构建自己的开发流。

Claude Code 本质上是由一个主模型搭配 15 个专用工具组成的智能体系统。其工具集主要包括：

  • 任务列表管理
  • 文件编辑功能
  • Bash 命令执行
  • 内容查找（Grep、Glob）
  • Web 搜索能力

夯实基础：自定义开发环境

权限与工具管理

默认情况下，Claude 执行敏感操作（如写文件、Git 提交）需要逐一授权。

白名单化：使用 /permissions 命令或编辑 .claude/settings.json，将 Edit、git commit 等高频且你信任的操作加入白名单，大幅减少交互中断，实现"沉浸式编程"。

GitHub 集成：强烈建议安装 gh CLI。Claude 能够直接调用它来创建 PR、读取 Issue 或处理 Code Review 评论。

常用指令

常用启动参数（启动前）

  • --dangerously-skip-permissions：允许 Claude Code 无需询问权限直接执行操作
  • --continue：继续上一次的工作会话
  • -p "指令"：无头模式，可在 CI/CD 或脚本中调用，如 claude -p "prompt" --output-format stream-json

常用交互指令（启动后）

  • /memory：直接编辑记忆，也可通过 # 命令追加记忆

  • /mcp：查看当前 MCP 工作状态

  • /compact：压缩上下文（当上下文达到 95% 时会自动启动，但建议主动管理）

  • /clean：清除上下文

  • /resume：查看历史记录

  • /permissions：管理权限白名单

  • 可以安装的扩展工具：ccusage：查看 Claude Code 的模型使用量

  • 实时查看消耗：ccusage blocks --live

使用建议

自定义斜杠命令

对于重复性的复杂任务，可以在 .claude/commands 目录中创建 Markdown 模板，将其固化为命令。

示例：创建一个 /fix-issue $ARGUMENTS 命令。

效果：输入 /fix-issue 1024，Claude 自动执行：查看 Issue -> 搜索代码 -> 编写修复 -> 运行测试 -> 提交 PR 的全套流程。

构建项目的 rules 和 workflow

通过 /init 指令，可以让 Claude Code 扫描整个工程，了解项目结构，并将结果写入 CLAUDE.md 文件。

CLAUDE.md 是 Claude Code 的记忆存储文件，执行任务时它会优先参考这里的内容。官方文档对此有详细介绍。 我们可以通过 /memory 直接编辑这个文件，也可以用 # 命令追加内容。

建议在 CLAUDE.md 中包含以下关键内容：

  1. AI 必须了解的核心信息：项目背景、技术栈、架构设计等
  2. 项目编码标准、流程等指导 AI 正确执行任务的行为准则

对于常用框架、开发语言规范甚至是工作流，可参考 GitHub 上的优质资源，如 awesome-cursor-rules-mdc，描述了各种语言、各种框架沉淀的 code conduct。https://github.com/sanjeed5/awesome-cursor-rules-mdc/blob/main/rules-mdc/python.mdc

如果单个 CLAUDE.md 信息量过大，可以将其分层分模块存储，按模块准备不同的 CLAUDE.md 文件。Claude 会从修改最深一级的记忆开始查找。

上下文管理策略

  • 定期使用 /compact 命令：上下文容易超出限制，需要主动压缩，否则模型可能遗忘早期重要信息；
  • 及时更新 README.md 和 CLAUDE.md，将其作为上下文存储的补充；
  • 任务结束后，使用 /clean 清除上下文，保持环境整洁；

考虑到 AI 上下文长度限制，建议尝试使用外部文件列表管理复杂任务。

先 plan 再 code（shift + tab）

当项目复杂度高、代码设计量大时，采用"计划先行"模式能显著提升效率：先让 AI 分析修改点，制定详细计划，然后再执行具体编码工作。 比较两种方案的差异：直接生成代码模式在运行时间长、代码量大的情况下，容易导致代码难以 review、方案错误难以回滚。而 plan 模式则允许先 review 方案，对齐期望，流程更加清晰。

使用 git worktree 多个 Claude Code 协同工作

为减少等待时间和提高工作效率，可以使用 git worktree 同时运行多个 Claude Code 实例处理不同任务。git worktree 是多检出的轻量替代方案，允许将同一仓库的多个分支检出到不同目录，每个 worktree 有独立的工作目录和文件，但共享历史和 reflog。

适用场景

  1. 多个功能特性同时迭代；
  2. 前后端协作：一个实例负责前端，另一个负责后端；

不要在同一工作目录同时启动多个 Claude Code 实例执行任务，这会导致文件冲突。建议限制 worktree 数量，避免人工切换上下文带来的认知负担。

有效利用 MCP

Claude Code 可以扩展一些工具，增加他的能力，但是不建议过多。

  • Context7 MCP：能够从源代码直接提取最新、特定版本的文档和代码示例，并将其直接放入 prompt 中。https://github.com/upstash/context7
  • Figma Dev Mode MCP：实现交互稿像素级还原，MasterGO 也有类似功能。注意点：Figma 的源码文件往往很长，建议逐个模块选中，让 AI 实现。https://help.figma.com/hc/en-us/articles/32132100833559-Guide-to-the-Dev-Mode-MCP-Server
  • Browse use MCP：配合工作流，完成前端研发后，让 Claude Code 查看浏览器中的实际表现

实战工作流模式

1. 探索-规划-执行模式

适用于需求模糊或复杂的场景。

  • Explore：让 Claude 阅读文件、日志或 URL，明确告诉它"先阅读，暂时不要写代码"。
  • Plan：使用 "think" 关键词触发深度思考模式，让它输出详细的实施计划。
  • Code：你确认计划无误后，再让它动手实现。
  • Verify：让它自己运行测试或检查代码。

2. 测试驱动开发 (TDD)

AI 编程中最稳健、幻觉最少的模式。

  • 写测试：让 Claude 基于需求编写测试用例（此时不写实现代码）。
  • 红灯：运行测试，确认失败（确保测试有效）。
  • 绿灯：让 Claude 编写代码，直到测试通过。
  • 重构：在测试的保护下，让 Claude 优化代码结构。

3. 视觉迭代模式

适用于前端开发。

  • 投喂：截图、拖拽设计图给 Claude。
  • 实现：让 Claude 写代码。
  • 反馈：截图运行结果发回给 Claude，让它对比差异并修正。

4. 代码库问答

新入职或接手"屎山"代码时的神器。

  • "日志系统是怎么工作的？"
  • "这个 Async 函数在第 134 行是做什么的？"

Claude 会自动 grep、读取文件并总结答案，大大降低认知负荷。

5. Git/GitHub 自动化

让 Claude 成为你的 Release Manager。

  • "分析刚才的修改，写一个 Commit Message。"
  • "查看 Issue #123，分析原因并修复，然后提一个 PR。"
  • "解决这个 Rebase 冲突。"

进阶技巧

多实例协作 (Multi-Claude)

不要让一个 Claude 处理所有事情：

  • AB 角色：一个写代码，另一个在独立终端中负责审查或写测试。
  • Git Worktrees：在不同的目录中检出不同分支，同时开启多个 Claude 实例处理不相关的 Feature，互不干扰。

无头模式 (Headless Mode)

将 Claude 集成到脚本或 CI/CD 中。

使用 claude -p "指令" 可以在 CI/CD 或脚本中调用 Claude。

场景：自动 Issue 分类、代码风格检查 (Linting)、大规模数据迁移脚本生成。

清单与草稿板

对于超长任务（如重构 100 个文件）：

  • 让 Claude 先生成一个 Markdown Checklist。
  • 每完成一项，让它勾选一项。这能有效防止上下文丢失导致的"甚至忘了自己在干嘛"。

路线纠偏与上下文管理

  • 及时中断：按 Esc 键中断 Claude 的错误尝试，保留上下文并重定向。
  • 历史回溯：双击 Esc 编辑之前的提示词，探索不同路径。
  • 保持专注：任务切换时使用 /clear 重置上下文，防止无关信息干扰 AI 判断。

Claude code 完整的工程化布局参考

tw93

Project/
├── CLAUDE.md
├── .claude/
│   ├── rules/
│   │   ├── core.md
│   │   ├── config.md
│   │   └── release.md
│   ├── skills/
│   │   ├── runtime-diagnosis/     # 统一收集日志、状态和依赖
│   │   ├── config-migration/      # 配置迁移回滚防污
│   │   ├── release-check/         # 发布前校验、smoke test
│   │   └── incident-triage/       # 线上故障分诊
│   ├── agents/
│   │   ├── reviewer.md
│   │   └── explorer.md
│   └── settings.json
└── docs/
    └── ai/
        ├── architecture.md
        └── release-runbook.md

通过开源Skill项目 tw93/claude-health，可以一键检查你的 Claude Code 配置现在处于什么状态。

npx skills add tw93/claude-health

阿里云

code_copilot/
├── rules/                      # Project Rules（始终生效）
│   ├── project-context.md      #   工程结构、分层、核心依赖
│   ├── coding-style.md         #   编码规范
│   ├── security.md             #   安全红线
│   └── domain-rules.md         #   业务领域约束
│
├── knowledge/                  # 领域知识（按需加载）
│   ├── index.md                #   知识索引（触发关键词 + 描述）
│   └── *.md                    #   详细知识文档
│
├── agents/                     # Agent 配置与提示词
│   ├── copilot-prompt.md       #   实际提示词（AI 动态加载，可迭代）
│   ├── spec-reviewer.md        #   Spec 合规审查 Agent
│   └── code-quality-reviewer.md #  代码质量审查 Agent
│
├── changes/                    # 变更管理
│   ├── templates/              #   模板（spec / tasks / log，可迭代）
│   └── <change-name>/          #   每个需求一个目录
│
└── archives/                   # 已完成变更的归档

OpenAI Harness

AGENTS.md
ARCHITECTURE.md
docs/
├── design-docs/
│   ├── index.md
│   ├── core-beliefs.md
│   └── ...
├── exec-plans/
│   ├── active/
│   ├── completed/
│   └── tech-debt-tracker.md
├── generated/
│   └── db-schema.md
├── product-specs/
│   ├── index.md
│   ├── new-user-onboarding.md
│   └── ...
├── references/
│   ├── design-system-reference-llms.txt
│   ├── nixpacks-llms.txt
│   ├── uv-llms.txt
│   └── ...
├── DESIGN.md
├── FRONTEND.md
├── PLANS.md
├── PRODUCT_SENSE.md
├── QUALITY_SCORE.md
├── RELIABILITY.md
└── SECURITY.md

Claude Code 好用插件/工具/Skill

  1. Rust Token Killer: https://github.com/rtk-ai/rtk, 节省成本
  2. Superpowers: https://github.com/obra/superpowers, 专为 AI 编程 Agent 设计的完整软件开发工作流框架
  3. OpenSpec: https://github.com/Fission-AI/OpenSpec, 规格驱动开发
  4. claude-health: https://github.com/tw93/claude-health, 配置健康检查 Skill
  5. UI UX Pro Max: https://github.com/nextlevelbuilder/ui-ux-pro-max-skill, 专业 UI/UX 设计智能 Skill
  6. Everything Claude Code: https://github.com/affaan-m/everything-claude-code, 定制的AI 开发框架
  7. sanyuan-skills: https://github.com/sanyuan0704/sanyuan-skills, 面向生产环境的 Claude Code 技能集合
  8. Web Access: https://github.com/eze-is/web-accesse, 让 Claude Code 能自主浏览网页、操作动态页面，并且跨会话积累站点经验
  9. skill-creator: https://github.com/anthropics/skills/tree/main/skills/skill-creator, 创建、修改和优化 Skill
  10. ccstatusline: https://github.com/sirmalloc/ccstatusline, 高度可定制的 Claude Code CLI 状态栏工具

装好之后在任意会话里跑 /health，它会自动识别项目复杂度，对 CLAUDE.md、rules、skills、hooks、allowedTools 和实际行为模式各跑一遍检查，输出一份优先级报告：需要立刻修 / 结构性问题 / 可以慢慢做。

参考文章

  1. 如何用AI Coding和Claude Code提升开发效率？看我的全流程复盘open in new window
  2. Claude Skills｜将 Agent 变为领域专家open in new window
  3. AI Coding后端开发实战：解锁AI辅助编程新范式open in new window
  4. AI Coding 长文分享：如何真正把工具用起来，从原理到实践open in new window
  5. AI coding 智能体设计open in new window
  6. 从传统编程转向大模型编程open in new window
  7. AI 编程效率提升指南：优化提示词，实现 AI 辅助编码高质量输出open in new window
  8. 你不知道的 Claude Code：架构、治理与工程实践open in new window
最近更新 2026/4/15 15:10:46
ON THIS PAGE