随着人工智能技术的迅速发展，AI Coding 工具已经成为我日常开发中提升效率的重要手段。前阵子参加了一个算法技术的 Hackathon 活动，全程使用 AI 进行写文档、出设计图、写代码，这次经历让我深刻体会到 AI 在加速开发流程中的巨大潜力。因此，我想分享一些自己在实际业务场景中使用 AI Coding（特别是 Claude Code）的经验和心得，希望能对大家有所启发。
文章共分为两部分。第一部分是关于 AI Coding 相关的经验，在这部分，我会详细介绍如何利用 AI Coding 工具优化开发流程；第二部分主要讲述使用 Claude Code 方面的经验，Claude Code 作为一款先进的 AI 编程助手，在此次实践中发挥了重要作用。
AI Coding
关于 Prompt 工程的一些心得
关于prompt engineering，这个话题差不多有两年了，这个词虽然已经过气，尤其最近被Karpathy的新词Context Engineering盖过，不过还是想强调一下prompt的重要性，prompt的质量直接关乎到AI交付结果的质量。然而实际很多开发同学，对prompt技巧掌握并不多，那让AI产出好代码的上限可能就不高了。
我们平时工作中拒绝接受一句话需求，同样，我们和AI沟通时候，应该尽量避免一句话需求，而是尝试将需求描述清楚。这和我们平时工作时候和同事沟通的情况也是一样的，如果表达不清楚，对方也是不知道要做什么，那交付的产物也是五花八门的。
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是很大。
我的两个经验：
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。举个例子，作为服务端同学，如果没法用语言描述前端这个输入框的视觉效果，那就没办法让AI实现前端代码
另外，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。
前后端接口对齐
根据服务端接口/v1/api/chat 的request schema 和 response schema，调整一下前端接口
2.使用结构化的方式表示Prompt
我比较喜欢使用COSTAR框架，他是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Context、Objective、Style、Tone、Audience、Response这几个部分，分别表示任务的背景、agent的目标、风格、回复预期、受众以及响应格式要求。我经常会将style、tone、audience做一些修改，加入一些对agent的要求。
另外，使用claude模型的时候，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：
<<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>>...
3.让AI协助将需求明确清楚，然后再做prompt engineering
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。
合理划分AI任务边界
在尝试修改生产级别的代码时，我一般会根据任务复杂度和自身能力范围合理分配 AI 的工作，按照我自己的能力范围划分为3个类别：
1. 能力范围内的任务：实现逻辑是清晰的，实现需要花很多时间让 AI 处理逻辑清晰但实现耗时的任务，可以显著提升效率。我把这类任务称为"搬砖提效"，常见的如CRUD，稍微复杂一点的像需求文档是非常清晰的，技术设计完善，性能、稳定性等方案也已经完善，剩下就是coding实现。
2. 略超出能力范围的任务：如果我通过调研、短期学习，就可以解决的，那我也会把这部分任务交给AI去解决。，比如我在一个项目环境里面需要调用阿里云 SDK ，他并没有提供javascript版本的签名，我需要详细文档阅读、参考python源码，改成js的版本。这种任务交给AI实现会非常方便，一方面他有能力去fetch官方的文档阅读，另外，对于一些流行的模型，比如Claude，他已经把主流的官方文档都已经训练过了，甚至不用阅读，就可以凭借内生的知识就可以帮我们补全。
3. 远超能力范围的任务：对于自己完全不熟悉的技术领域，不建议完全依赖 AI，除非这个代码仅仅只是用于demo用途。有个翻车例子是，我对React Native了解甚少，有个非常紧急的项目，期望用Claude Code生成一个React Native项目。AI前期代码写的很快，基本上半天就有一个可以跑在手机上的demo出来了。但是到了项目后期，想要加更多效果，就显得非常困难了。代码量越来越多，冗余代码问题、设计问题都藏在底下不得而知，效率变低，成本变高。最后还是回到使用熟悉的语言。
题外话: 越发觉得全栈技能，对于现在鞭笞AI干活显得非常重要。
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)。再举一个翻车例子，当时按照需求/技术文件让AI进行生成全部代码，然后调试，结果AI告诉我这不是一个react-native的项目，直接崩溃。
⏺ Bash(npx react-native run-ios) ⎿ Error: error iOS project folder not found. Are you sure this is a React Native project?.
当时没舍得从头来过，进入无休止的鞭笞、调试、PUA，成本很高，最后不得已，还是重头开发...
哥，将mobile目录删除掉吧，然后初始化一个React Native工程，使用这些中间件版本，核心技术栈是... balaba...
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。
因此，我对AI生产的态度其实有转变，从部分信任到不信任，类似于防御性编程，在系统代码行增加到2万行左右时，对他生产的方案或者代码，我会详细的Review，确保代码投入到生产是没有问题的。
防御性编程的好处是提高代码质量和可靠性，但也需要平衡，过度会导致效率低下。中间过程中，通常也需要多轮沟通，减少信息传递过程中存在理解差异。其次让 AI 编写单元测试 ，利用 AI 为生成的代码编写单元测试，这是一种验证代码质量的有效方法，需要注意的是，不要盲目信任单元测试，AI 也可能为了让测试通过而采取一些技巧，因此仍需人工审核测试质量。
有两个例子，一个是AI为了能通过单元测试，修改了技术方案，实际仅仅是安装包依赖问题。另外一个例子是，多轮修复bug不成功后，AI偷懒修改了测试代码，做了mock数据让单元测试通过了。
频繁提交到git仓库
AI 通常能给出详细的 git commit 信息，充分利用这一点。AI非常熟悉git指令，能了解代码仓库过去都修改了哪些内容。因此git history就是项目的另外一份README.md，抑或者是上下文。
另外，频繁提交有助于在问题出现时方便回滚。
有效管理上下文
最近 Karpathy 提出了"上下文工程"(Context Engineering)"的概念。虽然现代模型支持 128K 甚至 192K 的上下文长度，但在编码场景下，这些上下文往往仍然不足，因为模型需要阅读和理解大量code文件，一下子就把上下文塞得差不多了。
像Claude Code这类的工具，在上下文做了很多优化（后续会分享一些），但是上下文越长，AI 生成代码出现幻觉的概率就越高，后续修正过程会消耗更多资源。
因此，我会人工辅助管理上下文：
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。尝试过让AI写2个半小时的代码，一直在运行。但是对于结果，其实我们要花很多时间去做验证，review的成本会非常高。
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。之前尝试让AI生成上百个单元测试，执行过程有过半没成功。尝试在依据命令里面让AI逐一修复，AI执行到最后会告知执行完成，实际只修复了几个。原因就是上下文太长了，他不记得任务列表。
4. 利用外部记忆
针对上面这种情况，我的做法是，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。
也可以尝试使用 mem0 等 MCP 工具辅助管理上下文，我还没来得及尝试，有试过的同学可以分享一下。
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，我强烈建议先让AI针对代码写说明文档(README.md)，然后再让他参与到写代码 。
Claude Code使用经验分享
在使用Claude Code之前我是Cline的用户，最近深度使用Claude Code之后，发现Claude Code在多方面表现更为出色。它对上下文的管理更智能，能够精准定位修改区域，并且在命令行工具的使用上更加直观高效。因此，在开始使用Claude Code前，了解其claude code大概原理将有助于更好地发挥其潜力。
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
官方文档[1]提供了简要介绍，而更深入的原理将在后续文章中详细讲解。
https://docs.anthropic.com/en/docs/build-with-claude/overview
关于安装
快速安装，打开终端执行下面命令即可，安装过程需要用到api key，去心流网站[2]申请一个即可。
bash -c "$(curl -fsSL https://cloud.iflow.cn/claude-code/install.sh)"
后续如果要更改模型，修改~/.config/claude-code-proxy/config.json，通过配置兼容function call模型的base url和api key，就可以欢乐地使用上claude code了。如果需要图像相关的，需要有多模态模型能力。
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
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
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
掌握这些基础知识后，接下来的互动主要依靠自然语言交流。
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。
我建议在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[3]，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
以下是一个我追加的CLAUDE.md片段示例：
CLAUDE.md片段
1. **workflow**：处理Excel时使用pandas进行数据分析 2. **rules**：服务端接口必须包含success、code、msg、body字段 3. **sop**：通过读取README.md了解项目情况，提交git前请更新README.md
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。
计划先行的好处
计划先行的主要优点是允许人参与决策过程：
1. 纠正过度保守倾向：AI有时不敢删除现有代码，倾向于通过新建而非修改来实现功能，可能导致代码冗余。人参与可以判断并纠正这种行为。
2. 避免信息片面：AI容易基于首次找到的信息做决策，而忽视项目中的其他相关信息，或者使用已经废弃的代码。人可以提供更全面的视角。
3. 避免不必要的AI调用：有时规划后发现修改仅涉及少量代码，由人工直接完成更为高效，避免AI进行搜索、定位、修改和总结的耗时过程。
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；
示例
例如，一个Claude实例重构认证系统，另一个构建数据可视化组件，两个任务互不干扰，可以同时高效推进：
- 创建worktree：git worktree add -b feature-a ../project-feature-a；
- 在每个worktree目录中启动独立的Claude Code实例；
- 根据需要创建更多worktree（在新终端标签页重复 1-2 步骤，但不建议过多，以免人工切换上下文带来认知负担）；
重要提示：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[4]：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
- Figma Dev Mode MCP[5]：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。
- 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
最后
AI Coding 工具，尤其是 Claude Code，在正确使用的情况下，可以显著提升开发效率。以上是我个人的一些经验分享。
除此之外，Claude Code其实能做更多的事情。在原理简单介绍可以看出，Claude Code是一个非常通用的Agent，通过自然语言描述工作流程，接入MCP，是可以让Claude Code做很多事情。
下面是我的一些探索
写HTML研究报告[6]
计划8月15到8月24或25去西欧旅游，杭州出发亲子游，共9天。 地点选择Amsterdam、Cologne、Paris和Saarbrücken。 为这个行程做规划和设计，要求是： 1. 少走回头路，自驾旅游，亲子为主。 2.8月23号要在Saarbrücken参观比赛 3. Cologne预留3天 4.回城的飞机可以在巴黎或者德国，找价格低的航班。
结果html[6]
做PPT
你是一个PPT编写专家，你会根据用户的需求做一个漂亮美观的PPT 技术要求： - 使用reveal.js这个库 - 统一使用league这个theme - PPT大小为1280*900 - 统一的风格和色调 你需要这么做： - 根据PPT的内容，思考整个PPT的风格和色调，挑选一个合适的色调 - 思考每一页的内容，然后根据每一页内容思考他的布局 - 逐页生成每一页的内容 - 在所有页面生成完成之后，生成一个首页，和最后一页感谢页 用户的输入： PPT的内容在ppt.md文件，你需要去加载这个ppt.md文件 你的输出： 一个可以直接打开的html文件
处理Excel，进行数据分析，最后导出HTML[7]
我今年考了674分，想在山东上大学，物理这门课考的比较好，喜欢金融/计算机相关的专业，请帮我分析一下应该怎么填报高考志愿. 结果帮我输出成html
结果html[7]
参考链接：
[1]https://docs.anthropic.com/en/docs/build-with-claude/overview
[3]https://github.com/sanjeed5/awesome-cursor-rules-mdc/blob/main/rules-mdc/python.mdc
[4]https://github.com/upstash/context7
[5]https://help.figma.com/hc/en-us/articles/32132100833559-Guide-to-the-Dev-Mode-MCP-Server
[6]https://cloud.iflow.cn/sites/chuyou/index.html
[7]https://cloud.iflow.cn/sites/gaokao/index.html
来源 | 阿里云开发者公众号
作者 | 适融
