高效使用 Claude Code 心得
---
目录展开 ↓
- 核心理念：老板思维
- 三个核心心得
- 1. 先探索，后执行
- 2. 宏观指挥，微观委托
- 3. 用 [[Claude Code Skills]] 沉淀工作流
- Skill 与 Command 的区别
- 三者架构对比：claude.md vs Skills vs User Commands
- 进阶思维：从工具到知识生产系统
- 4. AI 不是牛马，是知识共创伙伴
- 5. 构建自我迭代升级的系统
- 进阶心得：来自 Claude Cookbooks 的启示
- 6. Context Engineering：新的核心能力
- 7. 五大 Agentic 工作流模式
- 8. CLAUDE.md 最佳实践
- 9. 用 Hooks 实现质量门禁
- 10. Extended Thinking 深度思考
- 11. 知识生产与自我迭代
- 实践建议
- Related
- Source
created: 2025-12-21 updated: 2026-01-03 tags:
- type/idea
- status/active
- AI/methodology
- AI/agents aliases: [AI使用心得, Claude Code方法论, Claude使用指南]
核心理念：老板思维
把自己定位为老板，把AI当作一个强大的执行团队。老板不需要知道每件事怎么做，而是：
- 思考和设置宏观流程
- 指挥AI系统收集信息
- 指挥AI深度思考、搜索、制定具体计划
- 把控方向，验收结果
三个核心心得
1. 先探索，后执行
原则：先做信息/相关资料搜集到工作空间，然后探索、plan，比直接要AI执行更好。
具体做法：
- 让AI先搜索、阅读相关文件和资料
- 使用
plan模式让AI制定执行计划 - 审核计划后再让AI执行
- 避免AI在信息不足时盲目行动
好处：减少返工，提高执行准确率，保持人对流程的掌控。
2. 宏观指挥，微观委托
原则：老板负责流程设计和决策，AI负责信息收集和具体执行。
人（老板）的职责：
- 定义任务目标和成功标准
- 设计宏观工作流程
- 做关键决策和方向判断
- 验收和反馈
AI（执行团队）的职责：
- 系统收集信息
- 深度思考和分析
- 制定具体计划和步骤
- 执行具体操作
3. 用 [[Claude Code Skills]] 沉淀工作流
原则：任何重复性任务，只在第一次做时进行人工干预和反馈，然后将经验制作成 Skill 实现自动化。
什么是 Skill：
- 模块化的功能扩展，包含
SKILL.md指令文件和可选支持文件 - Claude 会根据请求自动识别并使用相关 Skill
- 可以是个人的（
~/.claude/skills/）或项目共享的（.claude/skills/）
Skill 沉淀流程：
- 第一次执行：人工介入，提供反馈和修正
- 总结经验：让AI分析这次交互中的关键决策点和反馈
- 制作 Skill：将经验、流程、最佳实践写入
SKILL.md - 后续自动化：同类任务自动触发 Skill，减少人工干预
Skill 创建要点：
description字段最关键，需明确说明功能和触发场景- 保持专注，一个 Skill 解决一个问题
- 包含具体的触发词和使用示例
Skill 与 Command 的区别
核心洞见：Skill 是 Skill，Command 不是用来记录 Skill 的，而是用来通过组合不同 Skills 来联合实现特定或复杂的场景任务。
| 特性 | Skill（技能） | Command（指令） |
|---|---|---|
| 本质 | 独立的能力模块 | 任务编排器 |
| 触发 | Claude 自动识别并应用 | 用户显式调用（/command） |
| 结构 | 目录 + SKILL.md + 支持文件 | 单个 .md 文件 |
| 用途 | 封装专业知识和能力 | 组合多个能力完成复杂任务 |
| 类比 | 员工的专业技能 | 老板下达的项目指令 |
设计哲学：
- Skill：回答“我能做什么”——是一种能力的封装
- Command：回答“现在做这件事”——是对能力的编排和调用
实践建议：
- 先沉淀通用 Skills（如：代码审查、文档格式化、研究笔记处理）
- 再用 Commands 组合这些 Skills 来实现复杂工作流（如：
/review-and-publish组合审查 + 格式化 + 发布）
三者架构对比：claude.md vs Skills vs User Commands
从两个核心维度理解 Claude Code 的三层配置架构：
| 维度 | claude.md | Skills | User Commands |
|---|---|---|---|
| 自动化程度 | 最高（自动应用） | 中等（自动识别触发） | 最低（需手动激活） |
| Context 消耗 | 最大（每次交互都加载） | 中等 | 最小（仅激活时注入） |
设计取舍：
- claude.md：适合全局性、每次都需要的指令（如项目规范、安全规则）
- Skills：适合特定场景触发的专业能力（如代码审查、文档处理）
- User Commands：适合低频但复杂的任务编排（如
/deploy、/review-and-publish）
优化建议：
- 避免在 claude.md 中放入低频使用的指令，以节省 context window
- 将常用但场景化的能力封装为 Skill，实现“按需加载”
- 将复杂工作流定义为 Command，仅在需要时显式调用
进阶思维：从工具到知识生产系统
4. AI 不是牛马，是知识共创伙伴
原则：不要只把 AI 当作执行任务的工具，而要利用它们构建和生产高质量新知识。
转变思维：
- ❌ 旧思维：给 AI 任务 → AI 完成 → 交付结果
- ✅ 新思维：与 AI 共同探索 → 产生新见解 → 沉淀为可复用知识
实践方式：
- 让 AI 帮助发现领域内的新联系和模式
- 将交互中产生的洞见记录为笔记和知识库
- 用 AI 辅助文献综述、理论构建、方法论创新
5. 构建自我迭代升级的系统
原则：实现一个能自动自我迭代升级的系统，让每次使用都在改进系统本身。
核心机制：
- 经验捕获：每次交互的反馈和修正被记录
- 知识沉淀：成功模式被提炼为 Skill 或工作流
- 系统进化：新学到的规则自动影响后续行为
在本 Vault 中的实现：
系统配置/lessons_learned.md记录学习到的偏好和教训- Skill 库持续扩展，覆盖更多场景
CLAUDE.md根据实践不断更新优化
进阶心得：来自 Claude Cookbooks 的启示
基于对 Anthropic Claude Cookbooks 及官方工程博客的深度探索
6. Context Engineering：新的核心能力
原则：上下文工程已取代简单的 prompt engineering 成为 AI 使用的核心能力。
“Find the smallest set of high-signal tokens that maximize the likelihood of your desired outcome.”
三大策略：
| 策略 | 说明 | 效果 |
|---|---|---|
| 压缩（Compaction） | 接近上下文限制时总结对话，以压缩摘要重新初始化 | token 消耗减少 84% |
| 结构化笔记 | 持久信息保存在上下文窗口之外（NOTES.md、TODO.txt） | 性能提升 39% |
| 子代理架构 | 主代理仅接收压缩摘要，子代理独立上下文 | 信息隔离 + 并行执行 |
核心洞见：上下文不是越大越好——每个 token 都在争夺模型的注意力，信号会被噪声淹没。
7. 五大 Agentic 工作流模式
来自 Anthropic Building Effective Agents：
| 模式 | 适用场景 | 示例 |
|---|---|---|
| Prompt Chaining | 可分解为固定子任务 | 论文编辑管道、讲义生成 |
| Routing | 需智能分流 | 简单问题→Haiku，复杂→Opus |
| Parallelization | 可独立并行处理 | 多维度文献分析、批量审核 |
| Orchestrator-Workers | 子任务需动态决定 | 多角度研究综述 |
| Evaluator-Optimizer | 需迭代精炼 | 论文段落优化、代码质量改进 |
设计原则：从简单开始，只在必要时增加复杂性。最成功的实现往往不是复杂框架，而是简单、可组合的模式。
8. CLAUDE.md 最佳实践
核心原则：
- 极简主义：目标 <300 行，理想 <60 行
- 普遍适用：只包含每次会话都需要的指令
- 用 linter 而非 LLM：格式规则交给工具，不要让 AI 做 linter 的事
- 具体明确：“使用 2 空格缩进” 优于 “格式化代码”
- 定期维护：随项目演进不断精简
关键洞见：LLM 对指令的注意力集中在提示词的两端。指令越多，遵循质量越均匀下降。Claude Code 系统提示词已包含约 50 条指令。
9. 用 Hooks 实现质量门禁
主要类型：
| Hook | 时机 | 用途示例 |
|---|---|---|
PreToolUse | 工具执行前 | 阻止危险命令、强制测试 |
PostToolUse | 工具执行后 | 自动格式化、运行 linter |
Stop | 代理完成时 | 最终验证、清理 |
退出码语义：
0= 允许/OK2= 阻止（仅 PreToolUse），stderr 信息传递给 Claude
10. Extended Thinking 深度思考
适用场景：复杂推理、多步骤分析、学术研究
最佳实践：
- 从最小 1024 token 预算开始，根据复杂度增加
- 高层指令优于逐步处方式指导
- 使用
<thinking>或<scratchpad>标签引导思考 - 如需干净输出，指示 Claude 不要在输出中重复思考过程
效果：在 GPQA Diamond 基准上达到 84.8%（标准模式 68%）
11. 知识生产与自我迭代
Memory 持久化模式：
- 跨会话积累知识
- 连接不同研究线程的洞见
- 维护书目和来源追踪
Citations API（学术工作）：
- 自动提取来源位置（PDF 页码、文本字符索引）
- 结构化引用格式
- 召回准确率提升 15%
自我改进系统：
- 每次交互的反馈被记录
- 成功模式被提炼为 Skill
- 错误“向上演化”——随时间变得越来越精细
实践建议
- 建立自己的 Skill 库，持续迭代优化
- 对于新类型任务，预留第一次的“学习时间”
- 定期回顾哪些重复工作可以 Skill 化
- 善用
claude --debug调试 Skill 加载问题 - 使用
/compact命令触发上下文压缩 - 用
--resume恢复上次会话 - 复杂任务先让 Claude 读取相关文件并制定计划，再执行
Related
- [[Claude Code Skills]]
- [[AI 辅助工作流]]
- [[Agentic_Workflows_与任务编排模式]]
- [[Claude_Cookbooks深度探索报告]]
- [[Claude Code交互模式反思]]
- [[Claude Code使用优化建议]]
- [[Claude Code进阶研究方向]]
Source
- 个人实践总结，2025-12
- Anthropic Claude Cookbooks
- Building Effective Agents
- Effective Context Engineering
- Claude Code Best Practices
- Advanced Tool Use
- Multi-Agent Research System