start_with_cc

这篇文章来自耶鲁大学金融学教授 Paul Goldsmith-Pinkham 的 Substack 专栏。他是经济学界最早深度使用 AI 编程工具的学者，日常工作中约 90% 的时间都在用 Claude Code。文章是他为 Princeton 的 Markus Academy 录制的系列视频配套文字稿，从零讲解 Claude Code 的安装、核心概念和使用技巧。 特别适合想上手 AI 编程工具但不知从哪儿开始的研究者和数据分析师。

关于原作者

Paul Goldsmith-Pinkham 是耶鲁大学管理学院（Yale School of Management）金融学副教授，美国国家经济研究局（NBER）研究员，在哈佛大学获得商业经济学博士学位，研究方向涵盖消费金融、应用计量经济学和社会网络。他最知名的论文 “Bartik Instruments: What, When, Why, and How” 发表在 American Economic Review 上，被引用超过 3400 次。在学术研究之外，他是经济学界推广 AI 编程工具的标杆人物。他的 Substack 专栏 “A Causal Affair” 拥有超过 3000 名订阅者。

以下为原文的中文翻译

过去一两年，我一直在研究工作中使用 AI 编程工具。不过去年秋天开始用 Claude Code 之后，一切明显加速了。到现在，你大概率已经听说过 agentic AI（智能体 AI），以及它正在怎样改变编程和研究。社交媒体上越来越多帖子说“我让 AI 在 30 分钟内写了一篇完整论文！”，感觉一切都在加速变化。

如果你做实证研究却还没用这些工具，说实话，你亏大了。我觉得你必须接触这些工具，有两个原因：

1. 你能做更多事，思考更多课题，学到新东西。 从研究想法到结果的距离缩短了很多。我并不觉得 AI 生成的原始想法有多惊艳，但想法的执行速度快了太多，效率也高了太多。那些枯燥的活——数据清洗、调试、格式转换、爬数据——都变得飞快。附带好处是，代码的可复现性也更容易保证了，因为整个过程都有电脑帮你记录。
2. 即使你对使用这些工具没兴趣，了解它们能做什么、不能做什么也非常重要。 了解这些工具的进展，至少能帮你分辨哪些是 AI 吹牛、哪些是真本事。作为审稿人、导师或合作者，你需要对现状有准确判断。

这些文章（和配套视频）面向三类人：a）对 AI 工具完全陌生的人；b）用过这些工具但不太规律的人；c）已经在用而且很兴奋，但想要更多思路和背景知识的人。

什么是 Claude Code？

Claude Code 是一个运行在终端里的 AI 助手。你用自然语言打字，它就能读取你的文件、写代码、执行脚本、跟你的整个项目交互。你可以把它想成一个非常能干的 RA（研究助理），只不过住在你的电脑里。

它和在浏览器里用 ChatGPT 或 Claude 的关键区别在于：Claude Code 能访问你的本地文件系统。它可以看到你的项目结构、打开你的数据集、修改你的脚本、运行你的代码、给你展示输出结果。

打个比方：在浏览器里用 AI 就像和一个很懂技术的人发邮件（或者在 Stack Overflow 上搜索和发帖）；用 Claude Code 就像这个人坐在你旁边，你俩边讨论，他边帮你写代码。你会发现效率飙升——等你能毫无愧疚地说“这看起来不错，你继续写，我忙别的去了！”就更爽了。

AI 编程工具的阶梯

我的好朋友 Kyle Jensen 有一个很好的比喻：AI 编程工具的使用像爬阶梯，每一级都是不同的境界。

• Level 0-1：你在浏览器里用 ChatGPT，把代码复制下来，粘贴到编辑器里，运行，报错了，再把错误信息复制回去，如此循环。或者你在 IDE 里用 GitHub Copilot 做行内自动补全——有帮助，但本质上还是个聊天界面。（Markus 这里问了 Microsoft Copilot——澄清一下：GitHub Copilot 是在 VS Code 里运行的编程工具，跟 Word 或 Bing 里的 Microsoft Copilot 不是一回事。虽然两个都是微软旗下的，底层都用了 LLM。）
• Level 2：你用上了一个智能体 IDE（agentic IDE）——比如 Cursor，它非常强调 AI 智能体。你告诉 LLM 做什么，它就在你屏幕上到处跑，编辑文件、读代码、查东西。它能自己分派任务。但它仍然在编辑器环境里运行。
• Level 3：专用编程智能体——Claude Code、OpenAI 的 Codex、Gemini CLI，以及开源替代品如 Open Code。这些在你的终端里运行，能访问你完整的计算环境。它们能思考任务、读文件、写文件、使用工具、执行代码、制定计划，比 IDE 内的智能体更加自主。
• Level 4：通过 MCP（Model Context Protocol，模型上下文协议）添加工具来编排和增强智能体——把它连接到数据库、API 和其他服务。
• Level 5：你创建一个容器（container），告诉智能体要做什么，然后让它自己跑一个半小时。它自主工作直到完成。社交媒体上说 AI “半小时写完一篇论文”，说的就是这个。它不一定更好，但需要更多前期准备。

我要强调一点：所有这些层级用的都是相同的底层 LLM。 底层模型就那一个——不管怎么包装，核心能力是一样的，区别只在于外面套了什么工具和架构。

安装

两种方式：

方式 1：npm（如果你已经装了 Node.js）

npm install -g @anthropic-ai/claude-code

方式 2：独立安装包

从 Claude Code 文档 下载。支持 Mac、Linux 和 Windows（通过 WSL）。

安装完成后，cd 到项目目录，输入 claude。接下来需要身份验证——订阅或 API key 按量付费都行。订阅有三个档位：Pro（$20/月）、Max（$100/月）和 Max 20x（$200/月）。我用的是 Max，因为我用得非常多。如果你已经在花$20/月用 Claude 的聊天功能，你已经能用 Claude Code 了——现在就可以试试。我建议入门选 $20 或$100 档。我觉得完全没必要上 $200 档。API（按量付费）也是一个选择，但订阅制有很大的价格优势（Anthropic 在补贴），对大多数人来说比按量付费划算。

有一点很重要：你的文件留在本地。对话通过 API 传输，但不会被持久化存储在 Anthropic 的服务器上。不过，如果 Claude 读取了你的文件，文件内容就会成为发送给 Anthropic 的上下文的一部分。这跟你把文件上传到任何聊天机器人网站是一样的。

所以如果你有高度敏感的研究数据，一定要隔离开。IRB 数据、PII（个人身份信息）、任何应该放在 HIPAA 合规服务器上的东西——别让 Claude 碰。也尽量不要粘贴 API key 或密码；Claude 经常会提醒你，但最好一开始就别这么做。我的经验法则是：如果你敢把数据放在 Dropbox 上，那放到 Claude 面前风险差不多。不会放 Dropbox 上的，也别放到 Claude 面前。 在后续文章中，我会讨论容器（container）和沙箱（sandbox）方案来处理更敏感的工作流。

上下文窗口：它是什么，为什么重要？

要高效使用这些工具，你需要对底层发生的事情有一个基本的心智模型。了解得越多越好，但现在我主要想解释上下文窗口这个概念。

当你给 Claude（或任何其他 LLM）发消息时，你并不是像跟人说话那样在“对话”。本质上更像是来回传递一份 非常长的文档。每次你发消息，整个历史记录——你的提示词、Claude 的回复、它读过的每个文件、调用过的每个工具、每段代码输出——都会被打包成一个大输入发送出去。 模型读完全部内容，生成回复，然后回复被追加进去。下一轮再把整个东西发一遍。如果你之前在某个不相关的问题上兜了 10 分钟圈子，那些内容全都还在里面，每一轮都会被重新发送。

这个包就是 上下文窗口（context window），它有一个固定的大小限制，以 token（大约相当于 3/4 个英文单词）为单位。Claude 目前的限制大约是 200,000 个 token。听起来很多。但填满的速度比你想的快。

上面这张图展示了一次“聊天”在底层的真实面貌。你通常只看到两样东西——你的提示和模型的回复——但在中间，还有系统提示词（Anthropic 的指令）、开发者消息（工具定义）、模型的内部推理（“thinking”）、工具调用（网页搜索、文件读取、代码执行）和工具返回结果。所有这些都在上下文窗口里，都占用你的配额。

这为什么重要？因为 AI 编程的效果大致遵循这样一个规律：

随着上下文增长——读了更多文件、更多对话历史、更多代码输出——性能会下降。模型要追踪的东西太多，就会开始跟丢。这是使用 AI 编程工具最需要理解的一件事。

触及上限时会怎样：压缩（Compaction）

当你的对话填满了上下文窗口，Claude Code 会 自动压缩（auto-compact）——它把对话历史总结成一个压缩版本，然后用这个摘要加上系统指令重新开始。Markus 把这比作“睡觉时的记忆整理”——虽然不完全准确，但直觉上差不多。

这方法能用，但模型可能会忘记你三步之前做的某个具体决定，或者丢失你早期提到的某个约束条件。

更好的做法是主动压缩，而不是等上下文溢出。你可以在 Claude Code 里输入 /compact 来手动触发，甚至可以引导它记住什么——比如 /compact remember all the things related to the nonlinear programming we just studied （记住所有和我们刚学的非线性规划相关的东西），这会把摘要导向你真正关心的内容。

核心思路是：定期让 Claude 把进度和计划写到文件里，然后开一个新会话来读取这些文件。

比如，数据分析做到一半，你可以说：“把我们到目前为止做了什么以及还剩什么要做，写到一个叫 progress.md 的文件里。”然后开一个新的 Claude Code 会话，说：“读 progress.md，从上次的地方继续。”新会话一身轻松——上下文额度全满——但该知道的信息都从文件里读进来了。

这个习惯值得尽早养成。几个实际建议。不过 Claude Opus 4.6 出来之后，这些建议没那么紧迫了——它会自动帮你做很多这种事，性能退化也没那么快了。

• 长会话会退化。 如果你已经来回对话了 20 多轮，产生了大量代码输出，考虑重新开始。模型在第 30 轮的表现明显不如第 3 轮。
• 把状态写到文件里。 别只把关键信息留在对话里。如果 Claude 做了一个重要的设计决策，让它写到 README 或计划文件里。文件会持久存在，对话上下文不会。
• 把工作拆成小块。 不要搞马拉松式的单一会话，做有明确目标的 5-10 轮专注会话。“这次我们就把数据清洗脚本跑通。”然后重新开始做图表。

终端设置：为什么重要

你 可以 在默认终端里跑 Claude Code。但既然你会花大量时间在这里，花 15 分钟搞个更好的设置是值得的。我推荐两个工具：

Ghostty

Ghostty 是一个现代的、GPU 加速的终端。实际体验就是：快、字体渲染清晰、处理大量代码输出不卡。安装方法：

brew install ghostty

Zellij

Zellij 是一个终端复用器（terminal multiplexer）——类似 tmux，但好用得多。杀手级功能：分屏。左边跑 Claude Code，右边看你的文件。当你在迭代分析时，能同时看到 Claude 的代码和输出结果，非常有用。

brew install zellij

一些配置技巧：

• 快捷键：在 Zellij 里，Ctrl+p 然后按 d 可以分屏。Alt+方向键 在窗格之间切换。

Oh My Zsh

既然在设置终端，值得花五分钟搞一下 shell。如果你用 Mac，你大概已经在用 zsh（从 macOS Catalina 开始就是默认的了）。Oh My Zsh 是一个框架，能让 zsh 好用很多。安装方法：

sh -c "$(curl -fsSL https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.sh)"

为什么要折腾？几个和我们工作流相关的理由：

• 更好的自动补全。 Tab 键补全文件路径、git 命令和 Python 环境变得顺滑很多。当你在 Claude 生成的脚本之间跳来跳去时，快速导航很重要。
• 终端提示符里的 Git 集成。 Oh My Zsh 会在终端提示符里直接显示当前的 git 分支和状态。我们后面会大量用 git 来追踪 Claude 的改动，一眼看到有没有未提交的工作很有用。
• 插件生态。 z 插件会学习你最常访问的目录，让你用模糊匹配跳转（z markus 就能跳到 ~/repos/markus-ai-talk）。virtualenv 插件会显示当前激活的 Python 环境。这些小改善会积少成多。

你不需要深度定制——默认设置已经比裸 zsh 好很多了。选个主题（我用的是一个简单主题，显示目录和 git 分支），启用几个插件（git、z、virtualenv），然后就可以了。

Claude Code vs. Cowork

这里要提一下 Cowork，它是一个基于网页的替代方案，下载 Claude 桌面应用时会一起安装（和常规聊天界面并列）。快速对比：

Cowork 的沙箱机制值得了解一下。它限制了智能体能访问的 IP 地址——它需要向 Anthropic 请求 LLM 响应，但上网能力很受限。你可以在桌面应用里调整权限、放宽网络限制。但默认状态下，它远没有 Claude Code 那么自主。这有好处——风险更低——但 不要因为用了 Cowork 觉得受限，就得出“AI 没那么厉害”的结论。这个结论下早了——你只是给 LLM 加了一堆限制。

我日常工作约 90% 用 Claude Code。我需要完整地访问我的文件、git 和终端工具。但 Cowork 很适合快速原型验证或问问题。

基本交互循环

用 Claude Code 实际是什么样的？你导航到项目目录，启动一个会话，然后开始对话：

> What files are in this project? Summarize the structure.

Claude 读取目录，给你一个通俗的概览。当你接手合作者的代码时，这已经很有用了。

> Read clean_data.py and explain what it does, step by step.

它打开文件，逐步讲解逻辑，标出潜在问题。

> Load data/employment.csv, show the first few rows, and compute summary statistics.

Claude 写一个脚本，运行它，在终端里给你看输出——全部搞定。

这就是循环：描述你想要什么，Claude 写代码并执行，你迭代。 习惯了之后会觉得出奇地自然。

入门技巧

几个我学到的经验：

1. 要具体。 “分析这个数据” → 不好。“加载 employment.csv，按行业计算月度增长率，画一个 BLS 风格的时间序列图” → 好。
2. 迭代和备份，管理好你的上下文窗口。 如果输出不太对，直接说。“把图例放大，移到左上角”是完全正常的后续指令。你不需要重新说明所有东西。但是，不要跟 LLM 争论。或者，按 ESC 回退重新运行命令（这会把上下文重置到之前的状态）。
3. 尽早纠正。 如果 Claude 走偏了，打断它。一句“其实，用 R 而不是 Python”能省很多时间。
4. 信任但要验证。 这对研究代码尤其重要。Claude 很强，但也会犯错——特别是在统计方法的边界情况上。一定要对照你的预期检查输出。就像你跟 RA 合作一样：RA 能出结果，但你还是要核实。归根结底，论文上写的是你的名字。

Markus 问了一个值得澄清的问题：如果你想让 Claude 写 R 或 Python 代码并运行，你需要在自己的电脑上装好 R 或 Python。代码是在你本地机器上执行的——Claude 不是在云端某个地方跑。如果你没装 R，你可以让 Claude 改用 Python，或者让它帮你安装 R。但实际的计算发生在你自己的硬件上。这就是 Claude Code 相对于沙箱方案的一个好处——你机器上已有的一切，它都能用。

原文信息

• 原文标题：Getting Started with Claude Code: A Researcher's Setup Guide
• 作者：Paul Goldsmith-Pinkham
• 发布日期：2026 年 3 月 29 日
• 原文链接：https://paulgp.substack.com/p/getting-started-with-claude-code
• 配套视频：Markus Academy 系列视频第 1 集
• 版权声明：原文版权归 Paul Goldsmith-Pinkham 所有，本译文仅供学习交流，如需转载请联系原作者获取授权。