Claude Code之父揭秘：如何把Claude变成你的“虚拟开发小队”？

原文：Boris Cherny，Claude Code开发者

编译&整理：小互AI

你可能听过 Claude Code，甚至用过它来写点代码、改点文档。但你有没有想过：如果 AI 不是“临时用一下的工具”，而是你开发流程中的正式成员，甚至是一个自动化协作系统——它会怎样改变你的工作方式？

Boris Cherny 作为 Claude Code 之父，他写了一篇非常详细的推文，分享了自己如何高效使用这款工具，以及他和团队在实际工作中如何将 Claude 深度集成进整个工程流程。

这篇文章将对他的经验做一次系统的整理和通俗的解读。

Boris 是怎么让 AI 成为他工作流中的自动化伙伴的？

核心要点：

他介绍了自己的工作流程，包括：

怎么用 Claude：

开很多个 Claude 一起跑：在终端和网页上开 5~10 个会话并行处理任务，还用手机 Claude。

不瞎改默认设置：Claude 开箱即用，没必要复杂配置。

用最强的模型（Opus 4.5）：虽然慢一点，但更聪明，用起来更省事。

写代码前先规划（Plan 模式）：让 Claude 帮你想清楚再写，成功率高。

生成代码后用工具检查格式，避免出错。

怎么让 Claude 越用越聪明：

团队维护一个“知识库”：每当 Claude 写错东西，就把经验加进去，下次就不会再犯。

写 PR 时自动训练 Claude：让 Claude 看 PR，学会新的用法或规范。

自己常用的命令变成 slash 命令，Claude 可以自动调用，节省重复劳动。

用“子代理”处理一些固定任务，比如代码简化、功能验证等。

权限怎么管：

不随便跳过权限，而是设置安全的指令自动通过。

多设备（网页、终端、手机）同步 Claude 工作流程。

最重要的一点：

一定要给 Claude 提供“验证机制”，让它可以确认自己写的东西是不是对的。

比如 Claude 自动跑测试、打开浏览器测试网页、检查功能是否生效。

Claude Code 是“搭子”，不是“工具”

Boris 首先传达了一个核心理念：Claude Code 不是一个静态工具，而是一个可以与你配合、不断学习、共同成长的智能搭档。

它不需要太多复杂配置，开箱即用就很强。但如果你愿意投入时间去构建更好的使用方式，它能带来的效率提升是成倍的。

模型选择：选最聪明的，不选最快的

Boris 使用 Claude 的旗舰模型 Opus 4.5 + 思维模式（“with thinking”）进行所有开发任务。

虽然这个模型比 Sonnet 更大更慢，但：

它理解能力更强
用工具能力更好
不需要反复引导，少来回交流
总体上比用快模型还更节省时间
启示：真正的生产效率，不在于执行速度，而在于“少出错、少返工、少重复解释”。

1.Plan 模式：用 AI 写代码，先别急着让它“写”

当我们打开 Claude，很多人会直觉地输入“帮我写个接口”、“重构下这段代码”…… Claude 通常也会“写一些”，但往往偏了方向、遗漏逻辑，甚至理解错了需求。

而 Boris 的第一步从不让 Claude 写代码。他用的是Plan 模式—— 先和 Claude 一起制定实现思路，再进入执行阶段。

他是怎么做的？

在开启一个 PR 时，Boris 先不让 Claude 直接写代码，而是使用 Plan 模式：

1.描述目标

2.和 Claude 一起制定计划

3.确认每个步骤

4.才让 Claude 动手写

每当需要实现一个新功能，比如“为某个 API 添加限流”，他会和 Claude 一步步确认：

是用中间件实现，还是逻辑内嵌？
限流配置是否需要支持动态修改？
是否需要日志？失败时返回什么？

这个“计划协商”过程，类似两个人一起画出“施工图纸”。

一旦 Claude 理解清楚目标，Boris 就会打开“自动接受编辑”模式，Claude 可以直接修改代码、提交 PR，有时甚至不再需要人工确认。

“Claude 的代码质量，取决于你们是否在写代码前就达成一致。” —— Boris

启示：与其反复修补 Claude 的错误，不如一开始就一起把路线图画清楚。

小结

Plan 模式不是浪费时间，而是用前置协商换稳定执行。AI 再强，也需要“你说清楚”。

2. 多 Claude 并行：不是一个 AI，而是一支虚拟开发小队

Boris 并不只用一个 Claude。他的日常是这样的：

终端里开 5 个本地 Claude，会话分配给不同任务（比如重构、写测试、调 bug）
浏览器中再开 5–10 个 Claude，与本地并行
手机上用 Claude iOS app，随时发起任务

每个 Claude 实例，就像是一个“专属助手”：有的负责写代码，有的负责文档补全，有的长期挂后台执行测试任务。

他甚至设置了系统通知，当 Claude 等待输入时，他能第一时间被提醒。

为什么这么做？

Claude 的上下文是局部的，不适合“一个窗口做所有事”。Boris 把 Claude 拆分为多个角色并行处理，一方面减少等待时间，一方面减少“干扰记忆”。

他还通过系统通知提醒自己：“Claude 4 在等你回复”、“Claude 1 完成测试了”，像管理一个多线程系统一样管理这些 AI。

类比理解

你可以想象自己身边坐着五个聪明实习生，每人负责一个任务。你不用每件事做到底，只要在关键时刻“切一下人”，保持任务流畅推进。

启示：将 Claude 当作多个“虚拟助手”，分别承担不同任务，可以显著减少等待时间和上下文切换成本。

3. Slash 命令：把你每天做的事变成 Claude 的快捷指令

有些工作流，我们每天会做几十次：

修改代码 → commit → push → 创建 PR
检查构建状态 → 通知团队 → 更新 issue
把改动同步到 Web 和本地多个会话
Boris不希望每次都提示 Claude：“请你先 commit，再 push，然后再建 PR...”

他把这些操作封装成 Slash 命令，比如：

/commit-push-pr

这些命令背后是 Bash 脚本逻辑，存放在 .claude/commands/ 文件夹，加入 Git 管理，团队成员都可以使用。

Claude 怎么用这些命令？

当 Claude 遇到这个命令，它不只是“执行指令”，而是知道这个命令代表的工作流，并能自动执行中间步骤、预填参数、避免反复沟通。

理解重点

Slash 命令就像你给 Claude 安装的“自动按钮”。你训练它理解一个任务流程，之后它就能一键执行。

“不只是我能用命令节省时间，Claude 也能。” —— Boris

启示：不要每次都重复输入提示，将高频任务抽象成命令，你和 Claude 的配合才能“自动化”。

4. 团队知识库：Claude 不靠 Prompt 学习，而靠团队维护的知识基因

Boris 的团队维护了一个 .claude 知识库，并加入 Git 管理。

它就像是给 Claude 用的“内部维基百科”，记录了：

什么写法是对的
什么是团队约定的最佳实践
遇到哪些问题时，该怎么修正

Claude 会自动参考这个知识库来理解上下文、判断代码风格。

当 Claude 做错事时怎么办？

每当 Claude 出现误解或写错逻辑，就将教训添加进去。

每个团队维护自己的版本。

所有人协同编辑，Claude 会实时参考这份知识库做判断。

举个例子：

如果 Claude 老是把分页逻辑写错，只需要团队将正确的分页标准写进知识库，后续每个使用者都能自动受益。

Boris 的做法：不骂它、不关掉，而是“训练一次”：

这段代码我们不这样写，加进知识库

下次 Claude 就不会再犯这个错误。

更重要的是，这套机制不是 Boris 一人维护，而是整个团队每周都贡献、修改。

启示：用 AI，不是每个人单打独斗，而是构建一支“集体记忆”的系统。

5. 自动学习机制：PR 本身就是 Claude 的“训练数据”

Boris 在做代码审查时，常常在 PR 上 @Claude，比如：

@.claude 将这个函数写法加进知识库

配合 GitHub Action，Claude 会自动学习这段改动背后的意图，并更新内部知识。

这类似于“持续训练 Claude”，每次评审不仅合代码，也提升了 AI 能力。

这不再是“后期维护”，而是将 AI 的学习机制融合进日常协作中。

团队用 PR 提升代码质量，Claude 同步提升知识水平。

启示：PR 不只是代码审查流程，也是 AI 工具自我进化的机会。

6. 子代理（Subagents）：让 Claude 模块化执行复杂任务

除了主任务流程，Boris 还定义了一些子代理（Subagents）处理常见辅助任务。

Subagents 是一些自动运行的模块，比如：

code-simplifier：在 Claude 写完代码后自动精简结构
verify-app：跑完整测试，验证新代码是否可用
log-analyzer：分析错误日志，快速定位问题

这些子代理像插件一样，自动接入 Claude 的工作流，自动协作运行，不需要重复提示。

启示：子代理就是 Claude 的“团队成员”，把 Claude 从一个助手升级为“项目指挥官”。

Claude 不只是一个人，而是你可以带团队的小总管。

7. 补充段落一：PostToolUse Hook —— 代码格式的最后守门员

在一个团队里，让每个人写出统一风格的代码并不容易。Claude 虽然生成能力强，但难免会有缩进差一点、空行多一点这类细节瑕疵。

Boris 的做法是设置一个PostToolUse Hook——

简单理解，这就是 Claude 在“完成任务”之后自动调用的“后处理钩子”。

它的作用包括：

自动修复代码格式
补充遗漏注释
处理 lint 错误，避免 CI 挂掉

这一步通常不复杂，但很关键。就像文章写完后再跑一遍 Grammarly，这样交出去的作品才稳定、整洁。

对 AI 工具来说，好用的关键往往不在生成力，而在收尾能力。

8. 权限管理：预授权而非跳过

Boris 明确表示他不使用 --dangerously-skip-permissions —— 这是 Claude Code 的一个参数，可以跳过所有执行命令时的权限提示。

听起来方便，但也可能危险，比如误删文件、跑错脚本等。

他的替代方案是：

1.使用 /permissions 命令来显式声明哪些命令是可信的

2.将这些权限配置写入 .claude/settings.json

3.让整个团队共享这些安全设定

这就像是为 Claude 预先开了一批“白名单”操作，比如：

"preApprovedCommands": [

"git commit",

"npm run build",

"pytest"

]

Claude 遇到这些操作就直接执行，无需每次打断。

这套权限机制设计得更像一个团队操作系统，而不是单机工具。他用 /permissions 命令将常用、安全的 bash 命令预先授权，这些配置保存在 .claude/settings.json 中，团队共享。

启示：AI 自动化并不意味着失控。将安全策略纳入自动化流程本身，才是真正的工程化。

9. 多工具联动：Claude = 多能机器人

Boris 不是只让 Claude 在本地写代码。他配置了 Claude 能通过 MCP（一个中控服务模块）访问多个核心平台：

自动发 Slack 通知（比如构建结果）
查询 BigQuery 数据（比如用户行为指标）
抓取 Sentry 日志（比如线上异常追踪）

如何实现？

MCP 的配置保存在 .mcp.json

Claude 在运行时会读取配置，自主执行跨平台任务

整个团队共享一套配置

所有这些都是通过 MCP（Claude 的中控系统）与 Claude 集成完成的，配置保存在 .mcp.json 中。

Claude 就像一个机器人助手，能帮你：

“写完代码 → 提交 PR → 查看效果 → 通知 QA → 报告日志”。

这已经不是传统意义上的 AI 工具，而是工程系统的神经中枢。

启示：不要让 AI 只在“编辑器里”工作，

它可以成为你整个系统生态中的调度者。

10. 长任务异步处理：后台 agent + 插件 + hook

在真实项目中，Claude 有时要处理长任务，比如：

构建 + 测试 + 部署
生成报告 + 发邮件
数据迁移脚本运行中

Boris 的处理方式非常工程化：

三种方式处理长任务：

1.Claude 在完成后，用后台 Agent 验证结果

2.使用 Stop Hook，任务结束时自动触发后续动作

3.使用 ralph-wiggum 插件（由 @GeoffreyHuntley 提出）来管理长流程状态

在这些场景中，Boris 会使用：

--permission-mode=dontAsk

或者将任务放入沙箱中运行，避免因为权限提示而打断整个流程。

Claude 不是“时时盯着”，而是你可以放心托管的协作者。

启示：AI 工具不仅适合短平快的操作，也适合长周期、复杂流程 —— 前提是你要为它构建好“托管机制”。

11. 自动验证机制：Claude 的输出值不值钱，关键看它能不能验证自己

Boris 的经验中最重要的一条是：

Claude 输出的任何结果，必须有“验证机制”来检查其正确性。

他会给 Claude 加一个验证脚本或 hook：

写完代码后，Claude 自动运行测试用例验证代码是否正确
在浏览器中模拟用户交互，验证前端体验
自动比较运行前后的日志、指标

如果没有通过，Claude 会自动修改、重新执行。直到通过为止。

这就像 Claude 自己带了一个“闭环反馈系统”。

这不仅提升质量，更减轻了人的认知负担。

启示：真正决定 AI 成果质量的，不是模型的参数量，而是你有没有为它设计好“结果检查机制”。

总结：不是让 AI 替代人，而是让 AI 像人一样合作

Boris 的方法并没有依赖什么“隐藏功能”或黑科技，而是工程化地使用 Claude，把它从“聊天工具”升级为一个高效的工作系统组成部分。

他的 Claude 使用法有几个核心特点：

多会话并行：任务分工更清晰，效率更高
规划优先：Plan 模式提升 Claude 的目标对齐度
知识系统支撑：团队共同维护 AI 的知识库，持续迭代
任务自动化：Slash 命令 + 子代理，让 Claude 像流程引擎一样工作
闭环反馈机制：Claude 的每个输出都有验证逻辑，确保产出稳定可靠

其实Boris 的方法展示了一种新的使用 AI 的方式：

将 Claude 从“对话助手”升级为“自动化编程系统”
将知识积累从人脑变成 AI 的知识库
将流程从重复手动操作转化为脚本化、模块化、协同化的自动工作流

这套做法不依赖黑魔法，而是工程化能力的体现。你也可以从中借鉴思路，把 Claude 或其他 AI 工具用得更高效、更智能。

如果你在使用 Claude 时常常觉得“它懂一点，但不靠谱”、“写的代码总要我修”，也许问题不在 Claude，而在你还没给它一个成熟的协作机制。

Claude 可以是一个合格的实习生，也可以是一个稳定可靠的工程搭档，取决于你怎么用它。

免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。