Claude Code七层进阶指南：从基础聊天到自动化AI代理

大多数人使用Claude的方式，就像用谷歌搜索一样——只发挥了它实际能力的冰山一角。B站UP主杰克（Jack）分享了他在Claude上投入超过1000小时构建与实验后总结出的「七个层级」进阶路径。本文将系统梳理这套方法论，帮助你从入门走向真正的自动化代理应用。

第一层：选对使用方式与模型

Claude有三种使用形态：**聊天（Chat）**适合快速问答，但不会触及你的文件；**协同工作（Collaborate）可以访问文件但权限有限；而代码模式（Code）**才是功能全开的完整版本。

不要被「代码」这个词吓退——它其实是最强大的构建工具。杰克建议在整个进阶过程中都使用代码模式。在模型选择上，Claude家族有明确的分工：

Opus级模型：家族里的「爱因斯坦」，处理最复杂、最需要智能的工作
Sonnet级模型：日常工作的主力
Haiku级模型：适合快速、简单的任务，极为节省资源

Anthropic设计的这套多级模型体系反映了大语言模型产业的主流趋势。Opus、Sonnet、Haiku的命名灵感来自诗歌体裁，暗示从复杂到简洁的能力光谱。这种分级策略与OpenAI的GPT-4o/mini体系、Google的Gemini Ultra/Pro/Flash如出一辙，本质上是AI公司应对推理成本高企的商业解法——复杂推理任务动用大模型，高频简单任务交给小模型，从而让企业级用户在大规模部署时将API账单控制在可接受范围内。

此外，代码模式中还有一个功耗滑块，可以从低功耗一路拉到最大。作者透露自己大多数情况使用高或最高档位，以确保输出质量。

第二层：正确地与Claude对话

作者强调，95%的人甚至不理解如何与Claude有效对话。他引用了AI领域专家安德烈·卡帕西（Andrej Karpathy）的一个经典例子：如果你问Claude「50米外有个洗车店，我该开车还是走路去」，它会理性地告诉你应该走路——50米大概30秒的路程。

这个例子揭示了一个关键点：Claude会很好地执行你的指令，但未必能想得周全。这一现象有其深层原因——卡帕西是前特斯拉AI总监、OpenAI联合创始人之一，他对此有精准的描述：LLM本质上是在做条件概率预测，它擅长回答「你问了什么」，而非「你真正需要什么」。研究者将这种现象称为「字面遵从」（Literal Compliance），与人类沟通中默认激活的「格莱斯准则」（对话合作原则）存在本质差距。改变这一点的方式，就在于对话方式本身。

让Claude先采访你

任何对话中最重要的提示就是第一个提示。与其直接抛出问题，不如让Claude反过来采访你。例如：

「我想为我的YouTube频道制定一个策略。我希望你来采访我、向我提问，这样我们才能明确具体想要达成的目标。请尽可能多地挑战我、提问，直到你满意为止。」

嘿我想做的事情是

通过这种方式，Claude会追问频道定位、当前状态、成功标准等细节——这些是你仅仅抛出一个问题时永远得不到的深层信息。

第三层：为Claude连接工具

想象工地上有世界上最能干的建筑工，但他手里连一件工具都没有——那也无法高效工作。第三层的核心，就是把Claude与真实世界连接起来。

通过点击界面下方的加号，进入连接器（Connectors），你可以添加各类服务：Gmail、日历、数据库、客户管理系统（CRM）等。连接后，Claude能起草和创建邮件、安排你的一周日程，几乎无所不能。

FireCrawl：省下80%代币成本

作者特别推荐了 FireCrawl——目前最好用的网页信息抓取服务之一。要理解它为何如此高效，需要先了解一点「Token经济学」：Token是大语言模型处理文本的基本单位，大致对应0.75个英文单词，LLM按Token计费。原始HTML页面中充斥着大量对AI推理毫无价值的标签、样式代码和追踪脚本，一个普通新闻页面的HTML可能有80%是「噪声」。FireCrawl通过智能提取算法，只向LLM输送语义相关的正文内容，在信息密度不变的前提下节省约80%的代币成本。

去给我拿来他们的标志

更巧妙的是，Claude会根据你的问题本能地判断该调用哪个插件，你甚至不必明确指定。当作者要求抓取某网站的品牌信息与Logo时，Claude自动调用了FireCrawl并精准取回了所需内容。

第四层：用子智能体实现5-10倍产出

这是被大多数人忽略的一层，却能让你在相同时间内获得5到10倍的输出。

多数人使用Claude是「单车道」模式：问一个问题，再问一个问题，如此往复。而通过子智能体（Sub-agents），你相当于把单车道变成五车道高速公路——多个子智能体可以在完全相同的时间内并行执行不同任务。

子智能体架构是当前AI工程领域最热门的研究方向之一，学术界称之为「多智能体系统」（Multi-Agent Systems, MAS）。其核心思想是将复杂任务分解为可并行执行的子任务，由多个专用智能体分别处理后再聚合结果——类似软件工程中的微服务架构。这一范式的突破性意义在于突破了单一LLM的上下文窗口限制：当多个子智能体各自处理独立信息流时，整个系统的实际处理能力呈数量级提升。Anthropic、OpenAI和Google均在2024-2025年密集发布多智能体框架，标志着AI应用从「问答工具」向「自主工作流」的范式迁移正式进入主流。

例如，你可以让Claude同时启动多个子智能体，分别研究OpenAI、Anthropic、Grok、DeepSeek^广告这四家公司，然后统一汇总结果反馈给你。

UltraCode与对抗性辩论

更进阶的玩法是 UltraCode。作者演示了一个案例：「我34岁，想知道根据我的具体情况该住在哪里。我希望你进行一场对抗性辩论，让多个智能体辩论哪个地点最适合我居住。」

让很多智能体辩论

Claude会基于对你的了解提出计划，让多个智能体互相辩论，整个过程分为研究阶段、验证阶段和综合阶段，你可以实时看到每个AI智能体的工作进展。

Graphify：为代码库画地图

另一个让Claude更高效、更省Token的技巧是使用 Graphify。它能为不同代码库创建关系图谱，让Claude拥有一张「地图」，清楚知道登录模块在哪、文件存在何处。这意味着更快找到答案、节省大量Token，且设置只需几次点击。

第五层：技能（Skills）系统

速度和效率是一方面，但如果不使用技能（Skills），你就没有释放Claude的真正威力。大多数用户甚至不知道这个功能的存在。

技能的核心理念是：为任何任务赋予Claude一套预设好的流程和做事方法。有了合适的技能，Claude能构建出令人惊艳的网站、交互式页面，甚至进行图像生成、视频生成，或搭建完整的应用系统。

还有一种方法是

如何获取与创建技能

获取技能有几种方式：

搜索现成技能：在Google搜索「想要的功能 + GitHub」，比如「前端设计技能 GitHub」，或直接问Claude哪个最好。Anthropic官方就有一个拥有15.3万星标的技能仓库。
下载转化：找到目标仓库，复制代码，告诉Claude「把这个下载下来变成一个技能」。
协作固化：与Claude协作完成某个操作后，直接说「把这个变成技能」，日后输入斜杠（/）即可随时激活。

技能种类极其丰富，你只受限于自己的想象力。

第六层：安全合规地使用

想象力也可能带来麻烦，因此第六层聚焦于安全——把大权交给Claude的同时保证可控。

在连接不同服务时，切忌授予超出需要的权限。以Gmail为例，在连接器的权限管理中，你可以精细区分：哪些操作Claude可以自主完成，哪些必须经过你的审批。比如可以设置Claude在未经你明确同意前，不能替你起草或发送邮件。

核心原则是最小权限原则（Least Privilege）：只给它真正需要的权限，不多给一分。这一原则起源于1970年代计算机安全领域，在AI Agent时代被赋予了新的紧迫性。当AI系统获得操作邮件、日历、数据库的能力后，一旦出现「提示词注入攻击」（Prompt Injection）——即恶意内容通过网页或邮件操控AI执行非预期操作——后果可能远比传统软件漏洞严重。Anthropic在其「负责任扩展政策」中将权限管控列为核心安全机制，建议用户始终在「人类在回路」（Human-in-the-Loop）模式下授权高风险操作，确保AI的每一步关键行动都在人类的审视之下。

第七层：让Claude自主运行

最高层级是让Claude通过一套 Claude Code操作系统 实现自主运行。这套系统能清晰展示你的花费——不仅是Claude内部的开销，还包括Codex等其他应用的成本。

最关键的是，它会主动为你规划：根据你与Claude的所有对话记录，给出针对性建议，比如哪些技能你还没用上、如何帮你省钱，并动态地为你思考和工作，甚至预见到你尚未想到的需求。

通过任务中心设定目标、配置记忆系统，你可以把所有可用的系统整合起来，将Claude的使用体验提升到全新层次。

小结

从最基础的聊天问答，到并行子智能体、技能系统，再到安全合规和自主运行的操作系统——Claude的这七个层级层层递进，每一层都能显著放大你的工作效率。理解这套进阶路径是一回事，但只有真正让它运转起来并为你持续工作，才能体现出全部价值。对于希望用AI驱动业务增长的从业者而言，掌握这套方法，或许正是拉开差距的关键所在。