Claude Code之父分享10个高效AI编程技巧

一场爆火的28分钟演讲

Claude Code之父Boris最近做了一场28分钟的技术演讲，在X（原Twitter）上斩获了350万播放量，迅速走红。这场演讲的核心，是他分享的10个实用技巧，据称能让Claude的使用效果直接翻倍。

Boris Cherny是Anthropic公司Claude Code产品的技术负责人，主导了该产品从原型到正式发布的全过程。Claude Code与传统IDE插件不同，它直接运行在终端环境中，能够读写文件、执行命令、与版本控制系统交互，其核心设计理念是"agentic coding"——AI不仅仅是代码补全助手，而是能够自主完成多步骤任务的编程代理。

有意思的是，此前Claude团队已经公开过一批使用技巧，而这次是全新的10条。更重要的是，这些建议并不局限于Claude本身——即便你使用的是其他AI编程工具，同样能从中受益。它们的共同点是实操性极强，几乎都能立刻上手应用。

本文将梳理这10个技巧背后的思路，帮助你重新理解如何与AI编程工具高效协作。

技巧一：先做好设置再动手

很多人拿到Claude Code就急着开始编程，Boris却建议先花几分钟做好配置。他直言：装完不做这几个设置，等于白装。

核心设置包括：

• Allowed Tools命令：明确告诉Claude哪些工具可以调用，避免它执行不必要的操作。这实际上是一种权限管控机制——AI代理在执行任务时可能会尝试运行各种系统命令，通过白名单限制可以防止误操作，尤其是在生产环境中尤为重要；
• Terminal Setup：启用Shift+Enter换行功能，写长提示词时体验会好很多。由于Claude Code运行在终端环境中，默认的Enter键会直接提交输入，多行编辑需要额外配置；
• 主题切换：用/theme命令调整浅色或深色模式，喜欢暗黑风格直接/theme dark，护眼又高效；
• Install GitHub App：安装后可在Issue和PR中通过@Claude直接触发AI任务，团队协作效率大幅提升。这意味着团队成员无需切换到终端，直接在代码审查流程中就能让AI参与工作；
• 打开通知功能：耗时任务完成时能及时收到提醒，不错过关键节点。由于AI代理可能需要数分钟完成复杂任务，通知机制让开发者可以在等待期间切换到其他工作；
• Mac听写功能：进入系统设置开启听写，双击听写键即可用语音描述需求，就像与人对话一样自然。

这些设置看似琐碎，但正是它们决定了后续使用的顺滑程度。设置越完善，AI工具的边界越清晰，出错概率越低。

技巧二：从向AI提问开始

Boris特别强调了一个思维模式的转变。虽然越来越多开发者开始拥抱Web Coding（在浏览器或AI环境中编程），但很多人的思维仍停留在传统模式——遇到问题就自己苦思冥想。

他建议公司在做新人入职培训时，不要一上来就堆砌各种工具，也不要急着编程，而是先从提问开始。让新人通过提问了解Claude的能力边界：哪些能做、哪些做不了。

这个建议的深层价值在于：在AI编程时代，会提问比会敲代码更重要。只有理解了工具的能力边界，才能把复杂任务合理拆解，高效交给AI去完成。这与软件工程中的"需求分析"阶段异曲同工——清晰地描述问题，往往比解决问题本身更关键。在AI代理的语境下，一个精确的提问可以节省多轮交互的时间成本，而模糊的指令则可能导致AI走入错误方向后不得不推倒重来。

技巧三与四：规划先行与引导执行

在真正编程之前，做好规划至关重要。如果你不擅长规划，可以直接让AI帮你出方案，初稿完成后再让AI自我审核、提出修改意见。换句话说，完全可以把AI当成产品经理或项目经理来用。

这种"让AI自我审核"的方式在技术上被称为"反思（Reflection）"或"自我批评（Self-Critique）"模式，是当前提升大语言模型输出质量的有效策略之一。通过要求模型在第二轮对话中审视自己的第一轮输出，往往能发现逻辑漏洞或遗漏的边界情况。

紧接着是引导Claude按你的方式操作。一个实用技巧是：先让AI针对某个问题提出几个解决方案，再由你选定其中一套让它执行。这样能有效避免AI「自作主张」，偏离预期方向。

这两个技巧的核心在于：人负责决策，AI负责执行，分工明确才能效率最大化。这也是当前AI编程领域的主流共识——"human-in-the-loop"（人在回路中）的工作模式，既利用了AI的速度和广度优势，又保留了人类在架构设计和关键决策上的判断力。

技巧五到七：接入工具、同步工作流、喂足背景

接入团队工具与MCP

把你的代码托管工具、MCP（Model Context Protocol）工具接入Claude，能让后续操作更顺畅。MCP（模型上下文协议）是Anthropic于2024年底开源的一项通信标准，旨在解决AI模型与外部工具、数据源之间的连接问题。在MCP出现之前，每个AI工具都需要针对不同的外部服务编写专用的集成代码，导致生态碎片化严重。MCP通过定义统一的客户端-服务器通信协议，让AI模型可以通过标准化接口调用数据库查询、API请求、文件操作等外部能力——类似于USB协议对硬件设备所做的事情，提供一个通用的"插口"，让任何符合协议的工具都能即插即用。

同步工作流

Boris给出了三种常见工作流。他本人最常用的是第一种——面对复杂任务时必须先做plan（规划）；如果遇到容易出错或存在歧义的部分，则会用第二种工作流：先写测试用例。

"先写测试用例"的方法源自软件工程中的TDD（Test-Driven Development，测试驱动开发）理念。在AI编程场景下，测试用例不仅能验证最终代码的正确性，更重要的是为AI提供了明确的"成功标准"——AI可以反复运行测试来自我验证，而不需要人工逐行检查输出结果。

背景信息越多AI表现越好

可以通过CLAUDE.md文件预设核心规则来约束AI行为。CLAUDE.md是Claude Code特有的项目配置文件，放置在项目根目录下，AI在每次启动时会自动读取其中的内容作为上下文。开发者可以在其中定义代码风格规范、项目架构说明、常用命令、禁止执行的操作等。Claude Code支持多层级的配置文件：项目根目录的CLAUDE.md作为全局规则，子目录中的CLAUDE.md可以覆盖或补充特定模块的规则，类似于.gitignore或.editorconfig的分层设计思想。

Boris建议在整理背景信息上多花点时间，因为这能直接提升产出质量。其他信息则可以用/命令或直接@文件名引入。

背景信息本质上是在告诉AI「你的项目是什么、你期望什么」，信息越充分，AI的理解越准确，输出质量越高。这与大语言模型的工作原理直接相关——模型基于上下文窗口中的信息进行推理，上下文越丰富、越结构化，模型的推理质量就越高。

技巧八：团队共享权限Memory与MCP

这一步聚焦于团队协作场景。Boris分享了自己团队的做法：

• 建立Prompt库：好的Prompt可遇不可求，沉淀下来全组共享；
• 共享CLAUDE.md和Memory.md文档：实现信息拉齐、执行标准同步；
• 共享自研MCP服务：比如团队开发的一个抓取热点的MCP服务，全组都能调用，这一点被认为「非常关键」。

共享机制的本质，是把个人经验转化为团队资产，让AI工具的使用水平在团队内整体拉平，避免重复踩坑。这与DevOps领域"Infrastructure as Code"（基础设施即代码）的理念一脉相承——将隐性的操作经验显性化、代码化，使其可以版本控制、可以复用、可以持续优化。在AI编程的语境下，Prompt库和配置文件就是团队的"AI操作手册"，新成员无需从零摸索就能达到团队平均水平。

技巧九与十：SDK与多实例并发

使用Claude Code SDK

如果想进一步释放Claude的潜力，可以尝试Claude Code SDK。它允许你以编程方式访问Claude Code，在CLI环境中使用，甚至集成到自己的应用程序中，还能配合UNIX工具进行管道式输入输出。

Claude Code SDK支持子进程模式（subprocess mode），可以通过标准输入输出与其他程序进行管道式通信，完全兼容UNIX哲学中的组合式工具设计。开发者可以用Python、JavaScript等语言编写脚本，将Claude Code作为一个"智能函数"嵌入到CI/CD流水线、代码审查工具或自定义开发环境中。SDK输出支持结构化JSON格式，便于下游程序解析和处理。

举个例子：你可以用SDK让Claude分析Git状态，它会解释状态变化并以JSON格式输出结果——这为自动化流程和二次开发打开了广阔空间。

同时运行多个Claude实例

Boris列举了四种并发运行Claude的方式。他团队的一位成员甚至开发了一个小工具，用来监控多个Claude乃至多个命令行的工作状态，并以红黄绿灯的形式展示。由于屏幕空间有限，只需露出标题栏就能一眼掌握各个进程的运行状态。

多实例并发在AI编程代理的场景下面临独特挑战：多个实例可能同时修改同一文件导致冲突，或者在不了解彼此进度的情况下做出矛盾的架构决策。Boris团队的实践是将任务按模块边界严格划分，确保不同实例操作不同的文件集合，同时通过Git分支隔离各实例的工作空间，最后再进行合并。这种模式类似于人类团队的分工协作，但执行速度可以快数倍。

多实例并发的价值在于：可以让不同的Claude实例同时处理不同模块的任务，大幅缩短整体开发周期。

总结：AI编程效率的核心在于方法论

尽管目前Claude Code对国内账号的使用存在一定限制，但Boris分享的这套工作思路仍然极具启发性。

它传递的核心理念是：AI编程的效率，不取决于工具本身有多强，而取决于你如何设置、如何提问、如何规划、如何协作。从优化设置到团队共享，从规划先行到多实例并发，这10个技巧本质上是一套完整的「人机协作方法论」，适用于任何AI编程工具。

从更宏观的视角来看，这套方法论标志着软件开发范式的一次根本性转变：开发者的核心竞争力正在从"编写代码的能力"转向"编排AI工作的能力"。正如工业革命让体力劳动者转型为机器操作员，AI编程时代正在让代码编写者转型为AI编程的指挥者和架构师。掌握这套方法论的开发者，将在效率上与传统模式拉开数量级的差距。

无论你用的是Claude Code、GitHub Copilot还是Cursor等其他工具，把思维从「自己写代码」切换到「引导AI写代码」，才是真正实现效率翻倍的关键所在。

核心要点