零基础19分钟上手Claude Code完整指南

很多人认为不懂编程就无法使用 Claude Code，但事实恰恰相反。Claude Code 的桌面应用让任何人都能通过自然语言构建应用、网站、Chrome 扩展、自动化工具等各类项目。本文基于一位 B 站 UP 主的详细教程，系统梳理从安装到部署的完整流程，即使你从未写过一行代码，也能跟着做出来。

环境准备与基本设置

使用 Claude Code 需要两个前提条件：一个付费的 Claude 账号（Pro 方案即可，Max 方案有更多额度），以及下载 Claude 桌面应用——注意，这不是网页版。

Claude Code 桌面应用与普通网页版 Claude 的本质区别在于它具备本地文件系统的读写权限和终端命令执行能力。网页版 Claude 只能在浏览器沙箱（Browser Sandbox）中运行——沙箱是一种安全隔离机制，将程序限制在受控环境内，阻止其访问操作系统的核心资源，这是浏览器保护用户安全的基础设计。而桌面应用通过本地代理（Local Agent）的方式运行，可以创建文件夹、编写代码文件、启动本地服务器、运行测试脚本等。这种架构背后涉及操作系统级别的权限管理：桌面应用在安装时会请求文件系统访问权限，并在本地启动一个轻量级的进程来执行终端命令，相当于在你的电脑上运行了一个受 AI 调度的「虚拟开发者」。这使它从一个对话式 AI 升级为一个真正的开发环境智能体，能够端到端地完成从代码生成到本地预览的完整开发流程。

安装完成后，桌面应用会显示三个标签页：聊天（即网页版功能）、协作和代码。构建项目的核心操作都在「代码」标签页中完成。

一个重要的准备工作是：Claude Code 会直接在你的电脑上创建和编辑文件，因此需要指定一个工作文件夹。建议创建一个专门的 Claude Code 文件夹，然后为每个新项目建立子文件夹，保持项目结构清晰有序。

第一次构建：从提示词到成品

入门操作非常直观。在提示框中输入你想要的内容，就像跟任何 AI 对话一样。教程中的示例是：「帮我做一个教我如何更快打字的游戏，让它可视化、游戏化、有趣且有效。」

善用计划模式提升构建效率

发送提示前，有一个关键操作：切换到计划模式。在这个模式下，Claude 不会立即开始构建，而是先输出一份完整的计划供你审阅和调整。一开始就调整计划，远比构建到一半再推倒重来要高效得多。

Claude 通常还会主动提出几个澄清问题，比如视觉风格、功能偏好等。回答这些问题后，它会返回一份包含玩法循环、架构设计、构建顺序等内容的详细计划。确认无误后批准计划，Claude 就开始自动构建。

智能体的自主测试与修复能力

这里体现了 Claude Code 作为智能体模型的强大之处：它不仅会写代码，还会自主测试、发现问题并修复。在构建打字游戏的过程中，Claude 会自动调出游戏界面、点击按钮、输入文字来通关关卡，确保一切正常运行。当它发现参数用错时，会自行纠正方向，无需人工干预。

智能体模型（Agentic Model）是当前 AI 领域的重要演进方向。传统大语言模型是「一问一答」式的——用户输入提示，模型返回文本。而智能体模型具备自主规划、工具调用、环境感知和自我纠错的能力。Claude Code 中的智能体行为体现为：它能自主决定下一步操作（比如打开浏览器测试），能调用外部工具（如终端命令），能观察执行结果（如截图分析界面），并根据反馈调整行为。这种「感知-决策-行动-反馈」的循环在技术上被称为 ReAct（Reasoning + Acting）框架——由普林斯顿大学和 Google 研究人员于 2022 年提出，其核心思想是将语言模型的推理过程（Reasoning）与具体行动（Acting）交替进行：模型先「思考」当前状态和目标，再「行动」调用工具或执行操作，然后观察结果并进入下一轮推理，形成闭环。这种设计使模型能够处理需要多步骤、多工具协作的复杂任务，是目前主流智能体实现的理论基础。OpenAI 的 Operator、Google 的 Project Mariner 等产品也在各自的生态中推进类似的智能体能力，这一方向正在成为 AI 应用的下一个主战场。

后续修改同样简单——直接用自然语言描述即可。如果用视觉参考更方便，可以直接截图粘贴进对话框。比如教程中发现 Claude 测试时留下了自己的成绩记录，截图发给它说「把这个去掉」就搞定了。

项目记忆：CLAUDE.md 文件的作用

当项目初步成型后，有一件事你应该立即做：输入 /init 命令，让 Claude 创建一个 CLAUDE.md 文件。

这是一份永久参考文档，Claude 会通读所有代码和聊天历史，将项目的关键信息整理成一个 Markdown 文件，直接保存在项目文件夹中。它不是代码，只是一个简单的文本文件。

这个文件的价值在于：当聊天历史过长、上下文窗口接近饱和时，你可以开启一个全新对话，指向同一个文件夹，Claude 就能通过读取 CLAUDE.md 快速了解项目全貌。上下文窗口（Context Window）是大语言模型的核心限制之一，它指模型在单次对话中能「记住」的信息总量，以 Token 为单位衡量。Token 是模型处理文本的基本单位，大约每 4 个英文字符或 1-2 个中文字符对应一个 Token——这意味着一段 1000 字的中文对话大约消耗 500-1000 个 Token。即使是最先进的模型，上下文窗口也有上限（Claude 目前支持约 200K Token，相当于约 15 万个英文单词或一本中等长度的小说）。当一个复杂项目的对话历史不断累积，代码文件越来越多，上下文窗口终将饱和。此时模型会被迫丢弃早期信息，导致它「忘记」项目的关键设计决策，甚至开始重复造轮子或产生前后矛盾的代码。CLAUDE.md 文件本质上是一种外部记忆机制——将项目的架构、技术栈、关键约定等信息持久化存储在文件系统中，使模型在新对话中能快速恢复项目认知，绕过上下文窗口的限制。这种「将记忆外化到文件系统」的思路，也是当前 AI 工程领域中「长期记忆」问题的主流解决方案之一，与向量数据库（Vector Database）存储语义记忆、结构化数据库存储事实记忆等方案共同构成了 AI 应用的记忆体系。

建议在长时间对话后，主动让 Claude 将重要内容更新到这个文件中。

三大增强功能：连接器、技能与插件

Claude Code 的基础功能已经很强，但以下三个增强功能能让它更上一层楼。

连接器（MCP）：接入外部工具

连接器将 Claude 接入外部工具，位于「自定义」菜单下。Anthropic 官方称之为连接器，技术社区则常叫它 MCP（Model Context Protocol）。预构建的连接器已支持 Gmail、Google Calendar、Notion 等大量常用工具。

**MCP（Model Context Protocol，模型上下文协议）**是 Anthropic 于 2024 年底开源的一项标准化协议，旨在为 AI 模型与外部数据源、工具之间建立统一的通信接口。在 MCP 出现之前，每个 AI 应用要接入不同的外部服务（如 Gmail、Notion、数据库等），都需要编写专门的集成代码，形成 M×N 的复杂对接关系——10 个 AI 应用对接 20 个工具就需要 200 套集成方案。MCP 将这种关系简化为 M+N：工具提供方只需实现一次 MCP 服务端，AI 应用只需实现一次 MCP 客户端，双方即可互通。它采用 JSON-RPC 2.0 协议（一种轻量级的远程过程调用规范），支持资源读取、工具调用和提示模板三种核心能力。MCP 的设计理念类似于 USB 接口对硬件生态的统一作用——用一个标准消灭碎片化。目前 MCP 已获得广泛的社区支持，GitHub 上有数千个开源 MCP 服务器实现，微软、Google 等公司也宣布在自家 AI 产品中支持这一协议，这标志着 AI 工具生态正在从「各自为战」走向「标准互通」的新阶段。

强烈推荐连接 Context7——它会拉取 React、Expo、Tailwind、Vercel 等框架的最新文档，确保 Claude 始终基于最新信息工作，大幅减少「幻觉」问题。**AI 幻觉（Hallucination）**是指大语言模型生成看似合理但实际错误的内容，这一术语借用自心理学，描述模型「凭空捏造」不存在信息的现象。在编程场景中，这个问题尤为突出：模型的训练数据有截止日期（通常滞后现实 6-12 个月），而前端框架和库的 API 更新极为频繁。例如 React 19 引入了新的 hook 用法，Tailwind CSS v4 改变了配置方式，如果模型仍基于旧版文档生成代码，就会产生无法运行的错误代码。Context7 通过 MCP 协议实时拉取这些框架的最新官方文档，将其注入模型的上下文中，使模型在生成代码时参考的是当前最新的 API 规范而非过时的训练数据，从而显著降低因信息过时导致的幻觉问题。这种「检索增强生成（RAG，Retrieval-Augmented Generation）」的思路——先从外部知识库检索相关信息，再将其作为上下文提供给模型生成答案——是目前业界应对 AI 幻觉问题最有效的工程手段之一，被广泛应用于企业知识库问答、实时信息查询等场景。

技能（Skills）：可复用的流程模板

技能是可复用的流程模板。除了预构建技能外，你可以将自己反复执行的工作流打包成技能。比如完成一次涉及多轮迭代的流程后，告诉 Claude「把它打包成一个技能」，以后就能一键复用。

教程中演示了一个「安全审查」技能——在项目公开发布前，Claude 会自动检查漏洞、暴露的 API 密钥等安全隐患。技能本质上是一种结构化的提示词模板（Prompt Template），它将一系列操作步骤、判断逻辑和工具调用封装成可复用的单元。这与软件工程中「函数封装」的思想一脉相承：将重复的逻辑抽象出来，通过参数化调用来适应不同场景，既提高效率，又保证一致性。从更宏观的视角看，技能的设计也呼应了「提示词工程（Prompt Engineering）」这一新兴领域的核心理念——精心设计的提示词结构能够显著提升模型输出的质量和可预测性，而将优质提示词模板化、可共享化，正是这一领域从「个人技巧」走向「工程规范」的关键一步。

插件（Plugins）：能力集合包

插件是技能、MCP 和其他工具的集合包。推荐安装 Superpowers 插件，它添加了头脑风暴、子智能体调试等多种能力，Claude 会在需要时自动调用。

简单总结：MCP 连接工具，技能定义流程，插件打包一切。

实战：构建连接真实工具的生产力应用

教程中展示了一个更贴近实际工作的案例：构建一个看板风格的待办应用，从会议纪要中自动提取行动项。

提示词是：「构建一个看板风格的应用，用来从会议纪要中提取行动项并放入待办列表，卡片可以在待办、进行中和已完成之间移动，使用已连接的 Granola MCP 拉取会议笔记并提取行动项。」

**看板（Kanban）**是一种起源于 1940 年代丰田生产系统的可视化工作流管理方法——「看板」在日语中意为「可视化信号牌」，最初用于控制汽车零部件的生产节奏，避免过度生产。2000 年代初，软件工程师 David Anderson 将这一理念引入软件开发领域，形成了「看板方法（Kanban Method）」，Trello、Jira、Notion 等主流项目管理工具均基于此理念构建。它将任务按状态分列展示（通常是「待办/进行中/已完成」），使工作进度一目了然，特别适合个人任务管理和小团队协作。Granola 是一款 AI 会议记录工具，能自动转录和整理会议内容，生成结构化的会议纪要。将两者通过 MCP 协议打通，意味着 Claude 可以直接读取你的会议记录数据，无需手动复制粘贴，这正是「连接器」价值的最佳体现——AI 不再是孤立的对话工具，而是能够感知和操作你整个数字工作环境的智能助手。

Claude 第一次尝试就完全搞定了——它拉取了最近的会议记录，识别出所有待办事项及对应负责人，生成了一个可拖拽的看板界面。这个案例说明，当你开始将已有工具通过连接器整合进来，能构建的东西会呈指数级增长。

部署上线：从本地到公网

项目做好后，如何让别人也能访问？需要经过 Git 安装、GitHub 连接和 Vercel 部署三个步骤。

这三个工具在现代软件开发和部署流程中各司其职，共同构成了当今最主流的「个人开发者技术栈」。Git 是一个分布式版本控制系统，由 Linux 之父 Linus Torvalds 于 2005 年创建，最初是为了管理 Linux 内核这个拥有数千名贡献者的超大型项目。「分布式」意味着每个开发者的电脑上都保存着完整的代码历史，而非依赖中央服务器——这使得即使服务器宕机，代码也不会丢失。它在本地追踪代码的每一次变更，支持回滚、分支、合并等操作，相当于代码的「时光机」。GitHub 是基于 Git 的云端代码托管平台（2018 年被微软以 75 亿美元收购），它将本地的 Git 仓库同步到云端，实现代码备份、协作和共享，目前托管了超过 3 亿个代码仓库，是全球最大的开源社区。Vercel 则是一个专注于前端的部署平台，由 Next.js 框架的创建者 Guillermo Rauch 创立，它与 GitHub 深度集成，能自动监听代码仓库的变更，每次代码推送后自动触发构建和部署流程（即 CI/CD，持续集成/持续部署——一种将代码测试、构建、发布自动化的工程实践），将静态网站或 Serverless 应用发布到全球 CDN 节点，通常在 30 秒内完成从代码提交到全球上线的全过程。三者组合形成了从本地开发到全球发布的完整链路，是目前独立开发者（Indie Hacker）群体最常用的技术组合。

安装 Git 并连接 GitHub

直接告诉 Claude：「检查我是否安装了 Git，如果没有就帮我安装。」较新的 Mac 已自带 Git，Windows 用户的步骤略有不同，但 Claude 会根据你的系统给出具体指引。

连接 GitHub 账号是整个流程中最繁琐的部分，需要在终端中执行几条命令并完成身份验证。这个过程涉及 SSH 密钥对的生成与配置——SSH（Secure Shell，安全外壳协议）是一种加密网络协议，通过非对称加密的公钥/私钥机制实现无密码的安全身份验证。其原理类似于「锁与钥匙」：你的电脑生成一对数学上相关联的密钥，公钥（Public Key）就像一把锁，可以公开分享；私钥（Private Key）就像唯一的钥匙，只保存在你的电脑上。将公钥上传到 GitHub 后，每次推送代码时，GitHub 会用公钥验证你的私钥签名，确认身份合法，整个过程无需输入密码，既安全又便捷。这个配置过程只需做一次，之后所有操作都是自动的。好消息是：这个过程只需做一次。之后每个新项目只需说「创建一个新的 GitHub 代码仓库并推送当前所有代码」，Claude 就会全部处理好。

Vercel 一键部署

有了 GitHub 仓库后，部署到 Vercel 非常简单：

1. 用 GitHub 账号免费注册 Vercel
2. 导入对应的 GitHub 仓库
3. 点击「部署」

几秒钟后，你的项目就会获得一个实时 URL，任何人都可以通过链接访问。而且 Vercel 会自动检测 GitHub 中的代码变更并重新部署，后续更新完全自动化。Vercel 的免费套餐对个人项目已经相当慷慨：支持无限个人项目、每月 100GB 带宽、自动 HTTPS 证书（通过 Let's Encrypt 自动签发，无需手动配置 SSL），对于大多数个人工具和小型应用来说完全够用。

模型选择与上下文管理技巧

Claude Code 提供多个模型可选，不同模型消耗的 Token 量不同。Token 是大语言模型处理文本的基本单位，大约每 4 个英文字符或 1-2 个中文字符对应一个 Token。模型的每次输入和输出都会消耗 Token，而不同模型的 Token 消耗差异巨大。以 Anthropic 的模型家族为例，Claude Opus 是最强大但也最昂贵的模型，适合复杂推理和架构设计；Claude Sonnet 在能力和成本之间取得平衡，是日常开发任务的主力选择；Claude Haiku 则是最轻量快速的选项，适合简单的代码补全和格式调整。这种「大中小」的模型梯队设计，与汽车行业的「旗舰/中端/入门」产品线逻辑相似，让用户根据任务复杂度灵活选择，在性能和成本之间取得最优平衡。值得注意的是，模型规模的差异不仅体现在价格上，更体现在「智能涌现」的质变——超过某个参数规模阈值后，大模型会突然获得小模型完全不具备的推理能力，这一现象被 AI 研究者称为「涌现能力（Emergent Abilities）」，是当前大模型研究的核心议题之一。在 Claude Code 的订阅方案中，Pro 方案（每月 20 美元）和 Max 方案（每月 100 或 200 美元）的核心区别在于可用 Token 额度。

一个实用的经验法则：

• Pro 方案用户：用最高级模型（如 Opus 或 Sonnet）做计划和首次构建，然后切换到较低级模型做后续编辑
• Max 方案用户：通常可以一直使用最高级模型

关于上下文管理：界面底部可以查看上下文窗口的使用情况。当上下文接近饱和时，Claude 会自动压缩，但细节会逐渐丢失。建议在开启新对话前，让 Claude 做一个总结，然后将总结粘贴到新对话中，配合 CLAUDE.md 文件，就能无缝衔接之前的工作。

写在最后

从零开始到部署上线，整个流程的核心逻辑其实很简单：用自然语言描述需求 → 审阅计划 → 批准构建 → 迭代修改 → 推送部署。你不需要理解任何代码，只需要像跟一个人解释那样描述你想要什么。

学习更多的最佳方式就是直接开始构建。选一个你自己真的会用的东西，遇到问题就向 Claude 求助，你会在这个过程中自然而然地掌握更多技巧。

核心要点

核心要点