面试官坏笑：“你用 AI 编程一年了，怎么保证 Claude Code 写出来的代码是对的？”我：“直接上 Claude Fable 5 啊！”
我发现，对于 Claude Code，问得最多的两个问题是：Claude Code 到底怎么用？怎么保证它写出来的代码是对的？
第一个问题好回答，装上就能用。
甚至你用 PaiSwitch（开源）/CC-switch 可以切换任何底层模型。昨天刚升级，新增了桌面版。
第二个问题的答案就需要长篇大论了。
今天这篇，我就把自己摸索出来的经验分享出来，看完大家就明白了。
TIPS：Claude 今天刚升级了 Fable 5 模型，AI 圈都在吹这个模型超过了 GPT-5.5，大家用了吗？
对了，Claude 桌面版升级到最新版就能用。
我的Claude Code还不能用，没有这个选项，更新到最新版也没有。
01、CLAUDE.md 非常重要
很多小伙伴装完 Claude Code 就直接开干，一上来就让它写代码。
但我的经验是，第一步应该先写 CLAUDE.md。
CLAUDE.md 是 Claude Code 的项目级指令文件，放在项目根目录，每次新开会话的时候 Claude Code 都会自动加载。大家可以理解为给 Claude Code 写了一份“新员工入职手册”，里面需要写清楚项目的技术栈、代码规范、目录结构、禁止指令。
Case1：给 PaiCLI 加一个 /export 命令
我用 PaiCLI 来做这个对比。
PaiCLI 是一个对标 Claude Code 的 Java Agent CLI。
测试提示词：
给 PaiCLI 加一个 /export 命令，把当前会话的对话记录导出成 Markdown 文件，保存到 ~/.paicli/exports/ 目录下。
没有 PAI.md 的时候，模型拿到的上下文只有用户的这句话和它自己读到的代码文件。
有 PAI.md 的时候，PaiCLI 启动就会把 PAI.md 的内容注入 system prompt。
我们来看一下/export命令的执行结果。
启动一个新的 session，随便输入一个提示词。再执行/export命令。
然后我们看一下导出的 Markdown 文件内容。
其中 PAI.md 中的内容如下所示。
也就是说，虽然我们在使用 Agent 的时候只发了一句很简单的内容，但因为 Harness 的存在，系统指令里其实已经塞了很多的上下文。
包括 Skills、MCP 工具的描述等等。
这里也是提个醒，你的 Agent 没必要装太多的全局 Skills 和 MCP，他们很有可能就是上下文的干扰信息。
最好是针对每个项目来。
02、用 PaiCLI 搓一个 3D 交互页面
最有视觉冲击力的还是前端和 3D，咱们就拿一个 Three.js 的任务来展示 PaiCLI 的代码生成能力。
之所以没直接用 Claude Code，是因为这种级别的 case 还不需要，哈哈。
刚好也可以证明一下 PaiCLI 的能力。
Case2：Three.js 星空粒子交互页面
提示词如下。
用 Three.js 写一个星空粒子交互页面。要求：1）3000 个粒子随机分布在球形空间内，粒子颜色渐变（蓝-紫-粉）；2）鼠标移动时，周围的粒子被“吸引”靠近光标位置，形成涟漪效果；3）背景是深色渐变，底部有一行发光文字“Built with PaiCLI”；4）支持手机端触摸交互；5）输出一个完整的 HTML 文件，可以直接在浏览器打开。
用 DeepSeek V4 Pro 出来的效果，粒子的颜色渐变很自然，鼠标移过去确实有涟漪效果，手机端触摸也能正常交互。
技巧，视觉类任务的提示词写法
视觉类任务的提示词有一个规律——把“看到什么”和“交互做什么”分开写。
先描述静态画面（粒子颜色、背景色、文字样式），再描述动态交互（鼠标移动效果、点击行为、动画）。
Claude Code/Codex 处理这种结构化描述的能力非常强。
03、Skill 让 PaiCLI 变专家
Skill 是 Claude Code 的“专业知识包”。装了对应的 Skill 之后，Claude Code 在处理特定领域的任务时会更加专业和准确。
为了方便演示，我们这里仍然用 PaiCLI 来展示 Skill 的威力。PaiCLI 也支持 Skill，安装方式和 Claude Code 一样。
Case，用 web-access Skill 做竞品调研
提示词如下。
使用 web-access 帮我调研一下 Dify 和 FastGPT 这两个 AI 工作流平台，重点关注节点类型、模型接入方式、是否支持私有化部署。整理成对比表格。
没有 web-access 的话，PaiCLI 可能会用 WebSearch 搜几下就交差了，给的信息没有什么深度。
但有了 web-access 就完全不一样了。
对比表格的信息密度非常高。
技巧，Skill 的安装和管理
Skill 的安装非常简单，直接告诉 Claude Code 去安装就行。比如：
帮我安装 web-access skill，仓库地址是 https://github.com/eze-is/web-access
安装完的 Skill 文件存在项目的.claude/skills/目录下。每个 Skill 有一个SKILL.md主文件定义指令逻辑，还可以有references/目录放参考文档。我们也可以自己写 Skill，格式就是一个 Markdown 文件加一个 YAML 头部。
建议为每一个项目单独安装和配置 Skill，不要全局安装，因为全局会占用大量的上下文。
04、Hook——确定性规则兜底概率性模型
前面讲的 CLAUDE.md 和 Skill 都属于“提示词级别的约束”——本质上是在 system prompt 里告诉模型“该怎么做”。
Hook 不一样，它是代码级别的拦截，跑在模型之外。你设好规则，它每次都执行，没有抽卡。
打个比方，CLAUDE.md 相当于你给新员工口头交代的规则，“我们团队的代码不允许用 MD5 加密”。新员工听了，大多数时候都会遵守，但忙起来可能会忘。Hook 相当于 CI/CD 流水线上的自动化检查，代码里用了 MD5 直接编译不过，不管你忘没忘。
三种触发时机
Hook 支持三种时机：
- PreToolUse——模型调用工具之前触发。适合做安全拦截，比如检测到
git push要提交.env文件，直接拒绝，不用让模型去判断。 - PostToolUse——工具执行完之后触发。适合做质量检查，比如写完 Java 文件自动跑
mvn compile，编译失败把错误信息反馈给模型，它自动修复再编译。 - Stop——会话结束时触发。适合做状态持久化，比如把本轮会话的关键决策自动保存到日志，下次新会话启动时自动恢复上下文。
配置方式
Hook 配在.claude/settings.json里。一个 Java 后端项目的编译检查 Hook 长这样：
{ "hooks": { "afterWrite": [ { "pattern": "**/*.java", "command": "mvn compile -q 2>&1 | tail -20" } ] }}前端项目可以把命令换成eslint --fix，Python 项目换成pytest -x。
原理都一样——工具执行完之后自动跑一次验证，失败了把错误喂回模型，模型修完再触发验证，循环直到通过。
05、Fable 5 做 PaiCLI 的宣传 PPT
就在今天，Anthropic 发布了 Claude Fable 5，一个被 AI 圈称之为神的模型。
Claude 桌面版更新到最新版就能看到，使用截止日是 6 月 22 日。
Fable 5 强在哪
跑分咱就不看了，直接上实战。
提示词：
我要给PaiCLI这个项目设计一个宣传PPT，用 https://github.com/op7418/guizang-ppt-skill 这个Skill项目的基本信息：一个类似Claude Code的 Agent CLI目标群体：27届大学生，想要学习Agent的同学品牌调性：温暖治愈、自然松弛、外冷内热、有故事感代码库你能用的可以用，（不是所有素材都用上），我只需要最终交付的PPT顶级审美，让人看了就想马上去学。Claude 桌面版会先获取归藏 PPT Skill，同时了解 PaiCLI 项目素材，然后按照 Skill 的方法论制作宣传 PPT。
token 消耗整体还可以。
6 月 22 日之前 Pro 和 Max 用户可以免费用，建议大家在这个窗口期试试。
我截图大家看一下效果，整体我觉得还是很 nice 的，项目的重点也都捕获到了。
06、上下文管理和提示词原则
Claude Code 的上下文窗口是有限的。会话变长之后，早期对话会被自动压缩，之前的细节可能丢失。
这意味着上下文是 Agent 最贵的资源。
“不要装太多全局 Skill 和 MCP”，本质上就是在管理上下文开销——每多一个 Skill 描述、每多一个 MCP 工具定义，都会占用上下文预算。
几个应对原则：
- 复杂任务拆成独立子任务，每个子任务在新会话里做
- 项目的关键信息写在 CLAUDE.md 里，它每次自动加载，不会因为压缩而丢失
- 感觉模型开始“忘事”了，手动执行
/compact触发压缩，保留最近的对话和关键决策，清掉早期冗余
一个好的提示词包含三个要素：
- 操作对象——哪个文件、哪段代码
- 操作动作——修改、删除、新增、重构
- 验证方式——跑测试、编译、手动确认
三个要素齐了，执行准确率高很多。
说到底，AI 编程时代的核心竞争力不是模型有多强，是你能不能把模型的能力和工程工具结合起来，形成一套可重复、可验证的工作流。
【工具不会自己变厉害，是你驾驭它的方式让它变厉害。】
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～