【AI】Claude Code：从“对话“走向“行动“-尧图网络科技

本文汇总整理自全网访问量较高的 Claude 相关技术文章，提炼其中的核心观点，涵盖 Claude Code 使用技巧、子代理（Subagent）并行工作流、MCP 集成、提示词工程与上下文工程等热门主题。文末附全部原文出处，方便深入阅读。

前言

2025 年到 2026 年，Claude 从一个"聊天机器人"迅速演进为开发者手中的"行动型 AI"（Action AI）。据公开数据，Claude Code 一度参与了约4% 的 GitHub 公开提交，成为 AI 编程赛道最具代表性的工具之一。

本文不做泛泛的功能罗列，而是从全网热度较高的十篇技术文章中，抽取真正有价值、可落地的观点，整理成一份"读完能用"的实践清单。

一、Claude Code：从"对话"走向"行动"

核心观点：Claude Code 最大的价值不是补全代码，而是理解整个项目并主动执行。

多篇 2026 年的指南反复强调同一件事：Claude Code 已经不是传统意义上的"代码补全工具"。它能够读取整个代码库、进行跨文件编辑、执行 Shell 命令、运行测试，并基于反馈自我修正。这一转变被概括为从“Chat AI”（你和机器人对话）到 “Action AI”（机器人替你干活）的跃迁。

一个反直觉的观点是：Claude Code 并不只属于程序员。据报道，Anthropic 内部有相当比例的非工程岗位也在使用它处理自动化、数据整理等工作。这意味着"会用 AI 编排任务"正在成为一种通用能力，而非专业技能。

二、Claude Code 之父的 13 个高效技巧（精选）

核心观点：真正的效率来自"并行"和"工作流固化"，而不是更快地打字。

Boris Cherny（Claude Code 主要负责人之一）分享的实践中，最值得记住的几条：

并行运行多个 Claude 实例：把大任务拆成互不依赖的子任务，同时开多个会话推进，是提升吞吐量最直接的方式。
善用计划模式（Plan Mode）启动会话：先让 Claude 制定计划、确认方向，再动手实现，能显著降低"跑偏"的返工成本。
创建自定义斜杠命令（Slash Command）：把反复使用的工作流固化成命令，团队可共享。
预设权限（Permissions）：对可信的、可逆的操作提前授权，减少反复确认打断心流；对高风险操作保留人工确认。
利用子代理处理探索性任务：让子代理去"读代码库/查资料"，主会话只保留结论，避免污染主上下文。

一句话总结这套方法论：把 AI 当成一个团队来编排，而不是一个更聪明的搜索框。

三、CLAUDE.md：项目的"持久记忆"与"安全守门人"

核心观点：CLAUDE.md 是一份被模型每次会话都会读取的持久上下文，写好它等于一次配置、长期受益。

多篇文章将 CLAUDE.md 称为项目的"持久记忆"。它是放在仓库中的一个 Markdown 文件，Claude 在每次会话开始时都会读取，从而无需你反复重复项目约定、代码风格、目录结构等信息。

几个被广泛认同的写作原则：

精而不多：Claude 会主动过滤内容，塞进大量无关信息反而稀释关键指令。只写真正影响决策的约定。
兼具"脚手架"与"守门人"双重角色：既描述项目该怎么构建，也定义哪些操作需要谨慎（安全边界）。
分层放置：可放在仓库根目录（团队共享）或子目录（局部覆盖），实现上下文的模块化管理。

四、子代理（Subagent）：隔离上下文的并行利器

核心观点：子代理的本质是"独立上下文窗口 + 专属系统提示 + 隔离权限"，用来解决单一 Agent 的上下文瓶颈。

对于"探索整个代码库，然后重构认证模块"这类大型任务，单个 Agent 很容易撞上上下文长度限制。子代理机制正是为此设计：

每个子代理运行在独立的上下文窗口中，拥有自定义系统提示、受限的工具权限和隔离的会话状态。
主代理负责"编排与决策"，把探索、分析这类消耗大量 token 的工作**下放（fan-out）**给子代理并行执行。
子代理只把最终结论返回主会话，从而保持主上下文的干净与聚焦。

截至 2026 年中，这套机制已经和 Agent Teams（多实例像真实开发团队一样协作）、Hooks（事件自动触发）、后台会话等能力共同构成了成熟的多代理编排体系。记住一个原则：需要"读很多、返回很少"的任务，交给子代理。

五、MCP（模型上下文协议）：让 Agent 触达真实系统

核心观点：没有 MCP 的 Claude 只是一个"带终端的文本处理器"；MCP 让它能查数据库、调 API、连服务。

MCP（Model Context Protocol）是 Anthropic 于 2024 年 11 月推出的开放标准，如今已被众多厂商采纳。它的价值在于用一套统一接口替代"每对工具都要写一份定制集成"的旧模式。

关于连接方式与选型，业界文章总结出三条主要路径：

直接 API 调用：最灵活，但需要为每个服务编写和维护自定义代码。
CLI（命令行）：适合已有成熟命令行工具的场景。
MCP：标准化、可复用，Agent 无需自定义实现即可查询数据库、集成 Slack / GitHub 等 API。

一个关键区分：MCP 提供的是对"变化中数据"的实时访问，这与静态的"记忆"（Memory）不同。MCP 服务器可以作为本地进程运行、通过 HTTP 远程连接，或直接嵌入到你的 SDK 应用中，部署方式相当灵活。

六、Claude Agent SDK：把 Claude Code 的"内核"装进你的应用

核心观点：Agent SDK 让你复用驱动 Claude Code 的同一套 Agent 循环——工具执行、上下文管理、权限系统、子代理机制。

Claude Agent SDK 的定位很清晰：它把驱动 Claude Code 的那套核心机制开放出来，让开发者用 Python / TypeScript 从自己的代码中驱动同样的能力，而不必局限于 CLI。

这意味着你可以基于官方框架构建自定义 Agent，天然获得 MCP 工具支持、会话管理、权限控制等能力，而不用从零造轮子。对于要把 AI Agent 嵌入自有产品的团队来说，这是一条"站在巨人肩膀上"的捷径。

七、从"提示词工程"到"上下文工程"

核心观点：提示词工程是"写好指令"，上下文工程是"策划模型在行动那一刻看到的全部状态"——后者是更高维度的能力。

这是 2026 年被讨论最多的观念转变之一。一篇被广泛引用的文章这样区分：

提示词工程关乎编写指令；上下文工程关乎策划模型在行动那一刻所看到的整个状态。

这个差别不只是措辞。它改变了你优化的对象：不再只是打磨一句 Prompt，而是系统性地管理 CLAUDE.md、记忆文件、检索结果、工具输出等所有进入上下文的信息。对于 Claude 5 一代模型，官方更是提出了"上下文工程新规则"，强调给模型正确的信息，比给它更多的信息更重要。

配套的实用技巧还包括：合理使用上下文压缩（compacting）策略以降低 token 消耗、保持会话连续性、把上下文模块化管理等。

八、提示词工程仍是基本功：可控成功标准

核心观点：提示词工程解决的是"可通过措辞控制"的成功标准，但并非所有问题都该用提示词解决。

官方提示词工程指南提醒开发者：先分清哪些目标是提示词能控制的，哪些不是。一些失败的评估结果，其根因可能在于数据、工具或架构，而非 Prompt 措辞——这种情况下再怎么改提示词也收效甚微。

在"可通过提示词控制"的范畴内，被反复验证有效的做法包括：清晰且具体的指令、正负例结合、鼓励分步推理、要求特定的 XML 标签结构化输出、明确期望的长度与格式。这些基本功在最新的 Opus / Sonnet 一代模型上依然适用。

九、Ultrathink 与"思维预算"：按需分配深度思考

核心观点：通过关键词控制模型的思考深度，是一个低成本、高回报的隐藏技巧。

一篇聚焦实用技巧的文章指出，在对话中输入特定关键词（如ultrathink）可以触发模型的最高级别深度思考模式，为复杂问题分配更大的"思维预算"（thinking budget）。

这背后的实用价值在于：并非所有任务都需要深度推理。简单任务用默认模式快速响应，复杂的架构设计、疑难 Bug 排查再显式提高思考层级，从而在"响应速度"和"推理质量"之间取得平衡。同类技巧还包括命令前缀、键盘快捷键、自定义命令等，共同构成一套"效率工具箱"。

十、Hooks 与自动化：让工作流"自己跑起来"

核心观点：Hooks 把"事件触发自动化"引入 Agent 工作流，是从"手动指挥"迈向"自动流水线"的关键一步。

在成熟的 Claude Code 实践中，Hooks（钩子）允许你在特定事件发生时（如工具调用前后、会话结束时）自动执行预定义动作，例如自动格式化代码、运行 lint、触发测试或提交检查。

结合前面提到的子代理、CLAUDE.md 持久记忆、MCP 外部工具接入，一个完整的生产级工作流形态逐渐清晰：CLAUDE.md 定义规则与边界 → 子代理并行探索与执行 → MCP 触达真实系统 → Hooks 自动化触发校验。这套组合拳，正是 2026 年"Agentic 开发"的主流范式。