知识库/AI 与 Agent

Claude Code 官方最佳实践

属性
来源AI 与 Agent属于高效协作置信· 1 源2026-07-03#claude-code#best-practices#workflow

Claude Code 官方最佳实践

原文:raw/sources/anthropic-claude-code-best-practices.md(code.claude.com 官方文档《Best practices for Claude Code》,原 engineering blog 文章的现行版)。关于 Claude Code 的一手使用方法论。

一个底层约束推出全部实践

多数最佳实践基于同一约束:上下文窗口很快填满,且性能随填满而退化。上下文是最重要的待管理资源——与 context engineering 一文的“attention budget”相呼应。

关键实践

  • 给 Claude 可运行的验证手段:测试、构建退出码、linter、截图对比。没有 check,“看起来完成”就是唯一信号,人就成了验证环节;有了 pass/fail 信号,循环自己闭合。让 Claude 出示证据(测试输出、命令及返回)而非口头宣称成功。
  • 先探索、后规划、再编码、最后提交:用 plan mode 分离研究与执行,避免解决错误的问题。但小任务直接做——“如果一句话能描述 diff,就跳过规划”。
  • 提示词给足具体上下文:指定文件、约束、可参照的既有模式;模糊提示只在探索期有用。
  • CLAUDE.md 要短:每行自问“删掉它 Claude 会犯错吗?“不会就删。臃肿的 CLAUDE.md 会让真正重要的规则被噪音淹没。领域知识放 skills 按需加载,不要常驻。
  • 激进管理上下文:不相关任务之间 /clear;同一问题纠正两次后,清空重来 + 更好的初始提示,几乎总是优于在污染的上下文里继续纠缠。
  • 用 subagent 做调查:探索类工作放独立上下文跑,只回传摘要,保住主对话的上下文预算。见 subagent
  • 规模化claude -p 非交互模式接入脚本/CI;多会话并行(worktrees);Writer/Reviewer 模式——新鲜上下文做审查不会偏袒自己刚写的代码;对抗性审查:任务完成前让 fresh subagent 只看 diff 和标准做审查,但要告诫审查者只报影响正确性的问题,否则会为找而找、导致过度工程。

常见失败模式

kitchen sink session(上下文塞满无关信息)、反复纠正(失败尝试污染上下文)、过度指定的 CLAUDE.md、trust-then-verify gap(貌似合理但没验证)、无边界探索。

对本知识库的印证

本项目多处直接应用此文:lint.mjs 就是“可运行的验证手段”;操作 skills 而非塞满 CLAUDE.md;红队审计即“对抗性审查”的应用。

本页由 AI 从原始资料编译生成、经人工确认后发布;原始资料保留在私有工作区。

人负责策展与提问,AI 负责编译与记账· 源自 Karpathy 的 LLM Wiki 构想