跳到主要内容
AIDEV CATALOGNOTE

Boris Cherny分享：高质量 AI Coding 工作流总结

来源：@TechByArti 主讲：Boris Cherny，Claude Code 创建者 视频链接： https://x.com/TechByArti/status/2097224895692525771

一、视频核心观点​

这段视频表面上是在讲“怎么写好 Claude Code Prompt”，但真正讲的并不是 Prompt 技巧。

Boris 的核心方法可以概括成三个部分：

  1. 给 AI 准确、精简、分层的上下文，而不是把所有资料全部塞进去。
  2. 把 CLI、MCP、日志、测试等真实工具交给 AI，让它能自己获取信息和执行任务。
  3. 给 AI 一个可以验证自己工作的反馈闭环，让它自己反复执行、检查、修正。

因此，Claude Code 的正确使用方式不是：

写一个更复杂的 Prompt
→ 等 AI 一次生成正确答案

而是：

Context
+
Tools
+
Plan
+
Execution
+
Verification
+
Iteration

高质量 AI Coding 的关键，并不是“Prompt 写得多漂亮”，而是上下文工程 + 工具能力 + 验收闭环。

二、核心内容拆解

1. 先做代码库问答，不要一上来就让 AI 改代码​

Boris 最推荐的起手方式是：

先把 Claude Code 当成一个代码库专家，而不是代码生成器。

例如先问：

这个模块是怎么工作的？

这个类在哪里被实例化？

这个函数为什么有这么多参数？

帮我查看 Git 历史，这几个参数是什么时候引入的？

这个设计最初是为了解决什么问题？

Claude Code 可以继续去：

Read Code
↓
Search Files
↓
Git History
↓
Commit
↓
Issue / PR
↓
解释为什么代码最终变成现在这样

这一步非常重要。

很多 AI Coding 的失败，并不是模型不会写，而是：

AI 不知道为什么代码现在是这个样子

如果直接修改，很容易：

看到旧代码
↓
认为它写得不好
↓
“优化”
↓
破坏历史设计约束

所以一个更合理的流程是：

Understand
↓
Plan
↓
Implement

而不是：

Prompt
↓
Implement

2. CLAUDE.md 应该分层，而不是无限堆上下文​

视频里一个很重要的思想是：

Context 应该根据作用范围分层，并且按需加载。

Claude Code 可以存在多种上下文层级。

企业 / 公司级​

放整个公司都必须遵守的东西，例如：

安全规则
禁止执行的命令
公司通用开发规范
企业 MCP
统一工具

特点：

所有项目生效
↓
管理员控制
↓
普通员工不能覆盖部分策略

用户全局级​

属于个人、跨项目都适用的习惯。

例如：

代码风格
回答方式
Git 使用习惯
个人工作流

类似：

~/.claude/

或者个人全局配置。

项目级​

项目根目录：

CLAUDE.md

通常应该提交到 Git。

适合记录：

项目架构
常用命令
代码规范
关键目录
测试方式
项目特殊约束

例如：

# Project

## Commands

npm run dev
npm run test
npm run lint

## Architecture

src/api
src/pages
src/components
src/hooks
src/utils

## Rules

- React hooks follow xxx conventions
- API requests go through src/api
- Do not modify database schema without confirmation

每次进入项目工作时，Claude Code 会自动读取。

子目录级​

大型项目还可以继续：

repo/
├── CLAUDE.md
├── frontend/
│   └── CLAUDE.md
└── backend/
    └── CLAUDE.md

只有工作涉及对应目录时，相关上下文才需要被加载。

这是一种非常重要的设计思想：

Context ≠ 越多越好

而应该：

Relevant Context
>
Maximum Context

Boris 特别强调 CLAUDE.md 要尽可能短。

文件太长：

占用 Context Window
↓
无关信息增加
↓
真正重要的信息权重下降

因此上下文应该：

全局稳定规则 → 全局文件

项目规则 → 项目 CLAUDE.md

模块规则 → 子目录 CLAUDE.md

具体任务信息 → 当前会话 / @file

这就是上下文分层。

3. 用 MCP / CLI 把真实世界交给 AI​

如果 Claude 只能：

读代码
+
写代码

它仍然只是一个增强版代码生成器。

真正让 Agent 变强的是：

Tools

Claude Code 可以使用：

Bash
CLI
MCP
Git
GitHub
Puppeteer
Sentry
Cloud Storage
内部工具

例如：

Sentry CLI
↓
Claude 读取线上异常
↓
定位代码
↓
分析根因
↓
修改代码
↓
运行测试

或者：

Puppeteer MCP
↓
启动页面
↓
截图
↓
Claude 查看截图
↓
发现 UI 不符合设计
↓
继续修改
↓
再次截图

Anthropic 自己的项目里就会共享 MCP 配置，例如 Puppeteer MCP，让团队成员都能使用同一套 Agent 工具链。

这说明一个重要趋势：

未来项目仓库不仅包含代码

还会包含：

Code
+
Context
+
Tools
+
Agent Workflow

4. 不要让 AI 直接写大型功能：先 Plan​

对于较大的功能，Boris 推荐：

先不要写代码。

先：
1. 理解问题
2. Brainstorm 几种方案
3. 做一份实现计划
4. 给我 Review
5. 我确认以后再实现

可以直接写：

Don't write code yet.

First:
1. Understand the problem.
2. Brainstorm possible approaches.
3. Create an implementation plan.
4. Show me the plan.
5. Wait for my approval before implementation.

原因很简单。

一个功能如果最后会产生：

3000 行代码

你应该在：

第 0 行

发现方向错了。

而不是：

第 3000 行

才开始返工。

所以：

Planning Cost << Rework Cost

5. 真正提升 AI 质量的方法：给它“验收器”​

这是整段视频里最值得记住的思想之一。

Boris 的意思可以概括为：

如果 Claude 有办法检查自己的工作，它就可以自己迭代。

例如：

后端​

修改代码
↓
npm test
↓
测试失败
↓
读取错误
↓
继续修改
↓
npm test

Web UI​

修改页面
↓
Puppeteer 打开页面
↓
截图
↓
Claude 查看截图
↓
发现布局错误
↓
继续修改
↓
再次截图

iOS​

修改代码
↓
启动 Simulator
↓
截图
↓
Claude 检查
↓
继续迭代

Boris 提到，让 Claude 自我检查并迭代 2～3 次，结果通常会明显改善。

所以真正优秀的 Agent Prompt 不应该只是：

帮我实现这个功能

而应该是：

Implement
↓
Verify
↓
Fix
↓
Verify
↓
Stop when done

这其实已经不再是 Prompt Engineering。

而是：

Feedback Loop Engineering

6. 上下文需要“修剪”，不能硬堆​

Boris 明确强调：

CLAUDE.md 应该尽量保持简短。

判断一条信息应该放在哪里，可以问：

是不是每次任务都需要？

如果：

YES
→ CLAUDE.md

如果：

只在某类任务需要
→ Slash Command / Skill / 子目录规则

如果：

只在当前任务需要
→ 当前 Conversation

如果：

只是一个文件的信息
→ @file

所以一个好的 Context Engineering 策略是：

Always Context
+
On-demand Context
+
Task Context

而不是：

All Context

7. 多开 Claude，并行推进任务​

高级用户通常不会只运行一个 Claude Code。

而是：

Claude A → Feature A

Claude B → Bug Fix

Claude C → Refactor

Claude D → Test

为了防止修改互相干扰，可以使用：

git worktree

例如：

repo-main/

repo-feature-a/

repo-fix-login/

repo-refactor-api/

每个：

worktree
+
Claude session
+
独立任务

即可并行工作。

视频明确提到高级用户会使用：

SSH
tmux
多个 checkout
git worktree
多个 Claude Session

并行推进工作。

需要注意：

“一个任务一个会话”是对该工作方式非常合理的实践总结，但并不是视频里的逐字规则。

三、视频推荐的完整 Claude Code 工作流

整个流程可以整理成：

需求
↓
Explore
↓
Codebase Q&A
↓
理解代码 / Git History / Issue
↓
补充 Context
↓
CLAUDE.md / @file / MCP
↓
Plan
↓
Brainstorm
↓
Implementation Plan
↓
Human Review
↓
Implement
↓
运行工具
↓
Test / Screenshot / Lint / Build
↓
Agent 自我检查
↓
失败
└────────→ Fix
             ↓
           Verify

通过
↓
Commit
↓
Push
↓
PR

也就是：

Explore
→
Plan
→
Approve
→
Implement
→
Verify
→
Iterate
→
Deliver

四、几个非常实用的 Claude Code 技巧

@

主动拉入文件：

@src/auth/login.ts

让当前任务获得精确上下文。

!​

直接执行 Bash：

!npm test

命令和结果都会进入当前上下文。

#​

把信息写进 Memory / Context。

并且可以决定信息应该进入哪一个层级。

/memory​

查看当前到底加载了哪些 Memory / CLAUDE.md。

适合调试：

Claude 到底知道了什么？

Esc​

立即打断 Claude。

Agent 走偏时不要让它继续跑。

Esc Esc​

回到之前的 Prompt 并修改。

Shift + Tab​

切换自动接受修改。

--resume / --continue​

恢复之前的 Claude Code Session。

五、Claude Code 也可以作为 Unix 工具

Claude Code 不一定必须以聊天界面运行。

可以：

claude -p "Analyze this log"

然后：

stdin
↓
Claude
↓
stdout JSON

例如：

cat app.log | claude -p "Analyze errors in this log"

甚至：

gcloud storage cat app.log |
claude -p "Find anomalies" |
jq .

这意味着 Claude Code 可以被接入：

CI
日志分析
监控
自动化
事故响应
数据处理
Agent Pipeline

从“Coding Assistant”进一步变成：

Unix Agent

六、结合实际开发，可以直接采用的方案

对于一个新项目：

Idea
↓
Grill / Requirement Clarification
↓
CONTEXT / SPEC
↓
CLAUDE.md
↓
Plan
↓
Implement
↓
Test
↓
Review
↓
Knowledge Update

目录可以演进成：

repo/
├── AGENTS.md
├── CLAUDE.md
├── docs/
│   ├── CONTEXT.md
│   ├── architecture.md
│   └── decisions/
├── .claude/
│   ├── commands/
│   └── skills/
├── .mcp.json
└── src/

这里各自负责：

AGENTS.md
→ Agent 工作边界 / 红线

CLAUDE.md
→ 项目长期高频上下文

CONTEXT.md
→ 业务领域知识

ADR
→ 真正重要且难以逆转的架构决策

Skill
→ 可重复工作流

MCP
→ 外部工具和真实系统

Conversation
→ 当前任务上下文

这样 Context 就不会全部挤进：

CLAUDE.md

七、看完视频最值得执行的行动

  • 检查自己的 CLAUDE.md，删除低频和冗余信息。
  • 把稳定规则放全局，把项目规则放项目级，把模块规则放子目录。
  • 新项目先做 Codebase Q&A，不急着修改代码。
  • 大功能统一采用 Explore → Plan → Approve → Implement。
  • 给 Agent 配测试、Lint、Build、截图等自动验收能力。
  • 能通过 CLI / MCP 获取的信息，不再手动复制给 Agent。
  • 多任务改用 git worktree + 独立 Claude Session 并行。
  • 把“AI 写完”改成“AI 写完并自己验证通过”作为完成标准。

八、我的理解

这段视频真正值得学习的不是 Claude Code 的快捷键。

而是 Boris 对 AI Coding 的基本认知：

过去的软件开发是：

Developer
→
Code

第一阶段 AI Coding 是：

Developer
→
Prompt
→
AI
→
Code

而 Agent Coding 正在变成：

Developer
↓
定义目标
↓
提供 Context
↓
提供 Tools
↓
提供 Verification

Agent
↓
Explore
↓
Plan
↓
Implement
↓
Verify
↓
Iterate

人的价值逐渐从：

如何写代码

转向：

AI 应该知道什么？

AI 可以使用什么？

AI 怎么知道自己做对了？

什么时候应该停止？

这也是为什么 Context Engineering、Agent Skills、MCP、AGENTS.md、自动测试和反馈循环正在变得越来越重要。

九、一句话总结

不要试图靠一个“完美 Prompt”让 AI 一次写对；给它精准的上下文、真实的工具和可执行的验收标准，让 Agent 自己在反馈循环里把事情做对。