来源: 本文基于 Anthropic 工程师、Claude Code 开发者 Boris Cherny 在社交平台上的完整分享整理。 核心哲学: 不要优化“Token 成本”，要优化“可靠变更的成本”。使用最聪明的模型，建立最强的机构记忆。
1. 基础设施与环境设置 (The Setup)
Boris 的工作方式并非简单地运行一个 Claude 对话，他更像是指挥一个乐团，并行运行多个 AI 实例来实现高效协同。
并行化策略 (Parallelization)
核心思想是告别串行，拥抱并行。
- 终端设置: 在终端中开启 3-5 个并行 Tab，并分别进行编号（例如 1-5）。
- Git Worktrees: 使用
git worktree 而不是简单地切换分支。这允许每个 Tab 都在完全独立的目录中工作，彻底避免不同任务间的文件冲突，是并行开发的基础设施。
- 通知系统: 开启系统通知。当某个 Tab 中的任务完成或需要你人工确认时，可以立刻收到提醒，让你能及时切换上下文。
模型选择
- 首选模型: Claude 4.5 Opus（或当前可用的最强“思考”模型）。
- 原则: “Use the Slowest, Smartest Model by Default.”（默认使用最慢但最聪明的模型）。
- 理由: 修复 AI 犯错所产生的“纠错税”（Correction Tax）所耗费的时间成本，远高于等待更聪明模型进行推理的时间。一次做对（One-shot）比快速生成后再修补十次要高效得多。
2. 核心大脑：CLAUDE.md (Institutional Memory)
这是整个工作流的基石。它不再是一份静态的、被遗忘的文档，而是整个团队（包括你和AI）共享的、持续进化的“第二大脑”或“机构记忆”。对于想深入研究 AI 编程 方法论的同学来说，这个概念至关重要。
2.1 只有一条铁律
“Mistakes into Memory” (将错误转化为记忆)。每当 Claude 搞砸了（例如代码跑不通、风格不对、使用了废弃的 API），你必须遵循以下步骤：
- 绝对不要：默默地帮它修改错误，或者只是在对话里抱怨一句。
- 必须做：命令它更新
CLAUDE.md 文件。
Hey， you used the wrong testing library. Update CLAUDE.md to strictly forbid this and mandate the new library.
2.2 文件结构最佳实践
对于大型项目（特别是 Monorepo），推荐使用层级化的结构来管理这份记忆：
- 根目录
CLAUDE.md: 存放全局性规范，如 Lint 规则、Commit 信息格式、整体部署流程等。
- 子目录
src/feature-a/CLAUDE.md: 存放该特定功能模块的上下文信息，比如独特的架构设计、已知的边界情况处理逻辑等。
- Lazy Loading (惰性加载): 明确告诉 Claude，只有在进入某个特定目录工作时，才需要去读取该目录下的
CLAUDE.md 规则，避免上下文过载。
2.3 团队协作 (PR Workflow)
CLAUDE.md 文件本身也需要纳入版本控制（如 Git）。- Code Review 新玩法: 在审查同事的 Pull Request 时，如果发现了一个具有普遍性的问题（不仅仅是这个 PR 独有的），除了给出修改意见，可以直接在评论中 @AI（例如
@claude），指令它“将这个新知识写入 CLAUDE.md”。这让团队的知识积累成为了一个自动化、可持续的过程。
3. 每日执行循环 (The Loop)
Boris 的标准 AI 辅助开发流程被严格划分为三个阶段，形成高效闭环。
阶段一：计划模式 (Plan Mode)
切勿直接让 AI 写代码！ 首先利用 Claude 的 Plan Mode（计划模式）。
- 指令: “Create a detailed plan to refactor the auth logic.”（制定一个重构认证逻辑的详细计划。）
- 目标: 让 AI 以文本形式清晰地阐述它打算修改哪些文件、按照什么顺序修改、以及每一步的具体改动是什么。
- 动作: 你与 AI 围绕这个计划进行反复讨论和修正，直到你们对计划的所有细节都达成一致，确保万无一失。
阶段二：自动执行 (Auto-Edit Mode) ⚡️
一旦计划被双方确认通过，立即进入高效执行阶段：
- 切换到 Auto-Accept Edits Mode（自动接受编辑模式）。
- 因为计划已经过充分对齐，此时你可以完全信任最聪明的模型（如 Claude Opus），让它“一气呵成”（One-shot）地执行所有代码变更，而你无需逐条确认。
阶段三：自我验证 (Verification) 🔍
- 不要做 AI 的测试保姆。你应该赋予 Claude 自我验证的能力。
- 提供工具: 确保 Claude 有权限和能力启动本地服务器、访问
localhost 端点或运行项目的测试套件。
- 指令: “Verify your changes by running the test suite. If it fails， fix it.”（运行测试套件来验证你的更改。如果失败，请修复它。）
4. 高级自动化技巧 (Advanced Automation)
Slash Commands & Skills
不要反复输入相同或类似的长篇 Prompt。将高频操作固化为可复用的命令，这体现了 高效开源实战 中的自动化思维。
- 位置: 将这些命令存放在
.claude/commands/ 目录下。
- 示例命令:
/commit-push-pr: 自动完成代码格式化、运行测试、提交代码、推送到远程仓库、并创建 Pull Request 的全流程。/techdebt: 自动扫描代码库，识别出重复代码或不符合规范的模式。/sync-context: 自动抓取 Slack、Notion 或 GitHub 议题中与当前任务相关的讨论内容，作为补充上下文提供给 AI。
语音输入 (Voice Dictation)
- Boris 经常使用语音输入来传达复杂的 Prompt。
- 理由: 人的说话速度通常是打字速度的 3 倍。对于描述复杂的系统架构或业务逻辑，直接“口述”给 AI 往往比逐字打字更加详尽、自然，也更节省时间。
5. 总结：从 “Vibe Coding” 到 “System Engineering”
这套方法的本质，是将 AI 编程从“凭运气编码”（Vibe Coding，即每次祈祷 AI 这次能写对）提升为一项可靠的“系统工程”。
- 输入: 你的意图 +
CLAUDE.md（既定规则与记忆）
- 过程: Plan Mode（目标对齐） -> Opus 模型（强力执行） -> Verification（自我验证）
- 输出: 高质量、可预测且完全符合团队规范的代码变更
现在就开始行动: 在你的项目根目录创建一个名为 CLAUDE.md 的文件，写下你的第一条团队规则。通过持续积累，这份文档将成为你项目最宝贵的 技术知识库 之一。如果你想与更多开发者交流这类 AI 工程化实践，欢迎来 云栈社区 分享你的经验和疑问。 | 
发表于 18 小时前
|
查看: 0|
回复: 0
