Claude Code 进阶：拆解 Anthropic 工程师异步工作流的底牌

上周我花了整整一个周末，试图用 Claude Code 搭一个自动化代码审查流程。写了十几个 prompt，配了三个 MCP server，结果跑出来的 PR review 质量还不如我自己扫一眼。

直到我翻到 Anthropic 在今年 5 月 6 日那场 Code with Claude 大会的 workshop 录播，才发现问题出在哪——我一直把 Claude Code 当搜索引擎用，而 Anthropic 自己的工程师，是把它当操作系统用的。

普通用户和 Anthropic 工程师之间，隔着三道墙

大多数开发者用 Claude Code 的方式，基本就是打开终端，敲一句 prompt，等结果，复制粘贴。偶尔高级一点，配个 MCP server 连接 GitHub 或数据库。

但 Anthropic 工程师 Boris Cherny（Claude Code 的创造者）在大会上演示的工作流，完全不是这个量级——他同时开着好几个 Claude Code session，每个都在独立跑不同的任务。有的在写功能代码，有的在跑测试，有的在做 code review。

他本人只需要在某个 session 需要决策时切过去看一眼。

他原话说："We think that going forward a lot of code is going to be written in an async way."

这不是未来愿景，这是 Anthropic 内部今天就在用的工作方式。

差距在哪？三样东西：Agent SDK、Skills、MCP。这三者组合起来，才构成 Claude Code 的完整能力。但绝大多数人只用了 MCP，甚至 MCP 都没用好。

Agent SDK：把 Claude Code 的引擎装进你的代码里

先说 Agent SDK。这是 Anthropic 提供的一套 Python/TypeScript SDK，本质上是把 Claude Code 的核心 agent 循环、工具调用、上下文管理全部打包成了可编程的接口。

什么概念？你不再需要在终端里一句一句地跟 Claude 对话了。

你可以写一个 Python 脚本，让 Claude Code 作为后台 agent 自动执行一整套流程——读代码、写测试、跑 CI、提 PR，全程不需要你盯着。

from claude_agent_sdk import query, ClaudeAgentOptions

options = ClaudeAgentOptions(
    cwd="/path/to/project",
    skills="all",
    allowed_tools=["Read", "Write", "Bash"],
)

async for message in query(prompt="审查这个 PR 的所有改动", options=options):
    print(message)

这就是从"人驱动 AI"到"AI 自主执行"的关键一步。

Daisy Hollman 在大会的"Beyond the basics"分享里讲得很直白：用好 Claude Code 的关键不是写出更好的 prompt，而是搭好基础设施——让 Claude 自己知道该做什么。

我的判断是：Agent SDK 才是 Claude Code 真正的杀手锏。 大多数人还在比拼谁的 prompt 写得好，但 Anthropic 工程师已经把 Claude Code 变成了一个可以编程调用的基础设施。这个差距会越来越大——如果你还在手动写 prompt 驱动 Claude，建议现在就开始学 Agent SDK。

Skills：给你的 AI 一份"入职手册"

Skills 是整个体系里最被低估的部分。

Anthropic 对 Skills 的定义很形象：给 agent 构建一份技能，就像给新员工准备入职手册。你不需要从零教每个新人怎么做 PDF 处理、怎么做 code review——你把流程写成文档，新人入职时读一遍就会了。

具体来说，一个 Skill 就是一个文件夹，里面放一个 SKILL.md 文件：

.claude/skills/code-review/
└── SKILL.md

关键设计是渐进式披露（progressive disclosure）。启动时 Claude 只读取每个 Skill 的名称和描述（几十个字），不占上下文。只有当任务相关时，才加载完整内容。

这意味着你可以装几十个 Skill 而不用担心把 context window 撑爆。

这解决了 AI 编程最大的痛点之一：上下文不够用。

以前你每次想让 Claude 按你的团队规范做 code review，都得在 prompt 里写一大堆背景信息。现在你只需要把规范写成一个 Skill，Claude 会自己判断什么时候该读它。

Daisy Hollman 还提到了一个细节：hooks 是唯一一种在触发前不消耗上下文的扩展机制。也就是说，如果你想在特定事件（比如文件保存）时触发一些逻辑，用 hooks 比在 prompt 里写条件判断高效得多。

如果你只能做一件事，我建议先把团队规范写成 Skills。 这是投入产出比最高的一步——一个 SKILL.md 文件就能让 Claude 每次都按你的标准干活，不用反复解释。

MCP：让 Claude 直接操作你的工具链

MCP（Model Context Protocol）是连接 Claude 与外部工具的开放标准。如果说 Skills 是"知识"，那 MCP 就是"手"——让 Claude 能直接操作 GitHub、数据库、Slack 这些外部服务。

Anthropic 的 Advisor 策略就是一个典型用法：用 Opus 作为顾问，Sonnet 作为执行者。Sonnet 遇到复杂问题时自动请教 Opus，拿到建议后继续执行。客户 eve 用这个方案，以 5 倍低成本获得了前沿模型的质量。

MCP server 可以用三种方式运行：本地进程、HTTP 连接、或直接嵌入你的应用。大多数开发者只配了一两个 MCP server，但 Anthropic 工程师的工作流里，MCP 是和 Skills、Agent SDK 一起构成完整管线的。

我认为 MCP 的真正价值不是"连接更多工具"，而是让 Claude 具备了"操作外部世界"的能力。 没有 MCP，Claude 只能读写本地文件；有了 MCP，它能直接操作你的整个开发工具链。这是一个质变。

Routines：真正改变游戏规则的异步自动化

大会上最让我震撼的，是 Boris Cherny 演示的 Routines 功能。

Routines 本质上是"高阶 prompt"——你定义好触发条件和执行流程，Claude Code 会在满足条件时自动执行。比如每天早上自动检查 CI 状态、跑一轮安全扫描、然后把结果汇总成 PR 发给你。

Boris 说他现在很多代码都是 Routines 写的。你睡觉的时候，Claude 在帮你写代码、跑测试、提 PR。早上醒来，review 一下就行了。

这才是"AI 编程"的终极形态——不是你对着终端敲 prompt，而是你定义好规则，AI 自己干活。

你现在就能复用的三件事

看完这些 workshop，我总结了三件普通开发者今天就能做的事：

第一，把你的团队规范写成 Skills。 不需要多复杂，一个 SKILL.md 文件就够。把你做 code review 时的检查清单、代码风格要求、常见坑都写进去。下次 Claude 做 review 时会自动加载。

第二，用 Agent SDK 替代手动 prompt。 如果你有重复性的代码任务（比如每天跑一次依赖检查 + 生成报告），写一个 Python 脚本调用 Agent SDK，让 Claude 自动执行。

第三，配好你的 MCP server。 至少把 GitHub 和你常用的数据库接上。让 Claude 能直接读你的代码仓库、查你的数据，而不是每次都要你手动复制粘贴。

这三步做完，你会发现 Claude Code 从"一个聪明的聊天机器人"变成了"一个靠谱的自动化工程师"。

回过头看，今天大多数开发者还在手动写 prompt 驱动 Claude Code，这件事本身不会被记住。 真正会被记住的是 Anthropic 这次把 Agent SDK + Skills + MCP 三条线同时开放——这才是 AI 编程工具从"聊天"到"操作系统"的产业拐点。

你在用 Claude Code 的过程中，最头疼的问题是什么？欢迎来 云栈社区 聊聊你的踩坑经历。