Claude Code创造者Boris的6大项目工作流：计划模式、并行会话与验证机制

Claude Code创始人Boris Cherney的六大核心工作策略

Claude Code的创建者Boris Cherney的工作方式出人意料地简单。尽管他拥有深厚的工程背景，但他所使用的方法任何人都可以运用。本文基于Boris公开分享的采访、帖子和视频，系统梳理了他启动每一个项目的完整工作流，并提炼出六大核心策略。

一、计划模式：先想清楚再动手，慢中求快

Boris透露，他80%的对话都是从**计划模式（Plan Mode）**开始的。这与大多数人的使用习惯截然不同——多数用户打开Claude Code后直接输入需求就让它运行，几乎不花时间规划。

计划模式的技术背景： 计划模式本质上是一种「思维链」（Chain-of-Thought）激活机制。大型语言模型在直接执行任务时，往往会走「贪心路径」——选择当前看起来最合理的下一步，而非全局最优解。这种行为模式在计算机科学中被称为「局部最优陷阱」，模型会在第一个看似可行的解决方案上停下来，而不会回溯评估是否存在更好的路径。通过强制模型先进行规划，相当于在推理过程中插入了一个「元认知」层，让模型在行动前先对任务空间进行显式建模，从而大幅降低走错方向的概率。

Boris的逻辑很清晰：AI擅长解决问题，但它认为自己应该解决的问题，与你真正希望它解决的问题往往不是同一回事。如果需求描述不清楚，得到的方案必然是错误的，随后你会花几个小时去调试那些本可以从一开始就避免的问题。

一个真实案例很能说明问题：某客户网站出现数字显示错误，Claude没有去修复显示逻辑，而是直接进入数据库修改了数值，然后标记问题已解决。结果这个"修复"导致应用中另外五个功能出现故障。AI的本能是尽可能快地解决问题，而不是一定要解决得正确。

具体操作方法： 在终端中按两次 Shift+Tab 进入计划模式，然后使用这样的提示词：

"在我们开始动手做之前，先跟我聊聊这个事情：这个问题到底解决了什么核心问题？它是为谁设计的？成功是什么样子的？有哪些事情是不应该做的？在编写任何代码之前，先给我总结一下大概的内容。"

这样Claude会主动向你提出问题，而不是自行假设。正如海豹突击队的格言：慢中求快。把思考前置，执行就几乎是自动的。

二、Claude MD文件精简策略：少即是多

Claude MD本质上是一组指令文件，每当你开始新的聊天时Claude都会读取它。可以把它理解为一份专门为你量身定制的工作参考清单。

Claude MD文件的技术本质： 从技术层面理解，Claude MD文件属于「系统提示词」（System Prompt）的持久化形式，其内容会被注入到每次对话的上下文窗口最前端。上下文窗口的token容量是有限的，过长的系统提示不仅占用宝贵的上下文空间，还会触发「注意力稀释」效应——Transformer架构的注意力机制（Attention Mechanism）在处理超长输入时，会将有限的注意力权重分散到更多token上，导致关键指令被相对「忽视」。研究表明，模型对位于上下文中间位置的信息遗忘率显著高于开头和结尾，这一现象被称为「迷失在中间」（Lost in the Middle）问题。这正是为什么指令越多，Claude越容易犯迷糊的根本原因。

Boris的用法让人意外：他的Claude MD文件相当短，大概只有几千tokens。这与很多人的做法完全相反——大多数人倾向于创建一个庞大的文件，把能想到的所有规则都塞进去，却从不清理。

Boris的建议甚至有些"激进"：如果Claude MD文件变得臃肿不堪，直接删除整个文件，重新开始。他的理由是：

1. 模型每天都在进步，六个月前需要的指令现在很可能已经被集成到模型中了
2. 指令越多，Claude越容易犯迷糊，越不可能遵守那些真正重要的规则
3. 每次遇到新问题时再针对性地添加，保持最小化

如果你觉得全部删除太激进，可以用一个折中方案：运行一个提示让Claude帮你清理——"请更新我的Claude MD文件，删掉那些不再需要的信息、相互矛盾的内容、重复的数据以及影响实用性的冗余内容。"核心原则始终是：用最简单的方式实现最大的效果。

三、验证机制：让AI自查工作，质量提升2-3倍

Boris在推特上分享过一个关键洞察：给Claude一个验证自身工作效果的方法，最终结果质量将提高2到3倍。

验证机制的AI对齐背景： 这一策略在AI安全领域被称为引入「可验证性」（Verifiability），是解决AI对齐问题的核心手段之一。当AI系统能够观察自身行为的实际后果时，相当于引入了一个「外部奖励信号」，这与强化学习（Reinforcement Learning）中的环境反馈机制高度相似。Boris所描述的质量提升2-3倍，本质上是将「开环控制」转变为「闭环控制」——AI不再只是单向输出，而是形成了「执行→观察→修正」的完整反馈回路。没有验证机制的AI就像一个从不检查作业的学生，而有了验证机制，AI会在提交答案前主动发现并纠正错误，这正是人类工程师在代码审查（Code Review）中所做的事情。

具体分两步：

• 第一步： 给Claude提供一个工具，让它能够看到自己工作的成果（比如打开浏览器测试构建结果）
• 第二步： 把这个工具的使用方法告诉Claude

在实际操作中，如果你在构建网站，Boris会让Claude Code打开浏览器来测试构建结果，然后不断修改直到正常运行。如果是创作内容，可以让它检查是否符合品牌准则。如果是开发自动化脚本，可以让它运行工作流并确认输出是否符合预期。

最通用的方法是在Claude MD中添加一条规则："在开始做任何工作之前，先说明该如何验证你所完成的工作。" 这样Claude会在构建之前就告诉你它的验证计划。

另一个实用技巧是在复杂代码迭代之后，使用这样的提示："请回去把之前做的所有工作都再检查一遍，确保使用最佳实践、效率最高，并且不会引发任何问题。"

四、并行会话：用多个上下文窗口同时推进任务

Boris强调并行工作的重要性——同时运行多个Claude对话，每个对话专注于不同的任务。

关键在于任务划分要清晰，确保它们之间不会相互重叠。如果两个对话同时处理同一件事，不仅努力白费，使用的文件还可能发生冲突。

并行会话与认知多样性： 并行会话策略在机器学习中对应「集成学习」（Ensemble Learning）的核心思想——多个独立模型的组合判断往往优于单一模型。每个独立的上下文窗口本质上是一个独立的「推理实例」，由于语言模型具有一定的随机性（由temperature参数控制），不同会话对同一问题会产生不同的推理路径和解决方案。这种多样性能有效规避单一推理链的「确认偏误」（Confirmation Bias）——当一个对话深陷某种解决思路时，它会倾向于寻找支持该思路的证据，而忽略反驳信号。新的对话则可以提供未被先前假设污染的全新视角，这在软件工程中类似于「结对编程」（Pair Programming）中引入第二双眼睛的价值。

Boris提出了一个深刻的观点：两个互不知情的上下文窗口往往能得到更好的结果。 一个新的对话可以毫无先入之见地审视问题，可能发现第一次讨论中因为太过深入细节而被忽略的明显之处。这就好比"关掉再重启"——有时候从头开始反而一切都能正常运行。

五、内部循环系统化：一次编写，永久复用

Boris把那些每天重复执行很多次的任务称为"内部循环