Claude Code隐藏优势解析：值得所有AI编程工具借鉴的设计

知名开发者Theo（t3.gg）最近频繁使用Claude Code进行日常开发，尽管他对Anthropic有诸多不满，但不得不承认Claude Code在智能体编程领域做出了多项领先设计。他录制这期视频的目的很明确：不是为了吹捧Claude Code，而是希望其他所有同类工具都把这些优点抄过去。

技能中执行脚本：被低估的杀手级功能

几乎所有AI编程工具都支持"技能"（Skills）功能，本质上就是Markdown文件。在当前的AI编程工具生态中，这类技能文件是一种结构化的提示词工程方案——开发者将常用的工作模式、代码规范、操作流程等编写为Markdown文件，AI智能体在执行任务时会加载这些文件作为上下文指令。Cursor称之为Rules，GitHub Copilot使用Instructions文件，各家命名不同但本质相似。但Claude Code有一个关键差异：支持在技能中执行脚本。

Theo展示了他自己制作的一个名为"Reboot"（仓库浏览器）的技能，用于让AI智能体探索外部依赖库的实现。这个技能的核心逻辑是：将开源仓库克隆到指定目录，然后让模型专门探索该仓库内容，而不会打乱当前工作区。

关键在于，Claude Code支持在加载技能时就执行脚本获取信息——比如列出缓存目录中已有的仓库列表。传统的静态技能文件只能提供固定文本指令，AI需要自行执行命令来了解环境状态；而可执行技能在加载阶段就能动态获取当前Git分支状态、已安装的依赖版本、本地缓存内容等实时信息，并将其注入到AI的上下文中。这直接省去了一个本来需要模型额外执行的步骤，让技能的长度缩短一半，可靠性和容错性大幅提升。

对于安全性顾虑，Theo的态度很直接："我们用NPM的时候早就面临同样的问题了。代码就在这里，还能让大语言模型来审计它，这比我们用NPM时干的一半破事都要安全。"

目前Pi扩展和Open Code已经开始引入类似特性，但Claude Code仍是这方面做得最完善的。

CLAUDE.md的巧妙设计：导入机制与本地覆盖

行业里存在两个相互竞争的配置标准：AGENTS.md和CLAUDE.md。AGENTS.md最初由OpenAI在推出Codex CLI时提出，旨在为所有AI编程智能体提供统一的项目级指令文件，类似于.editorconfig之于代码编辑器。该文件放置在项目根目录，描述项目架构、编码规范、测试要求等信息，Cursor、Windsurf、Cline等主流工具纷纷跟进支持。而Anthropic坚持用自己的专属文件CLAUDE.md，这在社区中引发了"标准分裂"的争议。Theo最初对此颇有微词，但逐渐发现了CLAUDE.md的独到之处。

文件导入机制

CLAUDE.md支持用@import语法导入额外文件，启动时被导入的文件会被展开并加载到上下文中。支持相对路径和绝对路径，还可以递归导入，最大深度四层。

这意味着一个非常实用的操作：直接在CLAUDE.md中导入AGENTS.md，就能同时拥有两套配置的全部内容，外加专门给Claude用的特殊配置。这种设计巧妙地化解了标准分裂的矛盾——它在兼容行业通用标准的同时，还能叠加Claude专属的高级配置，实现了向后兼容而非对立竞争。不用软链接，不用维护两个文件，简洁优雅。

本地覆盖文件

CLAUDE.local.md是另一个亮点。把这个文件加到全局.gitignore里，就可以添加个人专属的工作指令，完全不影响团队其他成员。这解决了团队协作中一个常见痛点：不同开发者想要不同配置时的冲突问题。例如，一位偏好详细注释的开发者和一位偏好简洁代码的开发者可以各自维护自己的local文件，而团队共享的CLAUDE.md则只包含所有人都认同的基础规范。

深度链接与远程控制：打通工作流的最后一公里

Claude Code支持自定义协议格式claude-cli://，可以通过链接直接启动会话。这种自定义URI协议（也称Deep Link）的工作原理与我们日常使用的mailto://、slack://、vscode://等协议相同——操作系统允许应用程序注册自定义协议处理器，当用户点击包含该协议的链接时，系统会自动启动对应的应用程序并传递参数。Theo设想将这个功能集成到HTML规划页面中，点击链接就能自动打开终端执行对应任务。

不过这个功能有个限制：工作电脑必须和运行Claude Code的是同一台，因为协议处理器必须在本机注册，无法跨设备触发。对于习惯在局域网其他设备上运行的用户来说体验不够理想。

远程控制功能（/remote-control）则弥补了部分遗憾——通过claude.ai网站或手机上的Claude应用，可以直接控制本地电脑上运行的Claude Code实例。Theo表示以后跑大量任务时出门在外会经常使用这个功能。

动态工作流：让智能体自己写代码编排任务

这是Theo认为最酷的功能。工作流（Workflow）不是简单地开多个任务并行处理，而是分阶段的动态工作流，包含不同步骤、不同角色的子智能体。

这本质上是一种多Agent系统（Multi-Agent System）的实现。在这种架构中，一个"编排者"（Orchestrator）智能体负责分析任务、拆解子任务、分配角色，然后启动多个"工作者"（Worker）智能体并行或串行执行。这与学术界研究的AutoGen、CrewAI等多智能体框架理念一致，但Claude Code的独特之处在于编排逻辑本身也是由AI动态生成的代码，而非预定义的有向无环图（DAG）。

Theo演示了一个实际案例：审计项目中所有打开的PR。工作流自动拆分为三个阶段：

1. 审计阶段：每个PR分配一个只读智能体
2. 裁决阶段：在有重叠功能的PR组中选出最优方案
3. 验证阶段：分配对抗性检查智能体进行验证

每个子智能体可以被赋予不同的权限级别——比如只读权限用于审计、写入权限用于修改代码——这种最小权限原则（Principle of Least Privilege）的应用有效降低了多智能体协作中的风险。对抗性检查（Adversarial Review）则借鉴了红队测试的思想，让一个智能体专门挑战另一个智能体的结论，提高输出质量。

最令人惊叹的是，工作流完全采用代码模式。模型会自己编写JavaScript代码来编排整个流程——包括动态生成提示词的函数、三元表达式根据PR历史记录插入不同上下文、以及Pipeline调用来定义所有子任务。

Theo感叹道："它写了40行完全用完就扔的代码，这辈子只会执行一次，就是为了运行这个工作流。"模型甚至会给自己写提示词，提前告知其他模型容易犯的错误——Fable在这方面表现尤为出色。

不过工作流的成本极高。据Theo测试，运行一个8并行线程的工作流，每10分钟大约消耗100美元。这个数字背后的Token经济学值得理解：8个并行线程意味着同时运行8个独立的AI会话，每个会话都需要加载完整的上下文（包括项目文件、PR内容、技能文件等），并进行多轮推理。以Claude Sonnet 4为例，输入Token价格为每百万Token 3美元，输出为15美元。一个复杂的PR审计任务中，每个子智能体可能需要处理数万行代码差异，8个并行任务在10分钟内的累计消耗轻松突破百万Token级别。他录视频期间，短短几分钟就从9%用到了24%的月度额度。这种成本结构意味着动态工作流更适合高价值场景，如大规模代码审计、安全检查等，而非日常编码任务。

其他值得关注的实用细节

• /btw命令：在当前对话中开启独立子对话，快速问侧边问题而不打断主任务。这类似于IDE中的"快速查看"功能，但应用在AI对话层面——主对话的上下文和状态完全保留，子对话结束后无缝回到原任务。
• 分支与回退：/branch命令可以基于现有对话历史做另一个方向的尝试。这借鉴了版本控制中分支的概念，当开发者对AI当前的解决方向不确定时，可以创建分支探索替代方案，而不必丢失已有的对话进展。
• Worktree参数：--worktree可以快速创建Git子工作树，适合临时任务。Git Worktree是Git 2.5版本引入的功能，允许从同一个仓库创建多个工作目录，每个目录可以检出不同的分支。与传统的git clone不同，worktree共享同一个.git目录和对象数据库，因此创建速度极快且几乎不占用额外磁盘空间。当AI智能体需要在实验性分支上进行大量修改时，使用worktree可以完全隔离变更，不影响开发者当前的主分支工作。如果AI的修改不理想，直接删除worktree目录即可。
• 全屏模式：使用终端备用屏（Alternate Screen Buffer）渲染，避免闪烁和滚动缓冲区问题。这是终端应用的一种标准技术，vim、htop等工具也使用同样的机制，确保退出应用后终端恢复原始状态。
• 多账号切换：额度快用完时可以无缝切换账号，正在运行的任务不会中断

总结：代码是最灵活的中间层

Theo的核心观点值得所有AI编程工具的开发者思考：代码是最灵活的中间层。当智能体可以自己写代码来编排任务时，它每次运行工作流实际上都在为自己构建定制化功能。这比预定义的工具调用接口（如Function Calling或MCP协议中的固定工具集）灵活得多——预定义接口只能调用开发者事先设计好的功能，而动态代码生成让AI能够根据具体任务的独特需求，即时创造前所未有的处理逻辑。

正如他所说："让模型自己写代码来做额外的子提示，才能真正发挥出模型的超强能力。在这种模式下，代码不只是模型的输出，更是模型多次运行之间的中间步骤。"

这些功能中的大部分并非不可复制，关键在于设计理念的领先。希望Cursor、Codex、Pi等工具能尽快跟进，让整个AI编程生态都能受益。

核心要点