Claude Code创造者分享3个实战技巧：把AI当团队用

Claude Code 的创造者 Boris Cherny 最近在一场访谈中，分享了他日常使用 Claude Code 的真实工作流。作为这款工具的缔造者，他的用法远超大多数人的想象——在他手里，Claude Code 不再是一个简单的编程助手，而是一整支 AI 开发团队。

Claude Code 是 Anthropic 公司推出的命令行 AI 编程工具，与嵌入 IDE 的代码补全插件不同，它直接在终端中运行，能够理解整个代码仓库的上下文，操作文件系统、执行 shell 命令并与 Git 交互。Boris Cherny 此前以《Programming TypeScript》一书闻名于开发者社区，在类型系统和编程语言设计方面有深厚积累。他加入 Anthropic 后主导了 Claude Code 的产品设计，其核心理念是让 AI 成为一个能直接参与完整开发流程的智能体，而不仅仅是一个问答式的代码生成器。

本文拆解他分享的三个最值得普通开发者学习的 Claude Code 技巧，每一个都能显著提升你的 AI 编程效率。

技巧一：并行多任务，不要只开一个窗口

大多数人使用 Claude Code 的方式是：打开一个对话窗口，提一个需求，等它写完，再提下一个。这种串行工作方式严重浪费了 AI 的并发能力。

Boris Cherny 的做法完全不同。他透露自己现在很多工作直接在手机上完成——打开 Claude App，左侧的 Code 标签页里同时运行着多个会话，通常至少有 5 到 10 个，每个会话里又有一堆 Agent 在并行干活。

这里提到的 Agent（智能体）是当前 AI 领域的核心概念之一。与传统的聊天式 AI 不同，Agent 具备自主规划、工具调用和环境交互的能力——它不只是回答问题，而是能够拆解任务、调用终端命令、读写文件、执行代码并根据结果调整下一步行动。从技术实现上看，Agent 与普通聊天机器人的核心区别在于三点：第一，Agent 拥有工具调用（Tool Use / Function Calling）能力，可以执行代码、访问 API、操作文件系统；第二，Agent 具备规划能力，能将复杂任务自主分解为多个子步骤并按序执行；第三，Agent 拥有记忆和状态管理机制，能在多轮交互中保持上下文连贯。当前主流的 Agent 框架（如 LangChain、AutoGPT、CrewAI）大多基于 ReAct（Reasoning + Acting）范式，让模型在推理和行动之间交替进行，形成「思考→行动→观察→再思考」的循环。

多 Agent 并发的思路源自分布式系统和微服务架构的理念：将一个复杂系统拆分为多个独立运行的单元，每个单元专注于单一职责，彼此之间通过共享代码仓库或消息机制协调。这种模式在软件工程中已被证明能显著提升吞吐量和容错能力，如今被迁移到 AI 编程场景中，本质上是把「人管理微服务」变成了「人管理 AI 智能体集群」。

更夸张的是，他在采访中提到：白天可能有几百个 Agent 在跑，晚上会有几千个 Agent 做更深层的工作。 这些 Agent 各司其职——有的负责修 bug，有的负责写测试，有的负责改前端 UI，还有的负责查看和整理用户反馈。

普通开发者如何借鉴？

你不需要跑几千个 Agent，但可以从「同时开 2-3 个任务」开始。比如一个窗口让 AI 写业务逻辑，另一个窗口让它写对应的单元测试，第三个窗口让它优化已有代码的性能。关键思维转变是：把 AI 当团队用，而不是当单个助手用。

技巧二：用 Loop 让 AI 循环执行任务

Boris 特别推荐的第二个 Claude Code 技巧是 Loop——让 Claude Code 定时、循环地执行任务。你可以把它理解为给 AI 设置一个「定时闹钟」，每隔一段时间自动跑一次指定的工作。

这一机制的本质，是将持续集成/持续部署（CI/CD）的理念从传统 DevOps 领域引入到 AI 编程工作流中。传统的 CI/CD 流水线（如 Jenkins、GitHub Actions）通过监听代码提交事件来自动触发构建、测试和部署。而 Claude Code 的 Loop 则更进一步——它不仅能响应事件，还能以固定时间间隔主动巡检，并且具备 AI 的理解和决策能力，可以自主判断问题的性质并采取修复行动。

要理解 Loop 的突破性，需要将它与传统自动化工具做对比。Linux 系统中的 cron 定时任务和 Windows 的 Task Scheduler 只能执行预定义的脚本——如果脚本没有覆盖到某种异常情况，任务就会失败。CI/CD 工具虽然更智能，支持条件分支和错误重试，但本质上仍是基于规则的流水线，无法理解错误的语义。Claude Code 的 Loop 融合了定时触发和 AI 推理能力，使得每次循环执行时，AI 都能根据当前项目的实际状态做出不同的判断和操作——比如它能区分「这是一个语法错误，可以自动修复」和「这是一个架构设计问题，需要通知开发者」，这是传统自动化工具根本无法实现的。对于熟悉 Kubernetes 健康检查探针（Liveness Probe / Readiness Probe）的开发者来说，Loop 的概念并不陌生，但 AI 赋予了它质的飞跃。

他自己举了几个非常实用的例子：

• 自动修 bug：一个 Loop 持续盯着代码任务，哪里报错了就自动去修复
• 自动同步：项目有更新时，自动同步到相关的依赖和模块
• 健康检查：持续检查整个项目的运行状态，确保服务不会宕机
• 用户反馈收集：每 30 分钟抓一次 Twitter 上的用户反馈，自动分类整理

这对 AI 编程工作流意味着什么？

有了这种定时任务机制，AI 就不再是「你问一句它答一句」的被动工具，而变成了一个持续运转的自动化系统。它可以在你睡觉的时候帮你优化代码、在你开会的时候帮你收集信息、在你专注核心功能的时候帮你处理琐碎的维护工作。

对于个人开发者来说，哪怕只是设置一个「每隔 5 分钟检查一次构建是否通过」的简单 Loop，都能省去大量手动排查的时间。

技巧三：让 AI 自己验证结果，构建反馈闭环

Boris 在采访中反复强调的一个核心思路是：AI 不能只是写完代码就算完，它还必须跑测试、发现错误、持续修正。 你需要给 AI 构建一个完整的反馈闭环。

这一理念与软件工程中经典的测试驱动开发（TDD）方法论高度契合。TDD 由 Kent Beck 在 2003 年通过《Test-Driven Development: By Example》一书系统化提出，其核心哲学是「测试即规格说明」。TDD 的标准流程是：先写一个失败的测试用例定义期望行为（红），再编写最少量的代码使测试通过（绿），最后重构优化代码结构——即经典的「红-绿-重构」循环。

将这一理念应用到 AI 编程中，意味着你不是让 AI 凭空写代码，而是先给它一套明确的验收标准（相当于测试用例），然后让 AI 在「编写-测试-修复」的循环中自主迭代。这种方式之所以特别适合 AI 编程，是因为大语言模型的输出具有概率性和不确定性——模型的生成过程受 temperature（温度参数）等超参数影响，同一个 prompt 在不同时刻可能产生质量参差不齐的代码。单次生成的代码很难保证完全正确，尤其是在涉及复杂业务逻辑、边界条件处理和多模块交互的场景下。通过引入自动化测试作为「裁判」，AI 可以获得客观的对错反馈信号，而不是依赖人类逐行审查，从而大幅提升最终交付代码的可靠性。这本质上是将强化学习中「奖励信号驱动行为优化」的思想，以一种轻量级的方式应用到了编程工作流中。

这也恰恰是很多人用 AI 编程效果不理想的根本原因。大部分人的 prompt 是这样的：「帮我写一个登录功能」。但到底什么才算「真正完成了」？页面长什么样？需要处理哪些异常？哪些边界情况不能出错？这些都没有说清楚。

更高效的 Claude Code 工作流

Boris 建议的工作流是：

1. 提前定义验收标准：明确告诉 AI 最终结果应该是什么样的。比如「页面必须包含用户名和密码两个输入框，登录失败时显示红色错误提示，密码输入不能少于 8 位」
2. 让 AI 自己运行测试：不是你手动去检查，而是让 AI 写完代码后自动执行测试用例
3. 发现问题自动修复：测试不通过时，AI 应该自己分析报错信息并修正代码
4. 循环迭代直到通过：整个过程形成闭环，直到所有验收标准都满足为止

核心洞察在于：很多时候 AI 不是不会写，而是不知道你真正想要的结果是什么。 当你把验收标准讲清楚、把反馈机制建好，AI 的输出质量会有质的飞跃。

总结：从「用工具」到「带团队」的思维升级

回顾 Boris Cherny 分享的三个 Claude Code 技巧，背后其实是同一个底层逻辑——把 AI 从一个被动的代码生成器，变成一个主动运转的开发团队：

技巧	核心思想	类比
并行多任务	同时让多个 Agent 各司其职	像管理一个开发团队
Loop 循环执行	让 AI 持续自动化运转	像设置 CI/CD 流水线
自验证闭环	给 AI 明确标准和反馈机制	像写好验收测试用例

从更宏观的视角来看，这三个技巧代表的是 AI 编程领域正在发生的一次重大范式转移。AI 编程工具的演进可以清晰地划分为三个阶段：第一阶段是以 GitHub Copilot（2021 年发布，基于 OpenAI Codex 模型）为代表的「智能自动补全」，它在你打字时预测下一行代码，本质上是一个上下文感知的代码片段推荐引擎。第二阶段是以 ChatGPT、Claude 对话为代表的「对话式代码生成」，你描述需求，AI 返回完整的代码片段，但它对项目整体结构缺乏感知，生成的代码往往需要大量人工适配。而 Boris 展示的是第三阶段——Agentic Coding（智能体编程），以 Claude Code、Cursor Agent、Devin 等工具为代表，AI 不再只是生成代码片段，而是作为一个具备完整开发能力的智能体，能够自主浏览项目结构、理解代码上下文、执行终端命令、运行测试、甚至部署服务。这一演进的底层驱动力包括：大语言模型上下文窗口从最初的 4K token 扩展到 200K+ token（使 AI 能够「看到」整个代码仓库）、Function Calling / Tool Use 能力的标准化和成熟、以及推理模型（如 Claude 3.5 Sonnet、Claude 4）在代码理解和生成上的能力突破。

这三个技巧的门槛并不高，但它们代表的是一种全新的 AI 编程协作范式。当你不再把 Claude Code 当作「一个更聪明的代码补全工具」，而是当作「一支可以 7×24 小时工作的 AI 团队」来使用时，你的开发效率将会产生根本性的变化。

从今天开始，试着同时开两个任务窗口，设置一个简单的 Loop，写清楚你的验收标准——你会发现，AI 编程的天花板远比你想象的要高。