Claude Code完整指南：安装配置、核心功能与高级工作流

Claude Code 定位与定价：先把账算清楚

Claude Code 是 Anthropic 推出的智能体编程工具（Agentic Coding Tool），运行在你的终端里，能够直接读写文件、执行命令、调用外部工具。与 ChatGPT 或 Claude 网页版不同，它真正运行在你的本地机器上，深入代码库进行实际操作。本文基于一位资深开发者的完整实操教程，系统梳理 Claude Code 从安装配置到高级工作流的全套方法论。

什么是智能体编程工具？ 智能体编程工具代表了AI辅助开发的第二代范式。第一代工具（如GitHub Copilot早期版本）主要提供代码补全和建议，开发者仍需手动执行每一步操作。智能体范式则不同——AI可以自主规划多步骤任务、调用工具链、读写文件系统、执行Shell命令，并根据执行结果动态调整下一步行动。

这种能力源于大语言模型与「工具调用（Tool Use/Function Calling）」能力的结合：模型在生成回复时，可以输出结构化的「工具调用请求」而非普通文本，宿主程序捕获这一请求后执行对应操作（如读取文件、运行命令），再将结果以「工具返回值」的形式注入上下文，模型据此继续推理——形成感知-决策-执行-反馈的闭环。这一能力最早由 OpenAI 在 2023 年引入 GPT-4 API，此后成为智能体编程工具的共同技术基础。Claude Code、GitHub Copilot Workspace、Devin等均属于此赛道，本质上是将LLM作为「推理引擎」，外接文件系统、终端、浏览器等执行环境，构成一个闭环的自主执行系统。

Claude Code 属于智能体编程工具赛道，与 Codex、Cursor 等工具性质相近。对开发者而言，最常见的用法是在编辑器的集成终端或编辑器扩展中运行。如果你有同类工具的使用经验，上手 Claude Code 会相当顺畅。

不过，许多教程往往回避定价问题——这里先把账算清楚：

• 免费层：仅供体验，用于真实项目会很快触及额度上限；
• Pro 版：月付 20 美元（年付约 17 美元/月）；
• Max 版（100 美元）：额度是 Pro 的 5 倍；
• Max 版（200 美元）：额度是 Pro 的 20 倍。

教程作者本人使用 200 美元的 Max 套餐，不仅用于编码，还借助桌面版 Co-work 工具进行项目规划与需求梳理。对于初学者，建议从免费层起步，根据实际使用量再逐步升级。

安装方式与三大使用环境

Anthropic 目前提供多种使用环境，桌面应用被明显主推，其界面分为三个标签页。

桌面应用的三个模块

• Chat 标签：本质上是 Claude AI 网页版聊天界面，不访问本地文件系统，但支持 Google Drive、日历等集成；
• Co-work 标签：类似虚拟助理，可连接文件系统。教程作者将其接入自己的 Obsidian 知识库，每天运行「早安 Skill」汇报日程与待办事项，也用于项目规划；
• Code 标签：即 Claude Code 的图形入口，但由于无法直接查看项目目录结构，偏向「vibe coding」（凭感觉编程），作者本人并不推荐此方式用于正式开发。

推荐方式：终端安装

对于真正的开发工作，作者强烈推荐终端方式。在官网获取 cURL 安装命令，粘贴到终端执行即可。安装完成后运行 claude --version 验证版本。首次使用需在 claude.ai 完成账户认证（免费账号即可），登录状态可通过 /login 和 /logout 随时管理。

工作目录至关重要——它决定了 Claude Code 能访问和操作的范围。教程中作者新建了 coin-cli 目录作为示例项目，cd 进入后运行 claude 启动会话。

模型选择、Token 管理与上下文控制

模型选择

通过 /model 命令可查看并切换模型。Claude Code 目前只支持 Anthropic 自家模型，主要有四款：

• Opus：能力最强，Token 消耗也最高；
• 新一代模型：教程录制时刚发布，作者正在试用；
• Sonnet：较老版本，编码能力尚可，但作者更偏好 Opus；
• Haiku：最经济，适合简单快速的轻量任务。

Token 用量与额度管理

即便是付费订阅用户，也需要留意 Token 消耗。/usage 命令可查看当前会话（约 5 小时为一个周期）和本周的用量情况。即使 Opus 额度耗尽，系统仍会保留一定的 Sonnet 使用量。Pro 用户尤其需要精打细算，可以将 Sonnet 留给轻量任务。

新增的 /effort 命令用于调节推理强度，从 low 到 ultra 不等，强度越高 Token 消耗越大。作者通常保持在 extra high 级别。

上下文窗口管理

Token 与上下文窗口原理：Token 是大语言模型处理文本的基本单位，大致对应 3/4 个英文单词或半个中文字符。上下文窗口（Context Window）指模型在单次对话中能「看到」并处理的最大 Token 总量，涵盖历史对话、系统提示、文件内容等所有输入。Claude 的百万 Token 上下文窗口意味着理论上可容纳约 75 万英文单词或整个中型代码库。

然而，上下文接近上限时会出现「注意力稀释」现象——斯坦福大学 2023 年的研究论文将其命名为「迷失在中间（Lost in the Middle）」效应：当相关信息位于超长上下文的中间位置时，模型检索准确率显著下降，对位置偏向两端的 Token 分配更高注意力权重。这导致模型会遗漏早期约定的规范或做出前后矛盾的决策。这也是为什么专业用户建议将最重要的指令放在 Prompt 开头或结尾，并定期清空上下文重新加载核心规范，而非依赖模型「记住」早期约定。

作者的设备拥有百万 Token 上下文窗口，可随时通过 /context 查看使用量——这也是他最常用的命令之一。

他的核心经验是：不要让上下文接近上限，否则模型会开始「遗忘」并做出糟糕决策。他的做法是按功能模块逐个开发，每个功能约消耗 20-30 万 Token，完成后提交代码并推送，再执行 /clear 清空上下文，开始下一个模块。

VS Code 集成与实战工作流

作者极少使用独立终端，而是在 VS Code 中工作。有两种接入方式：直接打开集成终端运行 claude，或安装 VS Code 扩展。他更推荐扩展方式，因为界面更清晰、视觉体验更好。

Claude Code 内置工具一览

以「用 Node 脚本获取 CoinGecko 前五名加密货币价格并输出整洁表格」为例，可以观察到 Claude Code 运行时调用的内部工具：

• Bash：执行终端命令（如 ls 检查目录结构）；
• Write：创建并写入文件；
• Read / Edit / Grep：读取、编辑、搜索文件内容；
• Web Fetch：从指定 URL 抓取数据。

关键点在于：Claude Code 不会直接创建或修改文件，而是先展示 diff（差异对比）——绿色为新增内容，红色为删除内容。这让开发者能清楚看到每一处改动，避免盲目的「vibe coding」。

Diff 机制的工程意义：Diff（差异对比）源自 Unix 工具 diff 命令，是版本控制系统的核心机制，以「+绿色新增/−红色删除」的形式直观呈现文件变更内容。在 AI 编程工具中引入 diff 预览，本质上是在自动化执行与人工审查之间建立一道「确认关卡」。这一设计解决了 AI 代码生成的核心信任问题：AI 可能在修复某个 bug 的同时意外改动了看似不相关的逻辑，或者引入了细微的边界条件错误。

通过强制展示 diff，开发者能在代码真正落盘之前发现这类「副作用」变更。这也是 Claude Code 区别于纯「vibe coding」工具的关键设计哲学——工具应增强开发者的掌控感，而非替代其判断力。这一设计理念与 Git 的核心价值观高度一致：版本控制的意义不仅在于回滚，更在于让每一次变更都可审查、可追溯。

四种权限模式

通过 shift+tab 可循环切换四种操作模式：

• 普通模式：每次操作前都会征求许可，推荐新手使用；
• Accept Edits 模式：自动接受所有文件编辑；
• Plan 模式：只生成规划，不实际修改代码；
• Auto 模式：全自动执行，可连续运行数小时并自主决策，风险较高，仅建议用于个人试验项目。

输入 ! 可进入 Shell 模式直接运行命令（如 !node index.js）；/btw 命令则支持在 Claude 工作过程中插入「顺便问一句」的侧边问题。

权限作用域设置

Claude Code 的设置、MCP、Skill 等均遵循「作用域」概念：

• 项目作用域：存储在项目内的 .claude 文件夹，仅对当前项目生效；
• 用户作用域：存储在 home 目录的 .claude 文件夹，跨所有项目生效；
• 本地作用域：存储在 settings.local.json，不提交到版本库，仅供个人使用。

通过 /permissions 可配置 allow / ask / deny 规则，例如让 git push 每次都需手动确认，或完全禁止 rm -rf * 等危险操作。

CLAUDE.md：给 Claude 的全局记忆文件

作者演示了将单文件脚本重构为多模块结构的过程。Claude 自动拆分出 api.js、format.js、table.js 等文件，并添加 type: module 配置以支持 ES 模块语法。

对于需要 Claude 始终记住的内容——比如编码规范、项目架构信息——应当写入 CLAUDE.md 文件。无论执行 /clear 清空上下文还是新开标签页，该文件的内容都会被自动加载，相当于 Claude 的「长期记忆」。

运行 /init 命令后，Claude 会扫描整个项目并自动生成一份 CLAUDE.md，包含运行命令、架构说明、环境变量要求等核心信息。

CLAUDE.md 与 AI 记忆架构：CLAUDE.md 的设计理念对应了 AI 系统中「持久化记忆」（Persistent Memory）与「工作记忆」（Working Memory）的经典区分。上下文窗口是工作记忆——会话结束即消失；而 CLAUDE.md 扮演了持久化记忆的角色，每次会话启动时自动注入。这一模式也是「检索增强生成（RAG，Retrieval-Augmented Generation）」的轻量实现——将关键知识外部化存储，在需要时检索注入，而非依赖模型参数内的隐式记忆。进阶用法中将 CLAUDE.md 拆分为多个子文件按需引用，本质上是在构建一个轻量级知识图谱：主文件作为索引，各子文件按主题（架构、规范、当前任务）分别存储，既避免单文件膨胀导致的注意力稀释，又保持了上下文的结构化与可维护性。

作者的进阶做法是：保持主 CLAUDE.md 文件简短，通过它指向 context 文件夹中的多个子文件，分别记录项目概述、编码标准、AI 交互规范和当前功能说明——这样能在按模块开发时保持清晰的上下文管理。

Skills、MCP 与 Subagent：进阶能力三件套

Skills：可复用工作流

Skill 是「教一次、永久记住」的可复用工作流，本质是一个 Markdown 文件。作者创建了 commit-msg skill 来规范 Git 提交信息格式。

值得一提的是，触发 Skill 不需要严格执行斜杠命令——只要说「写个提交信息」，Claude 就能自动识别并加载对应的 Skill 文件。

MCP：连接外部服务的桥梁

MCP 协议背景：MCP（Model Context Protocol）是 Anthropic 于 2024 年 11 月开源的标准化协议，旨在解决 AI 模型与外部数据源、工具之间集成碎片化的问题。在 MCP 出现之前，每个 AI 工具都需要为不同服务（数据库、API、文件系统）编写专属的集成代码，维护成本极高。MCP 采用客户端-服务器架构：AI 应用作为 MCP 客户端，各类外部服务实现为 MCP 服务器，二者通过标准化的 JSON-RPC 协议通信。

从架构视角看，MCP 服务器本质上是一种「工具适配器」：它将外部服务的原生 API 翻译为 AI 模型能理解的结构化工具描述（Tool Schema），包括工具名称、功能说明、参数类型等，使模型能够自主决策何时调用何种工具。这类似于 USB 接口统一了外设连接标准——开发者只需实现一次 MCP 服务器，任何支持 MCP 的 AI 客户端均可直接调用。目前 MCP 的竞争对手包括微软的 Language Server Protocol（LSP）和 OpenAI 的 GPT Actions，但 MCP 是目前唯一真正开源且被 Google、微软、Cursor 等多家主流厂商相继采纳的跨平台标准，正在成为 AI 工具生态的重要基础设施。

MCP（Model Context Protocol，模型上下文协议）让 Claude Code 能够接入外部服务和数据源。作者常用的 MCP 包括：

• Context7：提供框架的最新文档，弥补模型训练数据滞后的问题；
• Neon MCP：直接操作 Neon 数据库，执行 SQL 查询；
• Playwright：让 Claude 控制浏览器打开项目、运行端到端测试、截图并给出 UI 反馈意见。

安装 MCP 的命令格式为：claude mcp add -s user <name> npx <package>。作者演示了让 Playwright 自动点击收藏按钮、筛选内容并截图验证的完整流程，效果令人印象深刻。

Subagent：独立上下文的子智能体

多智能体架构原理：Subagent（子智能体）模式是多智能体系统（Multi-Agent System）在编程工具中的具体应用。Claude Code 的 Subagent 采用「编排者-执行者」（Orchestrator-Worker）模式——主会话作为编排者分配任务，Subagent 作为执行者完成特定工作后汇报结果摘要。其核心思想是「分而治之」：将复杂任务分解为多个子任务，由相互独立的智能体处理，各自维护独立的上下文窗口，仅向主智能体汇报结果摘要。

这一架构的 Token 经济学优势值得量化理解：假设主会话已消耗 15 万 Token，若直接在主会话中执行代码审查，审查过程中产生的 5 万 Token 分析内容会永久占据上下文；而通过 Subagent 执行，主会话只需接收最终的 2000 字审查报告，节省了约 97% 的上下文空间。这一模式借鉴了软件工程中的微服务架构理念：单一职责、松耦合、通过明确的接口通信，是长期复杂项目中管理 Token 预算的核心策略。

Subagent 是为特定任务临时启动的独立 Claude 会话，拥有自己独立的上下文窗口，仅将结果摘要返回主会话，从而有效避免主上下文窗口膨胀。

内置的 explore 智能体可用于梳理代码数据流。用户也可以创建自定义 Subagent，例如「code-reviewer」——专门检查未提交改动中的死代码、遗留的 console.log、缺失的 React key props 等常见问题。该 Subagent 甚至能自我修正，学会忽略 Playwright 截图这类非代码文件。

核心理念：理解代码，而非只会使用工具

作者在整个教程中反复强调同一个观点：使用 AI 编程，你不必亲手敲每一行代码，甚至不必记住确切语法，但必须清楚地知道每一步在做什么、整体架构是如何运转的。

当前 AI 编程仍处于「蛮荒时代」，没有统一范式，每个人都在摸索适合自己的工作流。无论是 Skill 设计、上下文管理还是全局记忆库的组织方式，本文分享的只是作者个人的一套方法论，读者完全可以在此基础上探索自己的节奏。

真正重要的是：在借助工具大幅提升效率的同时，始终保持对代码和架构的理解与掌控——这才是 AI 时代开发者最核心的竞争力。

核心要点