Claude Code源码解读:学会用工具、学会向 AI 提问(二)

Claude Code源码解读：学会用工具、学会向 AI 提问（二）：意图式与系统式提问

接上篇（一），我们继续深入意图式提问和系统式提问。

2.3 第三重：意图式提问（委托模式）

你开始意识到 AI 是一个具备自主能力的资深工程师。

• 特征：清晰描述目标（Goal），会简单使用SKILLS、知识库或一些MCP。
• 典型表现：

“启动一个研究团队：研究员负责调研竞品获客方式，分析师提取 ck 知识库 的品牌特性，策略师基于以上输出制定拓客方案。”
“重构认证模块，调用 jose 库并参考 CLAUDE.md 规范。”
• 关键要素：

• 目标明确：要做什么（What），而非怎么做（How）
• 工具前置：明确告诉 AI 该调用哪些”技能”或”外部接口”
• 信任机制：让 AI 进入 Plan Mode（规划模式），它先扫描结构、出方案，你审批后它自主执行

2.4 第四重：系统式提问（编排模式）

这是最高境界，你不再是”操作员”，而是”架构师”，拥有类似 Claude Code 的系统级思维。

• 特征：自我驱动的工具化进化。不仅是灵活编排，更是能”创造工具”——整理个人代码习惯与逻辑，定义专属Skills，开发专属MCP，或构建属于自己的领域知识库。
• 典型表现：

“为该重构任务定义一个监控 Hook，实时捕获所有 Bash 执行失败的信号；同时通过 /plugin 注入自定义安全扫描，若发现未授权的文件读写立即中断并报告状态。”
“这是我的编码习惯和逻辑，请据此为我生成一个专属的 refactor-skill，并在后续重构中自动调用。”

三、实战案例：6 人 Agent 团队

我举一个这篇文章 4 亿 token 买来 5 个教训：让 6 个 AI Agent 连写 4 天代码发生了什么？的案例。

他设计了一个 6 人团队：

角色	职责	关键能力
Lead Agent (1 人)	方案设计、任务拆分、任务分配、交付质量把关、根据实现调整优化技术方案	对技术方案和最终实现效果负责
Worker Agent (3 人)	根据 Lead Agent 的分配，实现具体任务	采用 Git Worktree，解决多 Agent 并行时代码互踩的问题
Gatekeeper (1 人)	对合入 master 的代码做审查	拒绝时会写具体的反馈文件，Worker 可以在原代码副本里修复后重新提交
Watchdog (1 人)	监控所有运行的环节	如果脚本异常、日志异常，会根据异常信息优化或者修复脚本，然后重跑脚本

3.1 工作流程

1. Lead Agent 接收任务 → 方案设计 → 任务拆分
                              ↓
2. Worker Agent 1/2/3 并行实现 (Git Worktree 隔离)
                              ↓
3. Gatekeeper 代码审查 → 通过则合入 / 拒绝则反馈
                              ↓
4. Watchdog 全程监控 → 异常自动修复 → 重跑脚本
                              ↓
5. 经验沉淀到记忆文件 → 下一轮优化

3.2 关键设计

1. Git Worktree 隔离

• 每个 Worker Agent 在独立的 Git Worktree 中工作
• 避免多 Agent 并行时代码互踩
• 可以快速扩展，支持更多 Agent 并行

2. 自动审查与反馈

• Gatekeeper 拒绝时会写具体的反馈文件
• Worker 可以在原代码副本里修复后重新提交
• 形成闭环的质量控制

3. 经验沉淀机制

• 每轮结束后经验会自动沉淀到记忆文件
• 下一轮 Lead Agent 可以根据每一轮的经验优化技术方案
• 实现持续改进

3.3 系统式提问的核心要素

从这个案例中，我们可以提炼出系统式提问的核心要素：

要素	说明	示例
角色定义	明确每个 Agent 的职责	“Lead Agent 负责方案设计”
流程编排	定义工作流程和顺序	“Worker 实现后交由 Lead 确认”
工具注入	指定使用的工具和技能	“采用 Git Worktree 隔离”
异常处理	定义错误处理机制	“Watchdog 监控异常并自动修复”
反馈闭环	建立反馈和改进机制	“经验沉淀到记忆文件”

四、普通开发者咋办？

当然，最高境界一向难以修炼。对于普通开发者，我的建议是：

4.1 循序渐进的学习路径

阶段 1: 掌握基础工具
   ↓
   熟练使用 Read, Write, Edit, Bash, Grep 等核心工具

阶段 2: 学会流程式提问
   ↓
   能够设计多步骤任务，让 AI 按流程执行

阶段 3: 尝试意图式提问
   ↓
   学会描述目标而非步骤，信任 AI 的规划能力

阶段 4: 探索系统式提问
   ↓
   开始定义自己的 Skills，构建专属工作流

4.2 实用技巧

1. 从模仿开始

• 观察 Claude Code 的默认行为
• 学习它如何调用工具
• 模仿它的提问方式

2. 善用 Plan Mode

• 让 AI 先出方案，你再审批
• 避免盲目执行导致的错误
• 培养 AI 的规划能力

3. 建立个人知识库

• 整理常用代码片段
• 记录项目规范和约定
• 让 AI 能够参考你的风格

4. 逐步构建 Skills

• 从简单的代码模板开始
• 逐步抽象成可复用的技能
• 最终形成专属的工具库

下一篇（三）：常见误区 + 核心要点总结 + 行动建议

参考文献：

1. 拆解 Claude Code：从底层机制到 10 倍效率的实战指南
2. 4 亿 token 买来 5 个教训：让 6 个 AI Agent 连写 4 天代码发生了什么？