AI Coding 提效实战：用 Claude Code + MCP + Hooks 搭建工程级开发工作流

把 AI 助手从一个能聊天的 Copilot，升级成真正嵌进你工具链的开发"副驾"。

AI 编程工具这两年爆发式增长，但大多数人还停留在"开个聊天窗口、复制粘贴代码"的阶段。这种模式的问题很明显：上下文割裂、重复劳动、缺乏工程级质量保障。

本文不聊"AI 能不能替代程序员"这种伪命题，我们聊一个更实际的问题：怎么把 AI Coding 工具做成一个能跑在自己的质量标准和工具链里的工程化工作流。

核心武器三件套：Claude Code CLI + MCP 协议 + Hooks 自动化层。

一、先认识你的基础设施：Claude Code 配置体系

Claude Code 不是"装好就能用"的东西——它有一套分层的配置体系，理解这个层次关系，后续所有操作才不会踩坑。

1.1 配置文件优先级（从高到低）

核心原则：高级别直接覆盖低级别，不存在深度合并。而且 deny 规则一旦在某层级生效，低层级无法重新放开——这是安全基线。

1.2 权限模型：别一上来就全开

很多人图省事直接开 bypassPermissions，这不是工程思维。正确的做法是用 三层权限策略：

{  "permissions": {    "allow": [      "Bash(pnpm test:*)",      "Bash(pnpm lint:*)",      "Bash(git diff:*)",      "Bash(git log:*)",      "Read",      "Write(.claude/**)"    ],    "deny": [      "Bash(rm -rf:*)",      "Bash(curl | bash:*)",      "Read(.env*)",      "Read(**/*.pem)",      "Read(**/*.key)"    ]  }}

白名单放行：所有确定性的、无害的日常操作（跑测试、读文件、写配置）。黑名单封锁：破坏性命令、管道注入、敏感文件读取一律禁止。

2026 年 Claude Code 新增了 "defaultMode": "auto" 模式——自动放行安全操作、拦截风险操作，是目前推荐的基础模式。

二、MCP：让 AI 真正接入你的工具链

2.1 MCP 解决了什么问题？

传统 AI Coding 的致命缺陷是 AI 只看代码，看不见运行环境。它不知道数据库表结构，不知道生产环境有没有报错，不知道你的 Issue 跟踪系统里有什么上下文。

MCP（Model Context Protocol）就是给 AI 装上一套标准化的"感官系统"——通过协议化的方式，让 AI 直接操作数据库、调用 API、读写文件系统、访问项目管理工具。

2.2 必备 MCP Server 推荐

2.3 配置实战

本地 stdio 模式——常用于数据库、文件系统这类本地服务：

# 添加项目级别的 Postgres MCP Serverclaude mcp add project-db \  -s project \  -e DATABASE_URL=postgresql://localhost:5432/myapp \  -- npx -y @modelcontextprotocol/server-postgres

远程 HTTP 模式——常用于 SaaS 服务（Sentry、Linear 等）：

claude mcp add sentry \  -s user \  --transport http \  https://mcp.sentry.dev

配置文件长这样（.mcp.json，提交到仓库共享给团队）：

{  "mcpServers": {    "project-db": {      "type": "stdio",      "command": "npx",      "args": ["-y", "@modelcontextprotocol/server-postgres"],      "env": { "DATABASE_URL": "${DATABASE_URL}" }    },    "playwright": {      "type": "stdio",      "command": "npx",      "args": ["-y", "@anthropic/mcp-server-playwright"]    }  }}

配置完成后，在 Claude Code 中输入 /mcp 就能看到所有已连接的 Server 及其可用工具。

2.4 MCP 安全红线

• • Filesystem MCP 务必限制到项目目录，绝不开系统根目录 /
• • API Key、数据库连接串只放在 settings.local.json，绝不提交
• • 用 disabledMcpjsonServers / enabledMcpjsonServers 按项目选择性启用

三、Hooks：你的自动化质量防线

如果说 MCP 是"感官系统"，那 Hooks 就是**"条件反射"**——它在你与 AI 互动的每个关键节点自动执行检查动作，不需要你手动触发。

3.1 Hook 事件地图

3.2 五种 Hook 处理器

2026 年的 Claude Code 支持五种 Hook 类型：

其中 mcp_tool 是 2026 年最重要的新特性——不需要起 shell 子进程，直接通过 MCP 协议调用已连接的 Server。比 command 更快、更可靠、不依赖 PATH 环境。

3.3 三条核心 Hook 实战

Hook 1：每次文件写入后自动安全扫描

{  "hooks": {    "PostToolUse": [{      "matcher": "Write|Edit",      "hooks": [{        "type": "command",        "command": "npx eslint --fix ${tool_input.file_path}"      }]    }]  }}

这行配置意味着：AI 每次写文件后，自动跑 ESLint 修复。你不需要记得手动 Lint，也不会出现"写完才发现代码风格不一致"的情况。

Hook 2：任务完成时自动跑测试

{  "hooks": {    "Stop": [{      "hooks": [{        "type": "command",        "command": "pnpm test --run 2>&1 | tail -20"      }]    }]  }}

AI 在执行完你的需求后、标记"完成"之前，自动跑一遍测试套件。测试不过，任务就不算完。

Hook 3：每次 prompt 自动注入最新文档

{  "hooks": {    "UserPromptSubmit": [{      "hooks": [{        "type": "mcp_tool",        "server": "context7",        "tool": "get_library_docs",        "input": { "prompt": "${prompt}" },        "timeout": 15      }]    }]  }}

你每次提问，AI 会先自动调用 Context7 拉取相关库的最新文档——再也不用担心 AI 基于旧版 API 写幻觉代码。

四、CLAUDE.md：团队行为准则

settings.json 控制"能做什么"，CLAUDE.md 控制"怎么做才对"。

一个合格的 CLAUDE.md 应该短小精悍（< 300 行），用渐进式披露指向详细文档：

# 项目行为指引## 技术栈- 前端：React 18 + TypeScript + Vite- 后端：Node.js + Fastify + Prisma- 测试：Vitest + Playwright## 编码约定- 严格遵循 `docs/CODING-STANDARDS.md` 中的规范- 所有 API 端点必须有对应的集成测试- 数据库迁移使用 Prisma Migrate，禁止手动改表## 安全红线- 绝不输出/记录用户输入的敏感信息- 所有外部依赖必须过审后才能引入

关键思路：不要把代码规范全写在 CLAUDE.md 里——用 .editorconfig、ESLint、prettier 等工具规则 + Hook 来自动执行，CLAUDE.md 只写 AI 无法从工具规则中推断的内容。

五、一个完整的日常工作场景

假设你接到一个需求："给用户列表接口加一个按创建时间筛选的参数"。

传统模式你会：开 IDE、读代码、改代码、跑测试、提交。而工程化的 AI Coding 工作流是这样的：

你：给 GET /api/users 接口加一个 created_after 查询参数，支持按    创建时间筛选，默认不过滤，非法输入返回 400。Claude Code：  1. [自动] 通过 Context7 拉取 Fastify 和 Prisma 的最新文档  2. 读取路由文件，理解现有代码结构  3. 修改路由 handler，新增参数解析逻辑  4. [PostToolUse Hook 触发] ESLint 自动修复格式问题  5. 编写对应的集成测试  6. [Stop Hook 触发] 自动跑 pnpm test，通过后标记完成

全程你需要做的只是描述需求，然后审查最终结果。Lint、测试、文档检索全是自动化的。

六、进阶：多 Agent + Scoped Hooks

当你的团队不止一两个人在用 Claude Code 时，可以引入 Agent 级 Hook 来做角色隔离：

# .claude/agents/backend-developer.mdname: backend-developerdescription: 负责 API 和数据库逻辑hooks:  PostToolUse:    - matcher: "Write"      hooks:        - type: command          command: "npx eslint --fix ${tool_input.file_path}"  Stransform: translateY(    - hooks:        - type: agent          prompt: "检查所有新增 API 端点是否都有测试覆盖。缺少则阻止完成。"

前端 Agent 有前端的 Hook 规则，后端有后端的——互不污染，各自在自己的质量防线里工作。

七、推荐的文件布局

项目根目录/├── .mcp.json                 # MCP Server 定义 → 提交├── CLAUDE.md                 # 项目行为指引 → 提交├── .claude/│   ├── settings.json         # 团队权限与 Hooks → 提交│   ├── settings.local.json   # 个人 Key/机密 → 不提交│   └── agents/│       ├── backend-developer.md│       └── frontend-developer.md└── docs/    ├── CODING-STANDARDS.md    └── ARCHITECTURE.md

八、落地 Checklist

如果你准备在自己的项目里落地这套工作流，按这个顺序来：

1. 1. 安装 Claude Code：npm install -g @anthropic-ai/claude-code
2. 2. 配置权限基线：创建 .claude/settings.json，定义 allow/deny 规则
3. 3. 接入至少 3 个 MCP Server：Filesystem + GitHub + 一个你的核心技术栈相关的
4. 4. 写三个核心 Hook：PostToolUse 自动 Lint、Stop 自动测试、UserPromptSubmit 自动拉文档
5. 5. 写一份 CLAUDE.md：控制在 200 行以内，只写指南不写规则
6. 6. 全员推广：.mcp.json 和 .claude/settings.json 提交到仓库，团队开箱即用

AI Coding 的终局不是"自动写代码"，而是让代码的生产过程像流水线一样可控、可追溯、可自动化。Claude Code + MCP + Hooks 这套组合，就是目前最接近这个目标的工程化方案。