夜雨聆风Claude Code 正席卷软件工程领域，以前所未有的速度改变着这个行业。不少资深工程师直言，自己现在一行代码都不用写了。谷歌负责 Gemini 项目的首席工程师亚娜·多甘（Jaana Dogan）近期分享，她向 Claude Code 描述了一个分布式智能体编排器的需求，它仅用一小时，就完成了她团队耗时一年才着手搭建的工作。她特意说明：这只是概念验证，并非可直接上线的生产级代码，仍需经过验证、安全审查和性能测试。但即便如此，一小时与一年的差距，依然是颠覆性的转变。
过去一年持续使用 Claude Code 后，我真切感受到：它带来的价值巨大，甚至让我惊讶——软件行业涌现的新应用、新功能和整体进步，竟还未完全体现出这种工具的潜力。我认为，我们早已过了早期试用阶段。代码编写已成为标准化、低成本的工作，瓶颈早已转移到其他环节：提出新创意、测试发布，最重要的是——产品分发。AI 生成的应用或许早已充斥市场，只是我们尚未察觉，它们没能触达我们而已。
然而，这份激动人心的变革，也伴随着强烈的焦虑。如果你是软件工程师，大概率也有同感：每周都有新发布、新功能、新的“颠覆行业”时刻。你不禁会问：我跟上节奏了吗？我落后了吗？两年后我还能保住工作吗？
我无法给出确切答案，没人能百分百确定。但我可以分享，我如何借助这类工具大幅提升工作效率，而这份效率提升，反而让我的工作更愉悦，而非更枯燥。用得越多我越明白：学会与 AI 高效协作的工程师，将拥有巨大优势。这正是本文要分享的核心。
一、软件工程篇
本文不赘述 Claude Code 的基础功能，已有大量指南讲解 CLAUDE.md 文件、命令指令和核心技能。想快速入门，推荐阅读鲍里斯·切尔尼（Boris Cherny，Claude Code 创始人）的推文，其中最震撼的一点是：过去30天，他对 Claude Code 的所有贡献，100% 由 Claude Code 生成，甚至包括其配套项目 Claude Cowork 的全部代码！
接下来，我将分享近一年每日使用中总结的经验——不是巧用功能的小技巧，而是日常工作中沉淀的习惯、工作流和思维模式。这些方式在 Claude Code 出现前难以落地，如今已成为我作为软件工程师的核心工作方式。
1. 彻底吃透所有业务
过去入职一家公司，意味着需要数月时间逐步熟悉业务：慢慢梳理各功能模块逻辑、反复询问相同问题，转头又忘掉大半。如今，这种低效模式完全可以避免。
借助 Claude Code，我让智能体全面调研整个服务，输入 Jira 工单、GitHub PR、Slack 聊天记录等所有相关上下文，再让它生成详尽、易懂的 Markdown 文档，保存到代码库中专门的 AI_DOCS/ 文件夹。
我会要求它大量使用 ASCII 图表。Claude Code 的 Opus 4.5 模型尤其擅长此道，能清晰拆解复杂的多仓库数据流和架构逻辑。
对于每个核心服务，我都会让 Claude 生成以下文档：
• 架构总览 • API 接口及用途 • 数据库集合与表结构 • 外部服务依赖 • 核心文件及关联关系
其中一份文档，将数十次沟通、PR 和调试记录浓缩为唯一可信依据，让我无需反复重建数月积累的业务认知。
我常用的提示词模板如下：
Explore [SERVICE/FEATURE] and create comprehensive documentation:
1. Executive Summary - what is its core purpose?
2. Architecture - how is it structured? Include ASCII diagrams.
3. Data Flows - how does data move in and out? Visualize with diagrams.
4. API Routes - what endpoints does it expose?
5. Database - what does it store? Include schema overview.
6. External Dependencies - what other services does it call? How?
7. Key Files - where's the important logic?
8. Common Gotchas - what breaks? What's confusing? What's undocumented?
9. Common Operations - how do you test/deploy/debug it?调研【服务/功能名称】并生成完整文档：
1. 执行摘要——核心用途是什么？
2. 架构设计——整体结构如何？附 ASCII 图表。
3. 数据流转——数据如何流入流出？可视化呈现。
4. API 路由——暴露哪些接口？
5. 数据库——存储哪些数据？附表结构概览。
6. 外部依赖——调用哪些其他服务？调用方式？
7. 核心文件——关键逻辑所在位置？
8. 常见问题——易出错点、易混淆逻辑、未文档化细节？
9. 常用操作——如何测试/部署/调试该服务？这份文档就是你的“宝藏”：每次复盘系统、调试关联问题或开发相关功能时，你都能快速获取上下文，也能将文档反馈给 Claude，形成知识沉淀而非流失。
2. 为 Claude 开放所有工具权限
Claude 使用你常用工具的速度、效率和深度，都会远超你本人。以下工具至关重要，不开放权限只会拖慢工作：
💡 优先选择命令行工具（CLI） 而非模型控制协议（MCP）：MCP 会占用上下文、运行缓慢，CLI 则高效快捷，功能完全一致甚至更丰富。
我的必备工具清单：
• GitHub CLI：处理 PR、工单、检查 CI 状态等全流程。Claude 可直接在终端创建 PR、评审代码、查看工作流运行结果。 • AWS CLI：调试 Lambda 日志、查询 SQS 队列、操作 DynamoDB 数据库。本地开发用 Localstack，同样兼容该 CLI。 • 日志工具（Datadog）：直接让 Claude 查询日志，生产环境问题调试时尤为关键。 • 数据库工具（mongosh）：开放测试环境权限，条件允许可开放生产环境只读权限。即使不行，测试环境也足够梳理表结构、核查数据状态。 • Slack MCP：至关重要！大量历史知识和上下文都沉淀在 Slack 中，避免手动复制粘贴，让大模型直接读取数据。 • Atlassian MCP：对接 Jira 工单和 Confluence 文档。因直接调用 API 较繁琐，这里优先用 MCP。
3. 让所有知识适配大模型
每家初创公司都有这样一位“核心人物”：只有他清楚功能 X 的逻辑、冷门 Clojure 项目的作用、本地开发如何对接 Salesforce。过去，你需要预约会议、疯狂记笔记，甚至录屏。但每次需要相关步骤时，都得回看一小时的视频，效率极低。
核心方法：AI 可提取团队隐性知识，转化为永久可查询的文档。
简单的会议助手摘要远远不够——涉及详细步骤、历史决策、特定命令时，摘要会丢失关键信息，你需要完整素材：视频+文字转录稿。
我的具体操作：
1. 录制知识分享过程：用会议助手，或直接录屏专家讲解流程的全过程。 2. 获取视频+转录稿：文字稿记录口述内容，录屏留存实际操作步骤。 3. 提取视频帧：Claude 暂不支持直接处理视频，但可识别图片。用 ffmpeg 每3秒截取一帧：
ffmpeg -i meeting_recording.mp4 -vf "fps=1/3" frames/frame_%04d.png4. 让 Claude 解析帧+转录稿：生成详细指南，将截图与对应步骤精准匹配。
效果远超预期：Claude 会根据转录内容和屏幕操作，精准匹配步骤并插入截图，生成一份可直接复用的分步指南。
这份文档无需反复制作，更重要的是：将文档反馈给 Claude，它甚至能直接帮你完成对应任务。
这就是我所说的“让知识适配大模型”：一次性提取隐性知识，永久供 AI 调用，专家的经验得以留存，而非流失。
4. 在实际场景中学习
学习新技术向来枯燥：读官方文档、跑示例代码、搭建基础模板，但这些都脱离真实场景——你看懂了语法，却不清楚如何适配真实业务、应对实际限制。
Claude Code 彻底颠覆了这种模式：不再孤立学习，而是在真实应用、真实复杂度、真实需求中学习。
具体流程：
1. 向 Claude 提问：“这项技术能为我的应用带来什么？有哪些利弊？” 2. 让它直接落地实现 3. 要求它替换为竞品技术 4. 在你的代码库中横向对比两者差异
举个真实案例：我开发的应用需要智能体工作流，想对比多款框架——OpenAI Agents SDK、Claude Agents SDK、Google ADK、AWS Strands。我先让 Claude 用 OpenAI SDK 搭建概念验证（POC），同步讲解架构设计和利弊；理解后，打开多个 Claude 终端，让它分别用其他框架实现相同功能并记录差异。
一个下午，我就拿到了4套可运行的代码实现，清晰掌握了各框架的优劣——所有代码可直接修改、扩展。
我进一步深入：听说 Temporal 能支持“长周期工作流”和“人工介入”场景，但不清楚适配逻辑。
于是我问 Claude：“Temporal 的哪些功能能解决我的问题？”它列出7个具体适用场景，精准匹配我的需求，还标注了可改造的代码位置、差异代码和详细说明。
我继续追问：“既然如此，不用 Temporal 能实现吗？”它对比了两种架构，直接从我的代码中截取示例，清晰呈现差异。
这就是核心区别：基于真实业务、真实需求，横向对比方案、理解技术。学习新知识时，你能在有意义、贴合实际的场景中理解逻辑，而非纸上谈兵。
5. 结合多款 AI 工具协同
每个大模型都有盲区：同一任务下，有的遗漏边界场景、有的过度设计、有的提出完全不同的架构方案。将复杂任务同时交给多款模型、对比输出结果，差异本身就能暴露你未曾考虑的权衡点。
处理非简单任务时，我会同时用以下工具生成方案：
• Claude（Claude Code） • Codex（OpenAI） • Gemini CLI（目前有补贴，几乎免费）
再横向对比各方案：有时某款模型能发现其他模型忽略的边界场景，有时会提出截然不同的架构。整合多款模型的优势，最终方案往往比单一模型更完善，效率也更高。
我还会做跨模型评审：一款 AI 生成方案/代码后，让另一款 AI 评审：
Here is a plan that Claude generated for [TASK]:
[Paste the plan]
Please review this plan and identify:
1. Potential edge cases not covered
2. Security concerns
3. Performance implications
4. Missing error handling
5. Simpler alternative approaches以下是 Claude 为【任务名称】生成的方案：
【粘贴方案内容】
请评审方案，指出：
1. 未覆盖的潜在边界场景
2. 安全隐患
3. 性能影响
4. 缺失的异常处理逻辑
5. 更简洁的替代方案这就像一个“AI 论坛”：让多款模型良性竞争、互相纠错、优化思路。最终结果优于单一模型，也比反复调试一款模型更快。
二、用 Claude Code 改善生活篇
几周前，我读了莫莉·坎蒂隆（Molly Cantillon）的《个人全景监狱》（The Personal Panopticon），深受启发。
她的核心观点：我们被海量个人数据淹没，却对自己一无所知。待办事项分散在6个不同软件、互不连通；财务数据散落各券商平台、无法互通；年度目标尘封在1月的备忘录里。我们拥有史上最丰富的个人数据，却几乎无法有效利用。
她的解决方案很简单：搭建个人全景系统，自己掌控所有数据，用 Claude Code 作为“感知工具”，向内审视自己的生活。
她同时运行多个 Claude Code 实例，分别监控生活的不同维度：财务、健康、邮件、个人项目。夜间，AI 自动整合各券商财务数据、交叉比对市场信息，清晨即可收到精简报告；自动拉取产品数据、生成可执行建议；邮件自动归零、生成草稿回复，仅需人工审核。
我尚未做到这个程度，但已开始搭建个人系统。
我新建了一个主文件夹，内含 CLAUDE.md 文件，向 Claude 同步我的所有信息，或指定外部数据源：
• 个人基础信息：姓名、年龄、籍贯、居住地 • 家庭情况：已婚、1个孩子、二胎待产 • 职业信息：工作、公司、技能与短板 • 财务数据：个人年收入、配偶年收入、支出（房租、水电、订阅服务等）、资产（存款、投资、房产） • 日常作息：典型工作日安排 • 人生目标：退休规划、旅行计划、长期定居地 • 短期计划：学习新技能、房屋装修、职业规划 • 健康信息：影响决策的健康状况 • 重要关系：亲友及核心承诺
没错，几乎是我的全部信息。听起来或许不可思议，但我发现：Claude 掌握的信息越全面，实用性就越强。当我问“要不要接这份新工作”时，它不会给出泛泛而谈的利弊分析——它清楚我的财务状况、职业规划、家庭计划和风险偏好，能真正基于我的情况给出建议，而非通用答案。
搭建初期，我让具备记忆功能的 ChatGPT 生成了一份完整的个人档案，作为 Claude Code 的初始素材。过去一年，ChatGPT 已积累大量关于我的对话信息，能快速生成初稿。我再逐一审阅、补充细节、修正错误，后续信息变动时持续更新即可。
Claude 已帮我解答过这些实际问题：
• 财务规划：“结合我们的收入、支出和二胎情况，换更大的公寓可行吗？” • 作息优化：“我想恢复跑步，但早上时间紧张，帮我看看作息、找合适时段。” • 决策分析：“领导提出岗位调整，已知这些信息，我没考虑到哪些风险？” • 目标复盘：“距离设定目标已过去3个月，调出文档、帮我复盘进度。”
不同于人类顾问——每次咨询都要重新解释背景，Claude 直接读取文档，瞬间掌握全部上下文。
我还开始试用 Clawdbot，一款可本地部署的助手，能将 Claude 对接即时通讯软件。无需打开终端，随时随地通过 WhatsApp、Telegram 向 AI 发送指令。
坎蒂隆在文章结尾写道：“数据整合工具已属于每个人，如何使用，由你决定。”
我正在践行这句话。
