面向编程小白 Claude Code 入门教程。作者结合 Opus 5.5 更新后的日常使用经验，从 Chat 与 Code 的区别讲起，介绍桌面 App 的下载安装、界面布局、权限模式（Manual/Accept edits/Plan/Auto）的选择，并通过文件整理案例演示第一个任务的完整流程。随后讲解改动撤回与安全保险机制、项目文件夹的组织方法，重点解析 CLAUDE.md（规矩）、项目文档（进度）、资料与记忆四个易混淆概念，给出 CLAUDE.md 的写作原则与两份可直接套用的模板，并分享了开发 Obsidian 插件、制作宣传视频等实战案例。
作者分享了一套不依赖云端账号的本地 AI 工作流架构，核心思路是把规则、技能、日记等真正有价值的资产沉淀在本地硬盘，而非网页端/App 的记忆功能中。整套体系分为四层：工具层（Claude Code、Codex、Cursor 作为入口）、模型层（可随时更换）、架构层（本地文件结构）、处理层（按本地规则和技能处理任务）。作者通过全局规则文件（CLAUDE.md）、本地 skills 目录、按日短记忆 + 长期偏好文件、AI 日记四层文件体系，实现了账号封禁后快速恢复工作的能力，并提出新人可先从三步最小方案入手搭建。
文章介绍如何零成本利用 Grok Bot 背后 8 核 Xeon、16GB 内存的美国原生云电脑，结合 Tailscale 组网与 Funnel 公网穿透、Orca ADE 多 Agent 调度平台，搭建一套稳定的多端互通 Claude Code 运行环境。全程由 AI 完成绝大部分配置，人类只需点击授权，包含 5 个核心步骤：准备 Orca 环境、Tailscale 组网穿透、守护进程保活、双端配对、接入 Claude Code 联动 GitHub。作者还分享了手机分流规则、Tailscale 版本 Bug、DNS 缓存等实战排错经验，实现手机监控、电脑接管、Grok 双向编排的多 Agent 工作流。
作者分享了2026年10月最新的智能体工程实践技巧。文章介绍了如何用Claude Code作为核心编排器，通过cmux终端直接进入Claude Code，使用/ce-plan和/ce-work的Compound Engineering工作流来规划与执行任务；继续跳过权限设置以提升效率，并给出具体配置代码。重点介绍了个人智能体（如fo、Grok Bot、Peekaboo）如何通过电话访谈、远程控制等方式与终端智能体协作，以及如何让Claude Code调度Codex、Grok、Cursor等工具而不直接打开它们，实现多智能体协同工作。
作者开源了 lemo-mod，一款基于 Claude Code 官方 mod 接口的风格化组件，提供 21 套风格皮肤，支持终端和桌面 App 一键换装。除外观外，还包含消息编号、用量横条、提示音、朗读、简短模式、番茄钟、日志、自动分类等一整套功能。项目以安全为第一原则：不替用户做权限决定、不修改用户设置、功能默认关闭、在安全检查页由用户逐一开启，且支持一键全部关闭。文章介绍了安装流程（插件市场安装）、使用步骤、面板功能、快捷指令及后续更新计划，并附上 GitHub 仓库和风格库链接，欢迎用户反馈和二次开发。
本文是面向零基础用户的 Claude Code 终端版详细教程。作者先解释了 Claude Code 的概念——住在终端里的 AI 助手，能直接读写本地文件、执行命令，与网页聊天版的区别在于它能直接操作本地环境。教程覆盖完整流程：安装（一行命令）、启动登录、接入第三方模型平台（如 DeepSeek、OpenRouter，包括 CC-Switch 工具和手动配置环境变量的方法）、用 curl 命令验证配置是否成功。文章还讲解了官方与第三方模型的区别、API 密钥安全注意事项、常见配置错误（如 401/404 报错）的排查方法，以及不同项目使用不同模型平台的配置技巧，帮助小白在终端里把 Claude Code 用起来。
这是一篇面向零基础用户的详细教程，作者手把手讲解如何从零安装 Claude 客户端，通过 CC-Switch 工具一键导入第三方模型供应商的中转配置，避免官方账号注册与封号问题，再进入 Claude Code 页面选择文件夹和 Opus 5.5 模型。教程覆盖 Mac 与 Windows 双平台，包含客户端安装、CC-Switch 配置导入的常见坑、密钥创建与启用等步骤。最后作者用两段提示词让 Claude 搭建 Remotion + React + TypeScript 环境，并生成一支抽象风格的国庆放假宣传片，展示了 AI 编程工具在视频制作上的实际效果。
本文介绍如何使用 AI 智能体（特别是 Claude Code 与 Opus 5.5）自动化 SEO 与 AEO（AI 答案优化）工作流。作者强调转换率优先于搜索排名数据，随后提供三条路径：使用 AI 员工 Viktor 在 Slack 中自动化整个流程；从零开始用最简单的两页网站起步；以及在 Claude Code 中手动搭建完整系统，包括业务简报、状态文件、运行日志三个核心文件，并接入 Google Search Console、DataForSEO、Ahrefs、Firecrawl、PostHog 等工具，最终形成每周迭代优化页面排名与转化的循环机制。
作者介绍了基于 TypeSafe 发布的 Jev 模型构建信号驱动外呼机器人的方法。Jev 比通用模型快约百倍且成本极低，可为每个销售线索快速打分。作者团队曾用 Claude 做信号驱动 SDR，两周内约到 19 次会议，回复率 12%。文章详细拆解了开源项目 signal-ranker 的架构：watch.py 通过日期文件对比追踪招聘重发、融资等信号，judge.py 负责调用 Jev 评分，policy.py 用纯代码实现门槛与权重，两者分离以便复用已付费的判断结果。支持用 Claude Code 自行拉取线索或使用 yourmax.ai，可放入 Claude Code 或 Codex 终端复现。
文章详细介绍了如何在 Claude Code、Codex 等 Coding Agent 中接入 Jev 模型。作者小码哥分享了获取 API Key、设置环境变量、模型价格（成本比其他模型低 40～400 倍）以及 curl 请求测试等步骤。重点讲解了通过官方提供的即插即用 Skill，在 Claude Code 中使用插件市场安装，以及在 Codex、Cursor、Gemini CLI 等工具中用 npx skills 命令安装的方法，还介绍了 Skill 更新和提示词自动安装方式。作者认为 Jev 的特色在于不生成内容，而是帮助做判断、分析和决策，最适合与 Coding Agent 配合使用：Agent 负责干活，Jev 负责判断。新用户可获得 5 美元额度。
作者详细拆解了用 AI 制作百万播放长视频的完整开源流程。环境配置包括 Claude Code（效果最佳的 AI 智能体）、火山引擎 TTS（提供 2.0 音色和逐字时间戳）、Remotion 视频合成框架及字体等辅助工具。制作管线分五个阶段：调查写稿（构建事实链、来源台账）、配音与时间戳、素材搜索匹配（强调真实影像占比）、Remotion 画面合成（三层视觉语言、MG 图解、时间预算控制）、混音封面与发布。文章还包含内容规则、踩坑记录及开源 Skill 清单，帮助读者从一句话生成 10 分钟成片。
本文结合作者维护开源项目 CC Switch 的实际经验，深入分析 Claude Code 的项目级自动记忆（auto memory）机制。文章对比了 CLAUDE.md、自动记忆与会话历史三者的分工，解析了记忆的存储结构（索引 MEMORY.md 加主题文件）、按需加载原理、索引容量上限（200 行或 25K UTF-16 码元）及精简策略。作者通过 JSONL 台账写入纠正、方案决策背景保留、PR 审查接续三个场景说明记忆的实际价值，并指出索引超限截断、信息过时、精简后索引与正文不一致等缺陷，最后给出使用建议：明确表达纠正及原因、定期检查记忆文件、区分当前结论与历史证据。
本文介绍 TypeSafe 推出的决策模型 Jev 的实操接入方法。Jev 不生成代码，而是通过输入材料（state）和问题（questions）返回选项、分数或概率，用于判断 AI 编码 Agent 的工作质量。文章依次讲解：如何设计清晰的判断问题、跑通首次 API 调用、用 Python SDK 一次发起选择题/评分题/判断题、通过社区插件 jev-review 给 Claude Code 或 Codex 接入代码评审流程，以及安装官方 Skill 和编写 PreToolUse hook 对 Bash 命令做风险检查。文章强调 Jev 只提供质量信号，正确性仍需测试和人工审查保障，并提醒注意阈值校准、模型标识记录和敏感信息安全。
作者不懂编程，借助 Claude Code 将一个模糊的想法做成了可安装的安卓 App「锦鲤小课堂」，用于孩子观看本地课程资源。文章完整记录了从需求拆解、生成第一版 APK、真机测试到 v17 的 12 轮迭代过程，包括白屏 404、文件扫描不到、鸿蒙双存储隔离等典型问题的排查与解决。作者总结了 7 步开发流程和三份可复用模板（想法到 MVP、截图反馈、真机验收清单），强调非程序员应负责说清需求、验证产物和判断问题，而把代码实现交给 AI。
本文介绍“图工程”（Graph Engineering）概念，即通过构建文件间的连接关系，让AI系统能够有效访问和利用知识。作者以自身内容系统为例，指出78%的文档因缺乏指向而无法被AI或新成员发现。他提出用Claude Code生成MAP.md文件，绘制文件夹内文件的关系图，并分三步操作：绘制地图、解读结果、优化结构。文章强调文件夹结构应反映业务划分，而非照搬模板，最终实现团队共享和自动化更新。
文章介绍了开源工具 diagram-design，它为 Claude Code、Codex 等编码 Agent 提供了 39 种出版级专业图表能力，包括架构图、时序图、桑基图、鱼骨图、Wardley Map 和数据库模型等。生成的图表全部为独立纯 HTML + SVG 代码，零外部依赖，无多余阴影和滤镜，支持浅色、深色和编辑模式，浏览器直接打开即用。该工具采用 MIT 协议，可通过插件市场一键安装，还支持将现有 Mermaid 或 draw.io 图源直接重绘成高质量排版，解决了 AI 生成流程图丑陋难用的痛点。
作者在学习完《玩转 X 回复与互动》视频后，发现原有 Reply Counter 插件功能简陋，于是借助 Codex 和 Claude Code 自制了一个更完善的浏览器插件“互动工作台”。文章记录了完整过程：一是用 AI 深入学习视频内容，包括自制字幕双语翻译插件；二是用提示词让 AI 把视频字幕逐段改写为完整中文文章；三是发现工具缺口后，用 Codex 快速做出原型，并基于 Claude Code 细致优化，实现多列工作台展示、每日待办跟踪、快捷键换列、回复统计等功能，减少对昂贵 X Pro 档位的依赖，并帮助作者坚持每天高质量社交互动。插件已开源在 GitHub 并申请上架 Chrome 商店。
本文深度解读 Claude Code 开发者 Thariq Shihipar 的 70 分钟访谈，揭示 Anthropic 内部如何用 AI 做工程。核心观点包括：工程师抽象层级必须上移，把 Claude 当思考伙伴；知识工作皆可代码化；模型越强 harness 越复杂；自主性取决于 ticket 质量；提示工程被重新定义为注入上下文的一切；品味成为稀缺资源；验证能力重要性暴涨（测试代码需多 100 倍）；写作与信任文化规范；以及 loop engineering、生成式界面等将扩散到全行业的转变。
作者回顾了半年间 AI Coding 实践的演进：三月通过 Harness Engineering 给模型加约束，八月换成更轻量的 Pi 减少上下文注入，如今实践进入稳定态。文章介绍了当前工具栈，包括 matt skills（需求对齐、spec 拆解、TDD 实现）、ponytail（消除 AI Slop）、subagent 加 worktree 并发开发等。作者提出完整的日常 Coding SOP，从脑暴对齐到垂直切片再到 subagent 实现和人工 Review，并指出人工 Review 已成为新的瓶颈，介绍 Ensemble Review 多模型交叉审查方案。最后强调软件工程基本功与工程直觉在 AI 时代愈发重要。
文章深度解读 Anthropic 发布的《AI 原生 SDLC 手册》。作者指出核心问题在于流程而非代码：AI 写代码速度大幅提升，但审批、评审、治理等环节仍按人的速度运转，效率在流程中被消耗掉。AI 原生 SDLC 的思路是保留原有控制目标、更换执行方式，包含三个机制：流程从线性变为循环、每个阶段以提交一个产物结束（intent.md、spec.md、plan.md 等）、人的注意力集中在审批门上。文章逐一梳理了计划、设计、构建、测试、部署、维护六个阶段的具体做法，包括 plan mode、CLAUDE.md、skill、hook 护栏、并行会话、eval 持续评估、PR 评审和托管设置等，最后通过监控指标驱动的闭环实现自主运行。
文章讨论 AI 编码代理的指令文件碎片化问题：Shopify CEO Tobi Lütke 因 Claude Code 只读 CLAUDE.md 而威胁在公司禁用该工具，认为多工具团队需在多个厂商文件间同步规则，导致分裂问题。Anthropic 回应称模型家族并非可互换，指令文件需按模型偏好编写，但同时承认维护负担并承诺支持 AGENTS.md。作者提出解决方案：先在项目根目录建立自有 AGENTS.md 手册，包含规则、命令、工作流、记忆四部分，再让各厂商文件成为薄适配器，通过引用导入。这样规则归项目所有，切换工具时无需重写整个指令层。
文章探讨了随着大模型能力提升，上下文工程的策略已从补充信息转向尽量精简信息。PostHog 分享了维护 AGENTS.md/CLAUDE.md 的三种实践方法：1) 使用 Claude Code 的 /doctor 命令进行健康检查并人工审阅，删除无法说出其防止失败的冗余指令；2) 像对待代码一样测试上下文，将 agent 犯过的错误记录为 evals，通过 wizard-ci 和 pr-evaluator 自动化验证；3) 直接让 agent 在使用上下文的过程中反馈改进建议。文章强调过时或冗余的上下文会拖累 agent 表现，需要定期清理与迭代。
作者以 Mole 项目（11 万行 Swift、3347 个 XCTest）为例，从产品工程师视角分享 AI 全量生成代码时代保持代码可维护性的实践经验：由工程师主导架构设计与文档沉淀；重视覆盖边界场景的单测，坚持 AI 写的代码由 AI 测试；修 Bug 时补充回归测试并把原因写入规则；用按模块拆分的 Rules 和 Skills 记录功能边界与历史决策；坚持少做无用功能避免维护成本腐化；充分利用 GitHub Actions 与 CI 兜底验证，设置流程卡点让 AI 自动化验证，从而让代码长期持续迭代、清晰可扩展。
作者分享了如何让 Claude Code 生成符合个人品牌风格的设计作品。他曾花两天与 Claude 争论字体和间距，后来发现关键在于：与其用文字描述想要的幻灯片，不如让 Claude 直接读取已有的设计参考。文章详细介绍了如何将 Figma 通过 MCP 连接到 Claude，包括创建账号、导入参考文件、复制特定 frame 的链接等步骤。作者强调，AI 工具失败的原因是没有'你的东西'可读，只要提供真实的设计参考文件或品牌规范（如色值、字体、间距），Claude 就能产出完全符合品牌风格的作品。
本文详细介绍了如何将 Claude Design（Anthropic 的对话式设计工作区）与 Claude Code 结合使用的工作流。作者讲解了通过 MCP 服务器连接两者、使用 /design-sync 导入企业设计系统、结合截图与代码库提供上下文、利用 Refero Styles 等真实设计参考生成初版方案的方法。文章还涵盖如何通过聊天、行内评论或画布直接编辑进行迭代，安装或自建设计 Skill 以固化设计规则，以及建立评估与审批流程，最终实现从设计到代码实现的无缝衔接。同时指出了 beta 阶段的局限性。
作者分享了将主力 Coding Agent 从 Claude Code 切换到 Pi 并自建 Harness 三周后的体验。Pi 核心精简、缓存命中率高，且让用户能完全掌控 Agent 工作方式。作者将 Harness 分为三层：AGENTS.md 管纪律（全局与项目级规则）、Skills 管能力（tdd、code-review 等按需加载）、Packages 管控制面（重点介绍 pi-subagents 并行调度、pi-skillful 技能管理、pi-ask 歧义处理等 10 个常用包）。工作流遵循先问清、再侦察、后修改的原则，强调同一目录只留一个 writer、reviewer 可并行。作者还分享了避免堆砌 Skill 和 Package 的教训，提醒 Pi 默认最高权限无沙箱，需提防危险指令。
文章介绍了一个 6.4k star 的开源 AI Agent Skill 项目 video-shotcraft，安装后可让 Claude Code 或 Codex 像动效工作室一样制作产品宣传片。丢入产品页面后，它能自动分镜、做动画、配音效，通过 Remotion 渲染出电影感宣传视频，包含真实页面截图、2.5D 运镜和卡点剪辑。项目提供 152 张分镜配方卡、209 个动效预览、36 秒成片模板、149 个电影级音效及 5 首可商用 BGM。分镜配方来自对 Notion、Figma 等大厂宣传片逐帧拆解。成片还可直接导出剪映工程继续编辑，Apache-2.0 开源。
作者用相同的提示词、品牌素材和数据让 Claude Code（Opus 5）和 Codex（GPT-5.6 Sol）各构建八个网站，从设计质量、Agent 数量、耗时、输出 token 和 API 成本多维度对比。结果是 Codex 在开放式设计环节赢得六轮中的五轮，效率优势显著：Codex 仅用 9 个 agent、约 5 小时、55 万 token、约 100 美元，而 Claude Code 用了 25 个 agent、14 小时、近 300 万 token、约 444 美元。实验还发现当提示词足够具体时，两者产出几乎一致。
作者将上万字的大厂 Claude Code 工程化手册浓缩为 23 条实战铁律，涵盖工具定位、入口选择、Git 快照、只读分析、区分事实与推测等基础操作，以及 Read-Plan-Implement-Verify-Review-Deliver 的核心工程闭环。文中详细讲解需求工单化、权限规则优先于提示词、CLAUDE.md 精简配置、长会话压缩与任务拆分、Git 安全红线与安全五不原则，并给出翻车急救包和高级能力升级路径，强调改动必须可解释、可验证、可审查、可回滚。
本文系统讲解如何编写和维护 Claude Code 的 CLAUDE.md 与 Codex 的 AGENTS.md 等长期指令文件。核心观点是：规则越多 Agent 反而越容易跑偏，指令文件应只保存 Agent 无法从代码推断的隐性知识。作者提出先做减法（三问：能否从项目找到、是否多数任务都用、是否长期成立），再做加法（五个问题提取业务规则、固定入口、联动关系、完成标准和权威资料），并给出内容分流表、最小模板、双工具共用一份文件的方案、加载验证方法、修剪维护节奏，以及一段可直接使用的审计提示词。
