写好 CLAUDE.md 的 8 条经验：让 Claude Code 更懂你的项目
本文分享了 8 条关于如何编写 CLAUDE.md 的实战经验，旨在帮助开发者通过优化指令文件来提升 Claude Code 的工作效率。核心观点包括：控制长度在 200 行以内、明确禁止使用的库、制定可执行的代码规范、利用文件指针而非堆砌信息、为敏感模块配置本地指令、使用 Hooks 强制执行规则、建立长期记忆回路以及预设工作风格。
相关文档
99% 开发者误解的 Claude 技巧：从对话到系统
文章指出了大多数开发者在使用 Claude Code 时仅停留在“对话”层面的误区，提出了将其视为“可编程推理引擎”的理念。作者详细阐述了如何通过构建“输入层-推理层-执行层-反馈层-记忆层”的系统架构，利用 Prompt Builder、自动化测试闭环和 CLAUDE.md 记忆机制，将 AI 从辅助工具转化为高一致性的生成系统。
卡兹克零基础靠 AI 做的 AIHot，我作为程序员认真读了一遍源码
作者以程序员视角深入分析了数字生命卡兹克零编程基础、纯靠 AI 构建的开源项目 AIHot（AI 热点新闻聚合网站）。文章详细解读了项目的技术选型与架构：TypeScript 全栈 monorepo、React Router SSR 前端、Fastify API、pg-boss 任务队列，以及 RSS、网页爬虫、JSON 接口、推特、微信公众号等六种信源采集方式。重点剖析了其基于大模型的文章处理流程：预筛、五维度加权打分、摘要生成、向量聚簇归组。作者由此引申讨论 AI 时代软件工程可维护性标准的转变：程序员注意力从代码实现转向架构设计与约束，类比铝从贵金属到飞机材料的价值观变迁。
5大顶级AI编程套件盘点与搭建指南
本文盘点并测评了5个GitHub上热门的AI编程套件（如obra/superpowers、mattpocock/skills等）。这些套件通过硬编码工作流、需求文档化、强制诊断流程及工程护栏等方式，将工程规范编译成AI能理解的规则，有效解决了AI编程中的“跑偏”、需求飘移和瞎猜等问题。作者指出，开发者应基于自身习惯搭建专属的自生长AI编程套件，以大幅提升编程效率。
用 Claude Code 重构百万行代码：官方六步迁移法深度解读
本文深度解读了 Anthropic 官方如何利用 Claude Code 完成百万行代码的大规模迁移。文章介绍了 Bun 从 Zig 迁移到 Rust 及 Python 项目转 TypeScript 的惊人案例，并提炼出包括制定规则、小范围试跑、对抗性审查等在内的“六步迁移法”，为开发者提供了高效的 AI 编程与代码重构实战指南。
从盲区扫描到测验合并：重写 AI Coding 工作流
文章基于 Anthropic 员工 Thariq 的理念，探讨了 AI 编程中的核心痛点：通过“未知项管理”替代单纯的“Prompt 优化”。作者将未知项分为四类，并提出了相应的解决策略：用“盲区扫描”发现隐性问题，用“多版原型”明确模糊标准，用“实现笔记”记录代码逻辑，最后通过“反向测验”确保开发者理解变更。这套流程旨在将未知项在低成本阶段暴露，避免后期返工，实现高质量的 AI 辅助编程。
我的 AI Coding Guide
本文分享了作者在使用 AI Agent 辅助编程时的实战经验。文章从精力管理、工程管理、快速反馈三个维度出发，提出了十一条核心原则，包括“Prompt即规格说明”、“使用最强模型”、“可逆沙盒原则”以及“Fail Fast”等。作者强调，在使用 AI 编程时，开发者应从执行者转变为管理者和审查者，利用工具链（Git、CI/CD）进行风险控制，确保代码的可维护性与安全性。
写好 CLAUDE.md 的 8 条经验：让 Claude Code 更懂你的项目
本文分享了如何通过优化 CLAUDE.md 提升 Claude Code 效能的 8 条实战经验。核心观点包括：限制文件长度在 200 行以内、明确列出禁止引入的技术栈、制定可执行的编码规则、利用 CLAUDE.md 作为文档指针而非存储库、为敏感模块配置本地上下文、使用 Hook 替代记忆、建立长期记忆回路，以及配置工作风格以减少沟通成本。
从零构建 LLM 架构：10 个实用经验教训
本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。
Karpathy 的 CLAUDE.md：如何将 Claude Code 编码准确率提升至 94%
文章介绍了 Andrej Karpathy 验证过的 CLAUDE.md 配置方法，该项目在 GitHub 上获得 8.2 万星标。文章分析了开发者在使用 Claude Code 时常遇到的三个痛点：重复解释上下文、AI 擅自修改代码范围、以及缺乏持久记忆。通过在项目根目录创建包含 Defaults、Behavior 和 Memory/Stack 三个部分的 CLAUDE.md 文件，开发者可以将编码准确率从 65% 提升至 94%，并为团队节省大量因沟通和回滚错误造成的时间成本。
The AI Agent Complexity Ratchet: Why 90% Test Coverage Is Required
文章探讨了 AI 编程代理（Agent）如何改变软件开发的范式。作者通过 GStack 和 GBrain 两个开源项目的经验，指出 AI 使得同时实现高速度和高质量成为可能。核心在于构建“复杂度棘轮”：即 90% 的测试覆盖率。AI 代理能伴随代码编写测试、文档和评估结果，确保每次迭代都建立在质量底线之上，防止退化，从而实现只能变好不能变坏的“单向运动”开发模式。
The Best Autonomous Builder Prompt for Big Tasks
文章介绍了一个用于大型任务（如系统构建、功能开发）的 AI Agent 通用提示词模板。该模板旨在规范代理的工作风格与质量标准，要求其像资深工程师一样，深入理解上下文、制定计划、充分调用工具并进行严格测试。文章详细列出了从建立任务、收集背景、编写计划到执行纪律的具体步骤，强调不妥协的质量和持续迭代。
Harness Engineering: 为编程代理准备 TypeScript 代码库
本文探讨了在利用 Claude Code 和 Codex 等 AI 编程代理进行“氛围编程”时，如何构建高可维护性的 TypeScript 代码库。文章提出了“Harness Engineering”的概念，强调通过 Monorepo 结构、统一的 ESLint 配置、标准化的 Skill 文件夹结构以及详尽的 CLAUDE.md 文档，为 AI 代理提供明确的“行动线索”和约束机制，从而避免产生难以维护的“AI 垃圾代码”。
