文章记录了 Claude Code 创始人 Boris Cherny 在 YC 播客中的对话，回顾了该产品从终端原型发展至年化收入 10 亿美元的历程。Boris 分享了 Anthropic 的产品哲学，包括挖掘潜在需求、不为当下模型构建而押注未来模型进化的理念。文章深入探讨了 Plan Mode 的技术实现、多 Agent 协作模式（如“Mama Claude”）以及 AI 对编程效率的颠覆性提升，指出传统软件工程师角色将随着 AGI 的发展而逐渐消亡。
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
本文深入解析了 Claude Code 创始人 Boris Cherny 的日常工作流与核心理念。他指出，Claude Code 的最佳使用方式已从传统的“单次提示”转变为“设计循环”，即通过多会话和子智能体构建自动化的系统。文章探讨了系统提示词的演进逻辑，并分享了如何像 Anthropic 内部团队一样高效编写 CLAUDE.md 文件：将 Claude 视为一名能力极强但患有失忆症的新员工，仅提供必要的全局指令与渐进式上下文。
文章指出大多数用户仅将 Claude Code 视为简单的终端助手，而忽略了其通过第三方仓库扩展的强大潜力。作者介绍了涵盖官方工具、生态索引、插件及技能库的 100 个精选仓库，旨在帮助开发者构建从简单的智能编程工具到全功能的 Agent 系统，从而显著提升生产力。
Anthropic 工程经理 Felix Rieseberg 宣布其团队面试不再考核传统编程题，因为 Claude 等AI已能轻松完成这类题目，且团队最能出成果的人与编程题表现关系不大。他认为AI时代让入行不久的工程师有机会跑赢资历更老的员工，因为把想法做出来的成本大幅降低。文章介绍了新人面临的困境（想法不被重视、受所谓'常识'束缚），并给出五条建议：紧盯业务影响、提出大胆想法、快速做原型、一个原型聚焦一个好点子、善用新人视角。文中以两位新工程师用周末做出 Claude Code 图形界面版为例佐证。
文章介绍了 Anthropic Claude Code 团队的代码审查实践，以及作者团队自研 AI 代码审查工具 HeyDeer 的落地经验。核心思路是：AI 写代码占比接近 100% 后，人工逐行审查不再可行，应把人的注意力留给真正有风险的部分。做法包括按风险分级审批（低中风险由 AI 自动批准，高风险由人判断方向）、多模型交叉审查降噪、用仓库检查落实团队规范、通过 Autopilot 自动修复问题直至收敛。作者团队跑了 8 个月未因合并有 bug 的代码导致线上事故，认为大部分创业和中小公司都适用这种方式。
文章介绍了开源工具 REA（Reverse Engineer Anything），它作为 MCP 服务器连接 Claude Code、Codex、Cursor 等编程 Agent，整合二进制分析、字符串提取、函数定位、调用追踪等现有逆向工具，让 AI 基于「证据」而非猜测来理解应用。文章对比了让 AI 凭经验猜测与基于真实文件分析的差异，给出完整安装配置和 10 步方法论：选择单一功能、编写强制证据的提示词、区分事实与假设、先写行为规范再实现代码等，强调这是理解与重建软件的可靠路径，而非简单复制。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
作者对比斯坦福CS146S课程2025与2026两版课纲，指出新版砍掉了85%旧内容，反映编程领域AI化进展迅猛。课程转向Agent Skills、CLAUDE.md、MCP、模型路由、后台并行agent和软件工厂等内容，期末项目占比降至50%，新增30%分数来自向真实开源项目提PR。Claude Code之父Boris Cherny等业界嘉宾分享，其同时运行数千个Claude agent。课程材料公开，非斯坦福学生也可跟学，作者认为编程教育应紧跟AI Agent时代变革。
作者基于 Anthropic 工程师删除 Claude Code 80% 系统提示词却无性能损失的事实，反思提示词与 Agent Skill 的实践方法。提出提示词不是八股文，应聚焦任务三要素（目标、规则、完成标准），减少角色铺垫和冗余规则，多给思考方向而非僵硬示例，并设定明确验收标准。关于 Skill 沉淀，强调只有高频且流程稳定的任务才值得做成 Skill，要写入独特经验而非通识废话，严格控制单一职责与边界，主文件精简并渐进式加载，且必须内置自检环节形成质检闭环。
作者受 Anthropic 工程经理 Felix Rieseberg「Do not ask the model to judge itself」的启发，将外部验证规则写进 CLAUDE.md：交稿前派一个不带上下文的子 Agent，在空目录里照着成稿做一遍，报告卡住的步骤。作者用一篇错题本教程实测三次：第一次因抓取丢失代码块被判「不能」；第二次判「部分能」，挑出三处真实缺漏（回填提示词、完整模板、日期示例）；补齐后第三次仍挑出更深层的隐含前提问题。对照测试表明配置规则后 Agent 会主动派裁判。文末附完整规则全文及验证方法、踩坑提示，强调写稿与验收必须分离，教程质量需由「没见过这篇的人」验证。
作者在 AI 编程时代工作流已从手写代码转向与 Claude Code、Qoder CLI 等 agent 协作，日常以看 diff、stage/commit 为主，因此基于 Go 的 MyGo 框架自研了轻量编辑器 Mayoi。它支持 project tabs 多项目管理、Ghostty 终端集成、按段 stage/discard 的 diff 审查、⌘V 粘贴截图给 agent、Remote SSH 远程开发等功能。相比 VS Code（905 MB）和 Cursor（970 MB），Mayoi 仅 24 MB、内存约 180 MB。当前版本无 LSP、扩展和调试器，内置 Claude、Qoder、Matrix 主题，开源且支持 macOS、Windows、Linux。
文章介绍 GitHub 现象级项目 REA（Reverse Engineer Anything），它将专业逆向工程工具接入 Claude Code、Codex 等 AI 编程助手，一周狂揽 17 万星。作者用大白话讲解逆向工程原理及 REA 如何把数百兆的反编译数据浓缩成小目录供 AI 精准取证分析，并通过两个实战展示威力：20 多分钟逆向 1988 年《魂斗罗》并复刻出完成度 80% 的网页版，还挖出 30 条命作弊码；3 小时拆解 Notion 桌面端，摸清其剪贴板与流畅编辑机制，将自己的 Mac 编辑器核心功能升级 70%。最后探讨开发者如何用 REA 破局变现，以及闭源不再是护城河后的真壁垒与合规边界。
