Claude Code 使用指南：9 条上下文管理最佳实践
作者基于三个月 Claude Code 使用经验，总结出9条关于上下文窗口管理的最佳实践。核心观点是将上下文视为有限的“白板”，通过计划模式、子代理、CLAUDE.md 规则维护、并行会话及 Skill 封装等策略，有效管理 AI 注意力，避免模型变笨和无效返工，从而显著提升开发效率。
相关文档
你对 AGENTS.md 的理解几乎为零
文章探讨了开发者对 AGENTS.md 和 CLAUDE.md 等 AI 编程工具说明文件的普遍误解。作者指出，很多团队把所有希望 AI 做到的事都写进一个不断膨胀的文件，导致维护规则本身成了负担，本末倒置。正确的做法是让 AGENTS.md 保持精简（作者根文件不到 50 行），只写每次开工都需要知道的少数核心事项，再指向不同任务对应的规则文件，让 Agent 按需读取。作者引用西蒙'存储信息'与'需要时获取信息'的区分，并提醒只有在流程确实需要反复执行时才值得做成 Skill，不必急于按需调用。
Claude Code 进阶：14 个让 AI 处理脏活累活的高级技巧
本文是 Claude Code 的进阶指南，承接上篇基础配置，深入探讨了如何利用 AI 进行高强度开发。文章从上下文管理（如主动压缩、瘦身系统提示）、高级工作流（Git Worktrees、多标签页）、实战场景（PR 审查、DevOps、写作）及避坑指南四个维度，分享了 14 个实用技巧，旨在将开发者从繁琐的脏活累活中解放出来。
提升 10 倍效率的 CLAUDE.md 编写指南
文章详细介绍了如何编写高效的 Claude Code 配置文件 CLAUDE.md。作者指出大多数配置文件因过长、内容错误或缺乏层级而失效。文章提出了全局、项目、本地三级文件体系，并提炼了包含关键命令、架构映射、硬性规则、工作流偏好及排除项在内的 5 个核心部分。文末附上了可直接复用的生产级模板，强调 CLAUDE.md 应作为防止特定错误的“技术简报”，而非性格设定的愿望清单。
Karpathy-Inspired CLAUDE.md: 30秒快速集成指南
文章介绍了由 Forrest Chang 基于 Andrej Karpathy 观点开发的行为配置文件 CLAUDE.md。该文件针对 AI 编码代理的三大痛点（静默错误假设、过度复杂化、正交破坏）提出了四项核心原则：先思考后编码、简洁优先、外科手术式修改、目标驱动执行。文章详细解析了这 65 行代码的规则逻辑，并提供了通过 curl 命令在 30 秒内集成到现有项目，或通过插件形式全局安装的具体方法。
一个文件改变 Claude：通过 CLAUDE.md 修复 AI 编程的四大缺陷
文章指出了 Claude Code 默认行为中的“愚蠢”之处，即盲目执行、过度复杂化和缺乏交流，引用了 Andrej Karpathy 对 AI 编码工具的批评。作者介绍了一个名为 `andrej-karpathy-skills` 的解决方案，通过添加一个 `CLAUDE.md` 配置文件，设定“三思后行”、“简单优先”、“手术式修改”和“目标驱动”四大原则，彻底改变了 Claude 的行为模式，使其更像一位资深工程师。
使用 Claude Code：会话管理与 100 万上下文
本文详细介绍了 Claude Code 的会话管理策略。在 100 万 Token 上下文窗口的背景下，文章探讨了上下文衰减、压缩与清空的区别、回溯功能的优势以及子智能体的应用。文章指出，理解何时开新会话、如何有效利用 /rewind 修正错误，以及通过压缩或清空管理上下文，是提升 Claude Code 使用体验的关键。
Claude Code 工程化最佳实践与架构指南
本文系统性地介绍了 Claude Code 的工程化实战知识库，涵盖了从基础配置到高级架构设计的方方面面。内容解读了创建者的定制技巧，深入解析了 Command、Agent、Skills 的核心架构与 Memory 作用域，并针对 Monorepo 场景提供了上下文管理策略。文章还总结了上下文管理、Agent 设计、调试方法及权限安全的实践经验，并分享了如何利用高级 API 特性（如程序化工具调用、动态过滤）来显著降低 Token 消耗并提升准确率。
Claude Code 团队如何进行代码评审
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。
从零掌握 Claude Opus 5.5 提示词工程
文章系统讲解了 Claude Opus 5.5 的提示词工程方法。作者指出 Opus 5.5 是首个官方提示指南以“删减”为主的前沿模型：模型会自主决定思考深度，手动思考预算已失效，强制工具调用不再支持。核心心智模型是把 Claude 当作毫无上下文的天才新同事，需明确目标、提供充分背景、给出示例、用 XML 标签结构化输入、指定输出格式。新模型的关键变化是 effort（低/中/高/超高/最大）成为控制智能、延迟与成本的首要杠杆，默认为 medium；应停止使用“仔细思考”“一步步推理”等旧式提示，而用 effort 控制思考量。文中还包含 API 调用示例与新旧提示写法的对比。
区分有效 Skill 与空谈文章的 9 条原则
作者提出九条原则，帮助判断 Agent Skill 是否真正有效，覆盖 Skill 生命周期三个阶段：被选中、可靠执行、经受现实检验。核心观点包括：元数据描述是触发与否的关键入口；上下文是共享预算，需渐进式加载；流程与检查点优于长篇散文；规则应解释原因以应对边缘情况；预先记录并反驳模型常见的跳过理由；确定性逻辑写成脚本代码而非依赖推理；严格限定修改范围；Skill 会随库更新和约定变化而腐化，需版本化管理；上线前必须用真实用例运行验证，从观察到的行为而非想象中调试。
Harness Engineering: Build a Reliable AI Agent in 6 Layers
文章提出构建可靠 AI Agent 的关键不在于更好的提示词，而在于模型周围的 Harness（工程脚手架）。作者借鉴 OpenAI 用 Codex 零手写代码构建产品的经验，提出六层最小可行 Harness：1) 将请求转化为明确的任务契约，定义目标、约束与完成条件；2) 用上下文编译器按需提供高信号信息而非堆料；3) 在模型与工具之间设置网关，做权限校验与结构化观察结果；4) 将记忆外化为持久状态，区分事实、决策、状态与教训；5) 以证据门控完成判定，用测试与验证结果决定接受、重试或上报；6) 建立追踪与恢复循环。
Claude Code vs Codex 网站设计对比实测
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。
