别再把AI当聊天机器人了:Claude Code之父的“15倍速”工程化工作流全拆解

news2026/4/3 17:29:09
在这个AI编程工具层出不穷的时代大多数人还在纠结“哪家大模型的代码补全更准”或者在对话框里一行行地复制粘贴代码。然而Anthropic工程师、Claude Code的缔造者Boris Cherny最近在X上公开的一套工作流直接震碎了开发者社区的认知。5.4万人点赞、10万人收藏、800万次查看。这不只是一个技术帖的爆火而是一场关于“人机协作范式”的彻底革命。Boris向我们展示了当一个顶尖工程师不再把AI当成“助手”而是当成一个“15人的工程团队”时生产力的上限在哪里。本文将深度拆解Boris Cherny的核心方法论带你从“问答式编程”跃迁到“工程化代理”模式。一、 认知降维你的配置太复杂他的逻辑太简单全网都在猜Claude Code之父到底藏了什么黑科技是万字长的System Prompt还是复杂的本地插件结果Boris的第一句话就让所有人哑口无言“我的配置可能出乎意料地简单surprisingly vanillaClaude Code开箱即用效果非常好所以我个人很少对其进行自定义。”这透露了一个极其重要的信号AI编程的胜负手不在于“调优工具”而在于“重构流程”。很多开发者花费大量时间在配置IDE插件、寻找各种“咒语”模板却忽略了最本质的工程逻辑。Boris的工作流之所以强大是因为他把AI看作一个具备执行能力的“雇员”而非一个需要时刻盯着的“打字机”。二、 并行艺术如何同时管理15个AI会话Boris工作流中最让人震撼的细节是并行Parallelism。他每天同时运行10到15个Claude会话。其中终端里开5个Claude Code会话编号1到5浏览器端再跑5到10个。1. 手机启动任务咖啡时间验收这是最具画面感的一幕Boris早上起床拿出手机在Claude iOS App上启动3到5个任务。然后他去洗漱、喝咖啡。等他回到电脑前时代码已经写好了他只需要负责最后的验收。这种做法的本质是把人类最稀缺的资源——注意力——从“等待AI执行”中解放出来。2. 从程序员到项目经理的身份转变当你还在等一个AI给你补全一行代码、盯着进度条转圈时Boris已经给5个AI分别分配了5个不同的任务。它们在后台异步运行利用系统通知提醒需要人工干预的时刻。在这种模式下你的角色不再是“写代码的人”而是**“项目经理”**。你的工作流变成了发任务清晰定义目标。审计划确认AI的实现思路。验收结果检查代码质量和运行情况。这种“总吞吐量”的提升远比单次生成速度的提升要可怕得多。三、 三条反直觉原则每一条都在挑战你的习惯如果要把Boris的方法论蒸馏到最精华的部分核心只有三条。但有趣的是每一条都跟大多数人的直觉相反。原则一永远选最贵、最聪明的模型直觉先用便宜的模型如Haiku或Sonnet试试不行再换贵的高级模型如Opus 4.5。Boris的逻辑聪明模型一次想清楚笨模型来回试错烧掉的Token远超差价。Boris坚持使用带思考模式的顶级模型。理由很简单返工的成本远大于一开始就用强模型的成本。虽然强模型可能反应慢一点但因为你同时跑着十几个会话单个会话的延迟完全不影响总体的产出效率。“计划做得好代码自然好。”原则二建立“复利”知识库——CLAUDE.md直觉遇到AI报错在对话框里纠正它下次报错再纠正。Boris的逻辑整个团队维护一个纯文本知识库让AI不再掉进同一个坑。他在项目根目录放一个叫CLAUDE.md的文件并提交到Git。这个文件记录了项目的技术栈偏好、代码规范、避坑指南。每当Claude犯了一次错或者你教了它一个新的工程习惯最后一定要补一句“Update your CLAUDE.md so you don’t make that mistake again.”这把“训练AI”从玄学的调参变成了透明的**“调规则”**。规则是可审计、可版本控制、可共享的。这就是所谓的“复利工程”——今天修一个坑明天全团队包括你所有的AI会话都不再掉进去。原则三永远让AI看到运行结果闭环验证直觉AI写完代码我复制到本地跑一下有问题再反馈。Boris的逻辑“你让一个画家蒙着眼睛画画画完不让他看然后怪他画得丑”Boris强调必须让Claude拥有运行测试、执行命令、甚至打开浏览器看渲染结果的权限。没有验证闭环的AI编程就是“蒙眼画画”。让AI自己跑一遍npm test看一眼报错信息它能自动修正90%的低级错误。产出质量能因此提升2到3倍。四、 深度实操Plan Mode与自动化基建除了原则Boris还公开了几个极具实操价值的技术细节1. Plan Mode计划模式先把计划锁死Boris的操作节奏有明确的切分先计划后执行中间不能混。在Claude Code中他会先进入Plan Mode让AI把实现计划写清楚。在这个阶段他会反复打磨、修改计划直到逻辑完全对齐。一旦计划锁死他会切换到auto-accept模式让AI一口气把涉及20个文件的修改全部干完。你审的是计划不是几千行代码的Diff。计划对了代码就很难错。2. 自动化工具链从Prompt到Slash Commands他把常用的操作如commit、push、创建PR写成一键命令放在.claude/commands/目录下。子代理Subagents主会话是项目经理子会话是专项专家如专门负责精简代码的code-simplifier。Hooks每次执行完工具操作后自动跑格式化处理CI之前的最后10%。MCP集成通过MCP连接Slack、数据库。Boris甚至提到自己已经半年没写过SQL了全是让Claude直接连数据库拉数据。五、 总结你是在用AI还是在管理AIBoris Cherny的这套工作流本质上回答了一个分水岭式的问题AI编程的正确姿势到底是“问一句改一句”还是“发任务—审计划—验收结果—沉淀规则”从Copilot到Agent Team这中间的鸿沟不是技术能力而是工作方式的认知差。即便你没有Anthropic员工那样的Token额度你依然可以从这套方法论中获益从2个并行会话开始尝试异步工作。写下你的第一行CLAUDE.md把纠错变成资产。强制要求AI先出计划再写代码把审核点前置。AI不会取代程序员但“管理15个AI的程序员”一定会取代“只会跟AI聊天的程序员”。生产力的上限现在掌握在那些敢于重构工作流的人手中。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2479557.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…