6条Claude Code实践中的经验与思考

news2026/5/15 19:28:22
Claude Code系列回顾目前在实践和应用Claude Code顺便分享一些在实践过程中的经验没想竟然写成一个系列了。如果你也对Claude Code感兴趣可以先回顾一下之前的文章然后开始今天的文章。第1篇《国内环境下的Claude Code安装与使用教程》第2篇《使用Claude Code最需要做的一件事与AI签订一份契约CLAUDE.md》第3篇《Claude Code实践从零开始一行代码不写生成一个项目》第4篇《Claude Code的Skills实践及利器推荐工欲善其事必先利其器》前言随着Claude Code使用的越来越多实践经验和感受也在逐步累积而且对AI Coding的理解和感知也在不断的发生着变化。希望这一切都能与大家分享共同探讨。在这篇文章中重点会聊一聊两方面的内容第一Claude Code实战中的一些技巧当然技巧是需要练习和实践的当你看完相关的文章之后还是要动手的第二AI对编程以及行业的改变当使用AI Coding越多也能够感知到AI对编程的冲击当你了解它有多强大时才会知道它有多可怕。下面是这篇文章与你分享的6条经验和思考01、能用插件尽量使用插件这一条很简单就是在AI Coding的过程中如果能用现成的插件或Skills那就尽量使用现成的。在《Claude Code的Skills实践及利器推荐工欲善其事必先利其器》一文中我们专门介绍了Superpowers这款插件这里再次推荐非常好用。用插件的好处是插件本身实现的Workflow工作流可以极大的规避模型的幻觉让编码的过程极具工业化标准化像工业生产线一样。而且优秀的插件或Skills本身就是集大成于一身汇集了大量优秀开发人员的成果。相比使用优秀的插件自己用不够清晰逻辑不够全面的语言来描述开发效率和输出的真的天差地别。有的人说AI Coding好用有的人说AI Coding不好用这一条导致这一评价两极化的核心原因之一。02、工程师要具备Leader的能力之前工程师的核心工作在于理解需求想清楚怎么实现然后一行一行的编写代码。随着AI Coding的发展工程师的工作方式发生了变化。工程师需要具备的能力变为理解需求拆分任务定义任务目标然后把任务用自然语言文字描述出来然后在与AI的不断沟通中完成任务管理任务最终还要检查任务是否执行成功。在之前的编程范式中工程师是执行者在新的AI Coding范式中工程师更像是一个小领导需要任务管理需要与下属反复沟通需要拍板做选择需要验收结果等。这里的角色改变以及相应的能力改变是巨大的你可以仔细感受一下此时具有清晰有逻辑的语言或文字表达能力的人将非常具有竞争优势。03、任务拆分越细越好这条可以说是实践过程中的必备技能了任务不仅要描述清晰而且还需要粒度适中。模型本身的幻觉导致它可能会犯错用户的描述缺失可能会导致模型有更大的“发挥空间”多Agent之间的错误传递和放大效应会导致结果差了十万八千里。因此细粒度的拆分任务变得非常必要。既可以保证模型在有限的空间内进行最小化的修改又可以保证在出现错误时能够及时回滚。以用户管理为例个人在实践的过程中甚至会精确到增、删、改、查每个页面和逻辑的沟通。先与AI沟通设计用户表设计完成验证没问题就可以提交一次commit然后适时clear上下文减少token消耗减少模型上下文过多导致的错误。然后再描述列表展示逻辑和UI风格AI执行完启动验证再提交一次commit和clear。这里附带一个技巧就是做好版本管理以便AI走的太偏时回滚重来当然如果你用Superpowers插件它会帮你自动做这一步。虽然这样比较繁琐但这种逐步迭代“结硬寨打打仗”的模式反而更适合在复杂业务中进行编程。当然如果你的AI Coding经验已经非常丰富则可以适当的放宽任务的粒度。04、尽量培养完全AI Coding的感觉在AI Coding的过程中有时候有很小的修改比如修改一个文案修改一个菜单的排序修改一个样式风格修改一个小功能。对于这样的修改经验丰富的开发者在IDE中分分钟就可以直接修改代码搞定。那么此时你会作何选择对于我来说我倾向于选择让AI来改哪怕只是修改一个文案。为什么呢就是培养完全的AI Coding的感觉。当你把自己“逼”到必须用AI自己不手动改一行代码的时候你才真正能够体验到AI Coding的感觉而且这种感觉会越来越上头你也能够修炼出一项新的能力。试想要做一个好的领导是不是就是只指导下属如何改那怕只是改一个字也不会亲自替下属动手的。既然要做AI Coding那就要全然的去做。当然如果是老旧项目以及涉及到资金安全等相关的项目可能需要更慎重一些酌情考虑。05、编程经验依旧非常重要在网络充斥着大量的无编程经验使用AI Coding实现项目的案例但个人在实践的过程中却有不一样的感受那就是编程经验包括架构设计经验依旧非常非常重要。因为在使用AI Coding的时候AI会给出不同的方案选择如果你没有一点编程经验甚至看不懂AI给出的方案有什么利弊是否适合当前的项目。以上图为例虽然已经给出了非常明确的优缺点但如果对这些框架没有基础的了解和认识还是很难做出针对当前项目合理的选择的。这只是一个示例不一定贴切如果你进行一段时间AI Coding后你会发现AI 让你做的每一个抉择都像是你的下属在与沟通一个问题的解决方案如果你不懂你就很难跟它沟通明白让它做的符合你的预期。虽然你不用写代码但你不能不懂功能应该怎么设计代码应该怎么写。06 尽量培养自己的产品感觉AI Coding让代码变得廉价开发人员的一部分价值甚至是大部分价值被AI替代开发成本变得极低。那么作为相关从业人员真正区分一个人的能力的标志就是是否具有产品感觉是否对一个行业有深入的理解。当AI把开发的门槛抹平之后行业经验行业Know-HowIdea的好坏判断产品实现的感觉就被放大了。当你拥有了产品感觉产品能力这个时代对于你来说便是最好的创业时代最好的实现自己想法的时代。最后附带编程时代与AI时代的两个口号的变化之前是“Talk is cheap. Show me the code.”现在是“Code is cheap. Show me the the talk(propmt).”

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/2596651.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…