Claude Code 是 Anthropic 开发的命令行 AI 编码助手(CLI tool),能直接在终端读写整个代码库、执行命令、调用外部 API。2025/2026 年的版本已超越传统代码补全工具,进化为可接管开发、营销与日常自动化任务的完整 AI 操作系统。这篇文章将带你从基础操作到进阶多代理架构,完整掌握最新的 Claude Code 使用方式。
最后更新:2026 年 3 月 27 日 · 数据来源整合自 31 份实战研究
目录
- 2025/2026 最新核心更新
- 四大权限模式与计划模式
- 上下文管理与 CLAUDE.md
- Skills 技能系统与自动进化
- Hooks 拦截器系统
- MCP 集成与成本优化
- 多代理架构:Sub-agents 与 Agent Teams
- 成本控制实战技巧
- 三大实战案例
Claude Code 2026 有哪些最新核心更新?
直接答案:2025/2026 年 Claude Code 新增了 Dispatch 远端派发、
/by the way临时提问、/loop定时任务、Fast Mode 快速模式,以及结构化 Automemory 记忆系统,让 AI 助手从「对话工具」升级为可 24/7 后台运行的自主代理。
2025/2026 重大新功能
Claude Code 近期推出了多项重大更新,彻底改变了开发工作流:
| 功能 | 说明 | 适用场景 |
|---|---|---|
| Dispatch 远端派发 | 通过手机 Claude App 发送指令,让电脑后台执行任务 | 外出时远端启动分析任务 |
/by the way | 主任务执行中的临时提问,不污染主对话 | 长任务进行中快速查询 |
/loop 定时任务 | 定期执行提示词,如每日晨间 PR 摘要 | 自动化日报、监控 |
| Fast Mode | 约 3 倍价格,2.5 倍生成速度 | 大量并行处理 |
| Effort Levels | 可切换低/中/高/Ultra 推理投入程度 | 按任务复杂度调配资源 |
| Automemory 强化 | 结构化记忆写入(规则 + 动机 + 应用场景) | 跨对话上下文保留 |
Dispatch 远端派发架构
sequenceDiagram
participant Phone as 📱 手机<br/>Claude App
participant Cloud as ☁️ Anthropic Cloud
participant PC as 💻 本地电脑<br/>Claude Code
Phone->>Cloud: 发送自然语言指令<br/>"整理上周的销售报表"
Cloud->>PC: Dispatch 派发任务
PC->>PC: 后台执行:<br/>读取 Excel → 分析 → 生成报告
PC->>Cloud: 任务完成通知
Cloud->>Phone: 推送结果摘要实际效益:这让 Claude Code 可以像 24/7 的个人助理一样运作,而不需要自己搭建任何服务器。
Claude Code 的四种权限模式如何选择?
直接答案:Claude Code 通过
Shift + Tab循环切换四种模式。日常开发建议用 Edit automatically(黄金平衡点);开始复杂功能前务必先用 Plan Mode(只读,只输出架构,不修改任何文件)——研究表明先规划再实现,平均可节省 10 倍的重构成本。
按 Shift + Tab 可快速循环切换以下四种模式:
flowchart TD
A[🚀 开始任务] --> B{选择工作模式}
B --> C[📋 Ask before edits\n修改前询问]
B --> D[⚡ Edit automatically\n自动编辑]
B --> E[🔓 Bypass permissions\n完全授权]
B --> F[🗺️ Plan mode\n计划模式]
C --> C1["✅ 适合:新手探索\n❌ 缺点:速度极慢"]
D --> D1["✅ 适合:日常开发\n⚖️ 黄金平衡点"]
E --> E1["✅ 适合:已知自动化任务\n⚠️ 危险:无任何限制"]
F --> F1["✅ 只读模式,仅输出架构\n💰 省钱防呆最强工具"]
style F fill:#0c3a3d,color:#8ff5ff,stroke:#8ff5ff
style F1 fill:#0c3a3d,color:#8ff5ff,stroke:#8ff5ff为什么「计划模式」最重要?
计划模式(Plan Mode)是所有模式中最具价值的工具。在此模式下:
- Claude 只读不写,无法修改任何文件
- 会主动上网研究、读取所有相关代码
- 输出包含文件结构、依赖关系、实现步骤的详细蓝图
💡 黄金法则:「一分钟的计划,能省下十分钟的构建时间」
计划模式的架构修改 → 免费
写错代码后重构 → 消耗大量 Token + 时间
正确工作流程:
flowchart LR
A[收到需求] --> B[切换 Plan Mode]
B --> C[Claude 研究 + 生成蓝图]
C --> D{架构确认?}
D -->|需调整| C
D -->|确认| E[切换 Edit Mode]
E --> F[Claude 实现代码]
F --> G[✅ 完成]
style B fill:#1e1040,color:#ceb9ff,stroke:#ac89ff
style E fill:#0c3a3d,color:#8ff5ff,stroke:#8ff5ff如何用 CLAUDE.md 管理 Claude 的记忆与上下文?
直接答案:
CLAUDE.md是每次对话自动加载的指令文件,相当于 Claude 的「大脑设置」。放在~/.claude/为全局规则,放在项目根目录为该项目规则。最重要原则:最关键的规则放最顶端(首因效应),总长度控制在 200–500 行,切勿塞入完整 API 文档。
CLAUDE.md:你的 AI 大脑配置文件
CLAUDE.md 是每次对话前自动加载的指令文件,它定义了 Claude 的行为准则。
~/.claude/CLAUDE.md → 全局规则(所有项目)
./CLAUDE.md → 项目根目录规则
./src/CLAUDE.md → 子目录规则(覆盖上层)
首因效应(Primacy Bias)
研究发现,语言模型对文件开头的记忆最深。善用这个特性:
# ⚠️ 绝对不可违反的规则(放在最顶端!)
1. 永远不要使用相对路径
2. 永远不要直接修改 themes/ 目录
3. 所有数据库操作必须使用参数化查询
# 一般规则
...其他规则放在下方...
CLAUDE.md 最佳实践
mindmap
root((CLAUDE.md))
长度控制
200-500 行以内
不要塞入完整 API 文档
使用 /rules 目录拆分
结构设计
顶部放关键规则
中间放工作流程
底部放参考信息
规则拆分
code-style.md
security.md
testing.md
git-workflow.md记忆管理指令
| 指令 | 功能 | 何时使用 |
|---|---|---|
/context | 查看当前 Token 使用量 | 定期检查成本 |
/clear | 完全清空对话记忆 | 切换到全新任务 |
/compact [保留内容] | 高密度压缩对话历史 | 保留关键决策并释放空间 |
使用示例:
# 保留架构设计,清除其他对话
/compact 仅保留数据库架构与 API 设计决策
什么是 Claude Code Skills?如何让技能自动进化?
直接答案:Skills 是将重复性工作封装为自动化流程的指令集,存放在
~/.claude/skills/下的独立文件夹。每个 Skill 平时仅消耗约 60 Tokens(渐进式揭露),触发后才加载完整指令。进阶用法是结合 Andrej Karpathy 的 Autoresearch 框架,让技能在后台自动评分、优化、并 Commit 最佳版本。
Skills 是将重复性工作流封装为自动化流程的核心机制。
渐进式揭露架构
flowchart TD
A[Claude 对话开始] --> B[加载所有 Skills 的 Frontmatter]
B --> C{约 60 Tokens/技能\n消耗极小}
D[用户输入请求] --> E{Claude 判断\n是否需要技能?}
E -->|不需要| F[普通对话回应]
E -->|需要| G[加载完整 SKILL.md\n+ 脚本 + 参考文档]
G --> H[执行技能工作流]
style C fill:#0c3a3d,color:#8ff5ff
style G fill:#1e1040,color:#ceb9ff平时消耗:每个技能 ~60 Tokens 启用后消耗:完整加载所有相关资源
Skills 目录结构
~/.claude/skills/
└── article-writing/
├── SKILL.md # 主要指令(含 YAML frontmatter)
├── scripts/
│ └── check-seo.py # 辅助脚本
├── references/
│ └── brand-voice.md # 参考文档
└── assets/
└── template.html # 素材资源
SKILL.md 的 YAML Frontmatter
---
name: article-writing
description: >
Write blog articles with SEO optimization,
proper headings, and brand voice compliance.
Triggered when user asks to write, draft, or
create any article or blog post.
version: 1.2.0
---
# Article Writing Skill
## Gotchas(常见陷阱)⭐
<!-- 这是 Skill 中最有价值的区块! -->
- 永远不要在标题中使用问号
- 字数必须超过 1500 字,否则 SEO 评分极低
- 图片 alt 文字必须包含主关键词
## 工作流程
1. 分析目标关键词
2. 生成文章大纲(确认后才开始撰写)
...
自动进化系统(Autoresearch)
结合 Andrej Karpathy 的 Autoresearch 框架,Skills 可以自动学习并提升质量:
flowchart TD
A[定义二元评估标准\nEvals] --> B[定时执行技能]
B --> C[自动评分]
C --> D{分数是否提升?}
D -->|是| E[Commit 保留此次\n提示词修改]
D -->|否| F[Revert 恢复\n尝试其他修改]
E --> B
F --> B
G[["评估标准示例\n✅ 标题是否包含数字?\n✅ 是否有具体视觉锚点?\n✅ 字数是否超过 1500?"]]
style A fill:#0c3a3d,color:#8ff5ff
style E fill:#1d2634,color:#a5abb8
style G fill:#1e1040,color:#ceb9ff关键设计原则:评估标准必须是客观的是/否问题,而非主观感受。这样才能让 AI 自动进行量化评分并优化。
Claude Code Hooks 如何防止 AI 误删文件或执行危险命令?
直接答案:Hooks 是在 Claude 执行工具「前/后」插入的拦截逻辑,设置于
settings.json中。最实用的是PreToolUseHook:可拦截rm -rf、DROP TABLE等危险命令,或锁定特定目录(如themes/)防止误改。设置后,Claude 在执行高风险操作前会先弹出阻止提示。
Hooks 让你在 Claude 执行操作的前后插入自定义逻辑,是安全防护的最后一道防线。
Hook 类型
flowchart LR
A[用户输入] --> B[PreToolUse Hook\n工具执行前]
B --> C{是否通过?}
C -->|通过| D[Claude 执行工具]
C -->|拦截| E[阻止并告知原因]
D --> F[PostToolUse Hook\n工具执行后]
F --> G[结果返回]
style B fill:#1e1040,color:#ceb9ff
style F fill:#0c3a3d,color:#8ff5ff
style E fill:#3d0c0c,color:#ff8f8f实用 Hook 示例
安全拦截器(/careful):
{
"hooks": {
"PreToolUse": [{
"matcher": "Bash",
"hooks": [{
"type": "command",
"command": "echo '${tool.input.command}' | grep -qE '(rm -rf|DROP TABLE|kubectl delete)' && echo 'BLOCKED: 危险命令需要手动确认' && exit 1 || exit 0"
}]
}]
}
}
目录锁定(/freeze):
{
"hooks": {
"PreToolUse": [{
"matcher": "Edit|Write",
"hooks": [{
"type": "command",
"command": "echo '${tool.input.file_path}' | grep -q 'themes/' && echo 'BLOCKED: themes/ 目录已锁定' && exit 1 || exit 0"
}]
}]
}
}
如何集成 MCP 让 Claude Code 连接外部服务?
直接答案:MCP(Model Context Protocol)是 Anthropic 提出的开放标准,让 Claude 通过统一协议连接 Slack、Notion、数据库、浏览器等外部服务。安装方式为在
~/.claude/settings.json的mcpServers区块设置服务器地址。重要警告:安装 2-3 个大型 MCP,尚未输入任何对话就可能消耗 10,000–20,000 Tokens。
Model Context Protocol(MCP)是让 Claude 操控外部服务的标准协议,就像一个「万能遥控器」。
MCP 的本质架构
flowchart TD
A[Claude Code] -->|MCP 协议| B[MCP Server]
B --> C[Slack]
B --> D[Google Drive]
B --> E[Notion]
B --> F[ClickUp]
B --> G[NotebookLM]
B --> H[Chrome DevTools]
B --> I[Neon Database]
style A fill:#0c3a3d,color:#8ff5ff
style B fill:#1e1040,color:#ceb9ff⚠️ MCP 成本陷阱
安装 2-3 个大型 MCP → 尚未输入任何对话
就已消耗 10,000 ~ 20,000 Tokens!
MCP 工具会将所有工具定义、参数描述完整加载到 Context Window。部分 MCP 可能比你整个对话历史还要重。
最佳集成策略
flowchart LR
A[用 MCP 快速原型] --> B{流程可行?}
B -->|是| C[请 Claude 参考 MCP\n操作,写成 Python 脚本]
C --> D[封装为专属 Skill]
D --> E["🎯 消耗从 20,000 Tokens\n降至不到 100 Tokens"]
B -->|否| A
style E fill:#0c3a3d,color:#8ff5ff推荐 MCP 组合
| MCP | 功能 | Token 消耗 |
|---|---|---|
| Chrome DevTools | 控制本地浏览器、截图、数据抓取 | 中等 |
| NotebookLM | 免费大型知识库 RAG 系统 | 低(Google 端处理) |
| Context7 | 实时查询最新库文档 | 低 |
| Neon Database | PostgreSQL 直接操作 | 中等 |
Claude Code 多代理架构:Sub-agents 和 Agent Teams 如何选择?
直接答案:Sub-agents 是主代理(Opus)将任务分发给多个独立子代理(Sonnet/Haiku)并行执行,成本可控,适合明确分工任务。Agent Teams 是实验性功能,多代理完全平等且能互相沟通,Token 消耗是单一对话的 7 倍以上,适合探索性或需要辩论的任务,必须搭配 Git Worktrees 防止文件冲突。
当项目规模扩大,并行化任务是提升效率的关键。
Sub-agents(子代理)架构
flowchart TD
A["🎯 主代理\nClaude Opus\n(昂贵但智慧)"] --> B[分解任务]
B --> C["🔍 Research Agent\nSonnet/Haiku\n上网查文档"]
B --> D["💻 Code Agent\nSonnet/Haiku\n实现功能 A"]
B --> E["💻 Code Agent\nSonnet/Haiku\n实现功能 B"]
B --> F["🧪 QA Agent\nHaiku\n跑测试"]
C -->|结果| G[主代理整合]
D -->|结果| G
E -->|结果| G
F -->|结果| G
G --> H[✅ 最终交付]
style A fill:#0c3a3d,color:#8ff5ff
style C fill:#1d2634,color:#a5abb8
style D fill:#1d2634,color:#a5abb8
style E fill:#1d2634,color:#a5abb8
style F fill:#1d2634,color:#a5abb8子代理的核心优势:
- 每个子代理有独立的 Context Window,没有历史包袱
- 完成后仅返回结果,不污染主代理记忆
- 使用便宜模型(Haiku/Sonnet),大幅降低成本
Agent Teams(代理团队)
这是更进阶的实验性功能,需要在 settings.json 开启:
{
"claude_code_experimental_agent_teams": 1
}
flowchart TD
A[共享任务面板] --> B["🎨 设计代理 A\n极简风格"]
A --> C["🎨 设计代理 B\n大胆撞色"]
A --> D["🎨 设计代理 C\n企业专业"]
B -->|完成| E[Git Worktree A\n独立分支]
C -->|完成| F[Git Worktree B\n独立分支]
D -->|完成| G[Git Worktree C\n独立分支]
E --> H[人工选择\n最佳版本]
F --> H
G --> H
H --> I[合并主分支]
style A fill:#1e1040,color:#ceb9ff
style H fill:#0c3a3d,color:#8ff5ffAgent Teams vs Sub-agents 比较:
| 特性 | Sub-agents | Agent Teams |
|---|---|---|
| 沟通方式 | 主代理指挥 | 互相沟通 |
| Context 共享 | 否 | 共享任务面板 |
| Token 消耗 | 适中 | 极高(7倍以上) |
| 适用场景 | 明确分工任务 | 探索性/辩论性任务 |
| Git 集成 | 可选 | 强烈建议 Worktrees |
Git Worktrees 最佳实践
使用代理团队时,务必搭配 Git Worktrees,让每个代理在独立文件夹分支工作:
# 为代理团队创建独立工作区
git worktree add ../project-agent-a feature/agent-a-design
git worktree add ../project-agent-b feature/agent-b-design
git worktree add ../project-agent-c feature/agent-c-design
# 完成后合并最佳版本
git merge feature/agent-b-design
如何控制 Claude Code 的 Token 成本?
直接答案:成本控制的核心是防止「Context Rot」(记忆衰退)——Context Window 填满后 AI 推理能力显著下降。三个关键习惯:(1) 用
/context定期查看用量;(2) 切换任务时/clear清空记忆;(3) 复杂任务前先用 Plan Mode 确认架构,写错代码后的重构成本远高于预先规划。
Context Rot(记忆衰退)
当 Context Window 填满时,不仅成本暴增,AI 的推理能力也会显著下降。这个现象称为 Context Rot。
xychart-beta
title "Context 使用量 vs AI 回答质量"
x-axis ["0%", "25%", "50%", "75%", "100%"]
y-axis "质量分数" 0 --> 100
line [95, 88, 78, 60, 35]成本控制清单
每次工作前:
- 使用
/context查看 Token 使用量 - 确认
CLAUDE.md控制在 500 行以内 - 清理不必要的 MCP
切换任务时:
- 使用
/clear完全清空记忆 - 或使用
/compact压缩保留关键信息
复杂任务前:
- 先使用 Plan Mode 确认架构
- 用 Sub-agents 而非单一大 Context
模型选择策略
flowchart TD
A[任务评估] --> B{任务复杂度}
B -->|简单重复| C["🐦 Haiku\n最便宜\n轻量代理、批量处理"]
B -->|一般开发| D["⚡ Sonnet\n性价比最高\n日常编码主力"]
B -->|复杂架构| E["🧠 Opus\n最贵最聪明\n架构决策、研究分析"]
style C fill:#1d2634,color:#a5abb8
style D fill:#0c3a3d,color:#8ff5ff
style E fill:#1e1040,color:#ceb9ff实战案例
案例一:截图循环网页设计
这是目前最高效率的网页设计方法,无需写任何 CSS 即可产出精致页面。
flowchart LR
A["🌐 找到灵感网站"] --> B["📸 F12 全屏截图\n压缩至 5MB 以内"]
B --> C["📋 复制 body CSS 样式"]
C --> D["🤖 给 Claude:\n截图 + CSS\n要求精准还原"]
D --> E["📸 对 Claude 结果截图"]
E --> F{是否满意?}
F -->|否| G["提供两张截图对比\n要求修正差异"]
G --> E
F -->|是| H["✅ 完成\n通常 2-3 轮迭代"]
style D fill:#0c3a3d,color:#8ff5ff
style H fill:#1d2634,color:#a5abb8效果:2-3 分钟内产出 85%+ 相似度的高端设计页面,完全无代码。
案例二:NotebookLM RAG 知识库
当文档量庞大(如 99,000 行的 n8n 文档),直接放入 Claude 成本暴增。解决方案:
flowchart TD
A["📚 大型文档库\n99,000 行文档"] --> B["上传至 Google NotebookLM\n完全免费"]
C["开发者向 Claude 提问"] --> D["Claude 通过 MCP\n查询 NotebookLM"]
D --> E["Google 端执行 RAG\n远端检索分析"]
E --> F["返回精华结果\n极少 Token 消耗"]
F --> G["Claude 整合并回应"]
style B fill:#0c3a3d,color:#8ff5ff
style E fill:#1e1040,color:#ceb9ff效益:
- NotebookLM 免费处理 RAG 复杂度
- Claude 只需消耗极少 Token 接收结果
- 支持超大规模知识库,零额外成本
案例三:全自动 SaaS 应用生成
从需求描述到可运行的全栈 SaaS,流程如下:
flowchart TD
A["语音/文字输入需求\n'需要登录、提案、电子签名、支付'"] --> B[切换 Plan Mode]
B --> C["Claude 生成架构蓝图\nNext.js + Supabase + Stripe"]
C --> D{架构确认?}
D -->|调整| C
D -->|确认| E[切换 Edit Mode]
E --> F["粘贴 Supabase API Key\n+ Stripe API Key"]
F --> G["Claude 自动生成:\n• SQL 迁移脚本\n• 前后端代码\n• 认证系统"]
G --> H[部署至 Netlify]
H --> I["✅ 15-20 分钟完成\n媲美 PandaDoc 的 SaaS"]
style B fill:#1e1040,color:#ceb9ff
style I fill:#0c3a3d,color:#8ff5ff常见问题 FAQ
Claude Code 需要付费吗?如何获取?
Claude Code 通过 claude.ai/claude-code 或直接用 npm install -g @anthropic-ai/claude-code 安装。费用按使用量计算(按 Token 计费),不同模型(Haiku / Sonnet / Opus)费率不同。目前 Claude Pro 订阅方案包含有限的 Claude Code 使用额度,超出后按用量计费。
Claude Code 和 GitHub Copilot 有什么区别?
GitHub Copilot 主要在 IDE 内提供行内补全建议,属于「编写时的提示」。Claude Code 是命令行工具,能读写整个代码库、执行 Bash 命令、调用外部 API,并通过多代理架构并行处理复杂任务。两者定位不同:Copilot 加速「写」,Claude Code 自动化「做」。
CLAUDE.md 放错位置会有什么影响?
~/.claude/CLAUDE.md 是全局规则,每个项目都会加载;./CLAUDE.md 只对当前项目有效;子目录的 CLAUDE.md 会覆盖上层规则。如果规则冲突,较深层的目录规则优先。常见错误是把敏感项目规则放在全局,导致泄露给其他项目。
使用 Agent Teams 时 Git Worktrees 是必须的吗?
强烈建议。没有 Git Worktrees 时,多个代理会在同一目录操作,极易发生同时写入同一文件的竞争条件(Race Condition),导致代码被覆盖。Worktrees 让每个代理在独立文件夹分支工作,完成后再合并,是唯一安全的多代理并行开发方式。
Claude Code 可以在 Windows 上使用吗?
可以,通过 WSL2(Windows Subsystem for Linux)或直接使用 Node.js 安装。Anthropic 官方建议在 macOS 或 Linux 环境下使用以获得最佳体验,特别是涉及 Bash Hooks 和 Git 操作时,WSL2 的兼容性最好。
总结
Claude Code 在 2025/2026 的核心进化方向是:从工具走向自主操作系统。
mindmap
root((Claude Code\n2026))
自主化
Dispatch 远端派发
定时自动执行
Skills 自我进化
智能化
Plan Mode 防呆
Context 管理
首因效应优化
规模化
Sub-agents 并行
Agent Teams 辩论
Git Worktrees 隔离
经济化
MCP → Skills 转化
模型分级使用
Context Rot 预防最后,分享这套系统的核心使用哲学:
「先计划,后实现;先规则,后代码;先技能,后 MCP。」
每一项投资在架构和规则上的时间,都会以数倍的开发效率回报。
本文数据来源整理自 Claude Code 官方文档及多位实战开发者的分享,所有技术细节均以 2026 年 3 月最新版本为准。
