我的 Claude Code 实践

用 Claude Code 大概有快一年的时间了。在这一年里,Claude Code 以及 Claude 模型本身都有非常大的进步。作为最早的一批老用户,我想分享一下自己在「写代码之外」的一些使用心得和实践。

先从我的配置说起:

硬件运行环境。 我的 Claude Code 大概 80% 的时间都跑在家里的一台 Mac mini 上。
远程访问与组网。 通过 Tailscale 把主机和手机、笔记本电脑组到同一个网络里。
工作流持久化。 我基本会给不同的项目分别开一个 tmux session。这样在任何时间、任何地点,无论用手机还是笔记本访问,连接都不会断,程序可以持续在后台跑,非常方便。

我的 Claude Code 大部分时间就跑在家里这样一台 Mac mini 上。(图:Wikimedia Commons)

tmux 多窗格终端 — tmux 把一个终端切成多个窗格/会话,程序在后台常驻、随时可以从手机或笔记本重新接入。(图:Wikimedia Commons)

编写代码

最重要的功能肯定是用它来写代码。我现在的工作流里基本很少自己写代码了,亲手参与的部分可能只有 5% 到 10%。

过程中我会不定期地重构和清理,然后再让它接着写。总之项目开头用它起步,前 10 个左右的 feature 也一直让它在上面叠加;但当功能超过 10 个、逻辑变复杂之后,就需要人工介入做一次重构了。如果不重构,后期代码会堆成完全没法维护的「屎山」,非常糟糕。当然也有例外——如果只是纯粹写一个静态网站或者博客网站,通常不需要重构。

对于 Claude Code 的代码实践,我通常这样组织:

项目结构管理。 我倾向于用一个「大仓库」外加多个 Submodule 的形式来管理:在一个主应用目录下,前端、后端、Landing Page 各自作为独立的 GitHub 仓库并列;最外层放一些通用的协议或文件,比如 Schema 定义,以及 CLAUDE.md。

app/                  # 根仓库:在这里启动 Claude Code,可同时操作前后端
├── CLAUDE.md         # 全局约定
├── schema/           # 通用协议 / Schema 定义
├── frontend/         # ← submodule(独立的 GitHub 仓库)
├── backend/          # ← submodule(独立的 GitHub 仓库)
└── landing/          # ← submodule(独立的 GitHub 仓库)

运行与协作。 我通常在最外层的根仓库里运行 Claude Code 会话,这样它能同时操作前后端的代码。当我提出一个跨端的需求时,它就能更好地做前后端协作。

通讯协议对齐。 我习惯在后端制定规范、导出一份 OpenAPI 的 JSON 文件,前端直接根据这个 OpenAPI 文件自动生成客户端请求代码。这样前后端能非常高效地自动对齐,不需要手写过于复杂的协议。

做 Deep Research

Deep Research 这个功能最早应该是 Google 的 Gemini 里提出的。但我当初用 Google 的 Deep Research 时觉得并不好用——它其实就是搜了一大堆东西、整合成一个大文档,很多内容可信度比较低,甚至有不少是靠 Hack SEO 塞进来的。

用 Claude Code 怎么做 Deep Research?我一般先给它一个主题,比如「帮我查一下整个数据中心的上下游产业链,包括哪些重要玩家」,再提出具体要求,比如「我需要这个链条里每个生态位的龙头公司,把它们的官网和核心产品都列出来,最后整理成一个网页方便我查看」。

几个要点:

需求要清晰(树状结构)。 最好是一个由上到下、由浅入深的需求:先说整体要求,再说其中某个部分的具体要求,最后是这个部分的子部分的细节。这相当于一棵有很多节点的树,Claude Code 会按这个结构一个节点一个节点地跑,最后再汇总成一个整体。

深入调研与交叉验证。 这样跑下来它能做非常深入的调研,而且 Claude Code 的推理能力比较强,能对各种数据进行交叉验证——这是我比较喜欢的一点。

数据可视化展示。 它还有个很大的特点,就是能直接把调研结果做成一个网站,用图表(柱状图、折线图等)直观地展示数据,一眼看上去非常清晰、舒服。这是我最喜欢的功能之一。

比如我用这种方式整理的这篇《AI 推理芯片光谱》,就是把整条推理芯片产业链的玩家和产品梳理成一个带对比表格的网页。

整理对话笔记

在现在 AI 这么方便的情况下,我学东西、查东西都喜欢用对话的方式来进行。

流程大概是这样:从一个问题开始,和 AI 不断讨论、延伸;我会主动复述,并让 AI 指出我的问题,通过这种对话去探索自己的知识边界。

这样下来对话很容易变得特别长,回顾起来很麻烦。于是我会把整段长对话扔进 Claude Code,让它根据这段对话直接生成一个网站,并总结出核心要点;事后回顾时视觉体验会非常舒服。在总结要点时,如果需要找图片、图表、数据或参考文件,它还能主动帮我搜索并插入到要点里。

比如这篇《CPU 与 GPU 里的存储》,就是我把一长串关于存储的讨论丢给它、让它总结成的网页——有图有表,回顾起来很舒服。

这样事后再看就一目了然,很快能想起当时和 Claude 讨论的主题,对提升知识拓展的速度有非常大的帮助。

整理桌面文件

虽然 Claude Code 是一个以写代码为主的工具,但它的 Tool Call 里集成了非常多 Bash 能力。尤其在 Mac 上,它能无缝调用这些 Linux 式的命令,这点非常舒服。

举个简单的例子:我下载了一个文件夹,里面非常杂乱(比如有 100 张图片),每张命名方式都不一样,想分门别类地整理,手动操作会非常难受。我现在的做法是:

直接在这个文件夹目录下开一个 Claude Code 的 Session;
告诉它我要整理这些文件;
让它按图片内容或时间顺序分门别类地整理好。

这时候 Claude 跑起来非常快,因为它有多模态识别能力——虽然不能生成图片,但能读取图片、识别出里面的内容,从而很轻松地整理一个又大又乱的文件夹。这种用法真的非常方便。

图片

其实现在很多和图片相关的需求,我也会交给 Claude Code 去做。它虽然没有直接生成图片的能力,但处理图像的能力非常强,主要体现在三个方面:

绘制 SVG 矢量图。 它可以用代码画 SVG 矢量图,尤其是流程图、说明图,或者代码执行流程、框架结构这类图,能画得非常漂亮。

网络图片搜索与管理。 它可以根据需求在网上搜图、下载,直接放进我的文章或别的地方——比如我现在的电脑壁纸就是让它帮我找的。值得一提的是它的版权意识非常强:找图时主要从维基百科等来源获取,这样直接用就不会有版权风险,这点我觉得做得非常好。

图片后期处理。 因为它能写代码,自然也能调用 OpenCV 来处理图片。无论是抠图、裁剪,还是简单的色彩通道变换,凡是 OpenCV 能做的,它基本都能胜任。

总的来说,它虽然不直接「画图」,但这些能力组合起来已经非常强大了。

视频

除了图片,甚至连视频都可以用 Claude Code 来做。

我在这方面花的时间不多,但看到过一些案例,自己也试过,体验其实还可以。它是通过 Remotion 来实现的——这是一个用代码做视频的框架,原理是:用类似 React 组件的方式编写视频,把视频内容直接「编程化」,再在本地渲染出来。

Remotion 编辑界面 — Remotion 的编辑界面:用写 React 代码的方式来拼装、预览、渲染视频。

对于那种「手上有很多素材、想拼成一个视频」的需求,让 Claude Code 直接去写 Remotion 的代码并渲染,效率非常高。具体可以去 Remotion 的官网看。

其他

Claude Code 还有很多别的玩法,尤其是有了 Skills 之后,只要给它挂上相应的 Skill,它就能做非常非常多的事情。比如:

有人把 Claude Code 接到 AutoCAD 上,让它画一张 CAD 图纸;
也有人把它接到 Blender 这类 3D 建模软件上,让它直接帮你建一个 3D 模型。

挂上相应的 Skill,Claude Code 就能去操作 Blender 这样的 3D 建模软件——图为 Blender 的工作界面。

总之,但凡能用代码序列化表示的东西,Claude Code 几乎都能支持。所以它其实是一个非常强大的工具——还有很多好玩的东西我还没去体验,但确实有很大的可玩性。

技术

2026 · 05 · 27