Claude Code 項目負責人Boris Cherny內部最新訪談，和最頂級的大佬學習Claude Code，比你看多少碎片化的信息都強

Boris Cherny 作為Claude Code 創(chuàng)造者 和 Alex Albert (Claude Relations 負責人) 深入詳細的討論智能體編程的實用化、背后模型的演進過程、直覺驅動的Claude Code 迭代，以及 Claude Code 的設計哲學

其中Boris首次揭秘的直覺驅動的Claude Code 迭代非常有意思，原來Claude Code這個神器開發(fā)并不是依靠什么基準測試而是內部構建的“直覺系統(tǒng)”

Boris認為如果你未來要當軟件工程師，基本的計算機編程知識和coding技能仍然是必須的，只有懂“手藝 ”的人，才能更好地駕馭和指導 AI 這個強大的工具！軟件工程師的未來將向更高層次的抽象演進，更側重于目標設定、系統(tǒng)設計和創(chuàng)意實現(xiàn)

訪談最后Boris 還給出了如何高效使用 Claude Code獨家秘笈和最佳實踐

整個訪談20分鐘，以下是訪談的核心內容

僅一年時間Agentic Coding (智能體編程)走向實用

在探討智能體編程的未來之前，我們有必要先回顧一下它在短時間內所經(jīng)歷的劇烈演變。僅僅在一年多以前，AI 在編程領域的應用還相當初級和分散。開發(fā)者的工作流通常是這樣的：在一個集成開發(fā)環(huán)境 (IDE) 中編寫代碼，IDE 自帶一些基礎的自動補全功能，旁邊可能還會開著一個獨立的聊天應用。當遇到問題時，開發(fā)者會向聊天機器人提問，然后手動復制、粘貼代碼片段，再進行修改和整合。這在當時，就是 AI 輔助編程的最高水平。

然而，在過去的一年里，整個范式發(fā)生了根本性的轉變。AI 不再僅僅是一個被動提供代碼片段的工具，而是進化成了一個主動的、能夠深度參與開發(fā)流程的agent。如今，使用智能體進行編程已經(jīng)從一個新奇的概念或原型功能，轉變?yōu)樵S多開發(fā)者日常工作循環(huán) (inner loop) 中不可或缺的一部分

這場變革的核心在于，開發(fā)者與代碼的交互方式從直接操作文本演變?yōu)橹笇е悄荏w為你操作文本。過去，我們逐行逐字地編寫、修改和調試代碼；現(xiàn)在，我們更多地是向一個智能體下達指令，描述我們想要實現(xiàn)的功能或修復的 Bug，然后信任它去分析、修改甚至創(chuàng)建大量文件和代碼。智能體能夠獨立完成過去需要開發(fā)者手動執(zhí)行的大量編輯工作，有時甚至能從零開始構建一個完整的應用程序。

這一飛躍之所以能在今天實現(xiàn)，Boris 認為主要歸功于兩個關鍵因素的成熟：

模型的進化：首先，底層語言模型的能力得到了質的提升。早期的模型或許能完成一些簡單的任務，但往往缺乏長期規(guī)劃和復雜邏輯推理的能力。隨著像 Claude 3.7、Claude 4.0 乃至 Opus 4.1 這樣更強大的模型問世，它們在理解復雜指令、保持任務連貫性以及執(zhí)行多步操作方面的能力越來越強

“鞍具”的完善：其次，僅僅有強大的模型是不夠的，還需要一個高效的“鞍具”來駕馭它。Boris 用了一個例子：模型就像一匹強大的馬，而“鞍具”就是駕馭這匹馬所需的全套裝備，比如馬鞍和韁繩。對于 Claude Code 而言，這個“鞍具”就是整個產(chǎn)品本身。它包含了所有模型之外的、用于交互和控制的系統(tǒng)組件，例如：

a.系統(tǒng)提示 (System prompt)：用于設定模型的角色、行為準則和目標

b.上下文管理 (Context Management)：智能地決定在與模型交互時提供哪些相關的代碼文件和信息

c.工具集 (Tools)：賦予模型執(zhí)行具體操作的能力，比如讀寫文件、運行命令、搜索代碼庫等

d.擴展協(xié)議：例如 MCP (meta-Context Protocol)，允許模型接入外部信息源，如 Sentry 的錯誤日志或 Slack 消息

e.設置與權限系統(tǒng)：讓用戶可以精細地控制智能體的行為邊界。

這個“鞍具”和模型之間是一種共同進化的關系。在 Anthropic 內部，包括模型研究員在內的所有員工都在日常工作中使用 Claude Code。當他們在實際開發(fā)中遇到模型的局限，比如模型在執(zhí)行某個特定類型的代碼編輯時頻繁失敗，或者在長時間自主運行時會跑偏，這些第一手的使用體驗會直接反饋給模型團隊。團隊可以根據(jù)這些具體的失敗案例，針對性地進行數(shù)據(jù)收集和模型微調，從而教會模型如何更好地完成這些任務。這個有機的、持續(xù)的反饋循環(huán)，使得模型本身越來越擅長智能體式的工作，而“鞍具”系統(tǒng)也在不斷迭代，以便更好地發(fā)揮出新模型的能力。正是這種模型與產(chǎn)品之間的協(xié)同進化，共同推動了智能體編程從理論走向了實用

直覺驅動迭代Claude Code

當 AI 模型的能力越來越強大，一個核心問題也隨之而來：我們如何準確地評估一個編碼模型是否真的更好了？傳統(tǒng)的做法是依賴于標準化的基準測試集 (benchmark)，例如 SWE-bench 或更新的 T-bench。這些測試集包含了一系列預設的編程問題，通過模型解決問題的成功率來對其性能進行打分。雖然這些測試在一定程度上可以量化模型的進步，但 Boris 指出，它們正面臨越來越大的局限性。軟件工程的真實世界充滿了復雜性、模糊性和多變性，這些是任何合成的、標準化的測試集都難以完全捕捉的

因此，在 Claude Code 團隊的實踐中，他們更依賴一種看似不科學但卻更有效的方法：直覺測試，或者說是“氛圍檢查 (Vibe Check)”。當一個新模型版本或一個產(chǎn)品新功能需要評估時，Boris 的做法非常直接：他會用這個新版本來完成自己當天的日常開發(fā)工作。他不會去運行一套預設的測試用例，而是將新工具無縫地融入到真實的工作流中——無論是編寫新功能、修復一個緊急的 Bug，還是為了回復一個 GitHub issue 而去閱讀和理解既有代碼。

這種評估方式的核心在于，它能真實地反映出工具在實際應用場景中的表現(xiàn)。一個在基準測試上得分很高的模型，在實際使用中可能會感覺很笨拙；反之，一個模型可能在某些指標上不突出，但用起來卻異常聰明和順手。真正的衡量標準變成了：它是否讓我感覺更有效率？它是否能更好地理解我的意圖？它是否讓我的開發(fā)過程更流暢？這種基于真實使用體驗的直覺，成為了判斷模型和產(chǎn)品是否進步的最重要信號

為了系統(tǒng)性地收集和利用這種直覺，Claude Code 團隊在 Anthropic 內部建立了一個極其高效的反饋循環(huán)

中心化的反饋渠道：團隊設立了一個專門的 Slack 頻道，作為所有內部用戶提供反饋的唯一入口。任何人在使用中遇到問題、有新想法或感到困惑，都可以直接在頻道里發(fā)布。

超快速的響應與閉環(huán)：這個反饋循環(huán)成功的關鍵在于 Boris 和團隊成員的積極參與。每當有新的反饋出現(xiàn)，Boris 都會第一時間用 emoji 回應表示收到，并主動追問更多細節(jié)以厘清問題。最重要的是，他會以極快的速度修復 Bug 或實現(xiàn)簡單的功能改進。有時他會花上幾個小時，集中處理頻道里積壓的反饋，并且每解決一個問題，都會回到原帖下回復用戶，告知問題已經(jīng)修復

激勵與正向循環(huán)：這種有問必應、有求必應的文化，打破了許多組織中反饋石沉大海的困境。當用戶看到自己的意見被認真傾聽并迅速得到解決時，他們會受到極大的鼓舞，從而更愿意在未來提供更多、更高質量的反饋。久而久之，這個 Slack 頻道變成了一個信息量巨大的消防水管 ，源源不斷地為團隊提供最真實的、來自一線的用戶信號。

這個緊密的、由直覺驅動的內部 dogfooding (內部試用) 循環(huán)，讓 Claude Code 團隊能夠在沒有復雜評估框架的情況下，依然能快速、準確地迭代產(chǎn)品，確保每一次更新都真正解決了用戶的痛點，提升了實際的開發(fā)體驗。在這個過程中，所有用戶的集體直覺匯聚成了比任何硬性指標都更寶貴的導航信號。

Claude Code 的設計哲學：保持簡單，可擴展性

從誕生之初，Claude Code 的核心設計哲學之一就是保持簡單，并使其盡可能地具有可擴展性 ”。團隊深知，每個開發(fā)者、每個團隊、每個代碼庫都有其獨特的工作流程和上下文需求，一個封閉的、一成不變的工具是無法滿足所有人的。因此，Claude Code 被設計成一個開放的平臺，提供了一系列由淺入深的擴展點，讓用戶可以根據(jù)自己的需求對其進行定制和改造。

這種可擴展性的設計經(jīng)歷了持續(xù)的演進，從最初簡單的配置文件，發(fā)展到如今復雜的命令和子智能體系統(tǒng)

1.CLAUDE.md：這是最早也是最基礎的擴展方式。用戶可以在項目的根目錄或任何子目錄中創(chuàng)建一個名為 CLAUDE.md 的 Markdown 文件。這個文件的內容會被 Claude Code 自動讀取，作為與模型交互時的額外上下文。開發(fā)者可以在里面寫下項目的架構概述、編碼規(guī)范、常用庫的說明，或者任何希望 AI 在工作時了解的背景信息。由于這個文件是項目的一部分，可以被簽入代碼版本控制系統(tǒng) (如 Git)，因此它能隨著代碼庫的演進而同步更新，確保 AI 掌握的信息始終是最新、最準確的

2.設置與權限系統(tǒng)：隨著功能的增加，團隊引入了更精細的設置和權限系統(tǒng)。用戶可以配置智能體的行為，例如限制它可以訪問的文件路徑、可以執(zhí)行的命令類型等，從而在賦予其強大能力的同時，確保安全性和可控性

3.Hooks (鉤子)：為了滿足更高級的定制需求，團隊工程師 Dixon 構建了一套強大的鉤子系統(tǒng)。它允許用戶在 Claude Code 工作流的特定節(jié)點（例如，在執(zhí)行一個命令之前或之后）注入自定義的邏輯。這為實現(xiàn)復雜的自動化流程和與其他工具的深度集成打開了大門

4.模型上下文協(xié)議 (Model Context Protocol)：這是一個重要的擴展點，它讓 Claude Code 能夠超越本地代碼庫，接入外部數(shù)據(jù)源。通過實現(xiàn) MCP 服務器，開發(fā)者可以讓 Claude Code 讀取來自公司內部文檔、任務管理系統(tǒng)、錯誤監(jiān)控平臺（如 Sentry 日志）或通信工具（如 Slack 消息）的信息，從而在解決問題時獲得更全面的上下文

5.Slash Commands (斜杠命令) 與 Subagents (子智能體)：這是目前最新的、也是功能最強大的擴展方式。用戶可以自定義斜杠命令，它本質上是一個預先定義好的、可復用的工作流，通常以 Markdown 文件的形式存在于代碼庫中

Boris 舉了一個他自己的例子：他創(chuàng)建了一個 /commit 命令。這個命令對應的文件中包含了他對如何編寫一條高質量 Git commit message 的所有要求和格式說明，并且預先授權了 git commit 這個 Bash 命令。這樣，當他需要提交代碼時，只需輸入 /commit，Claude 就會自動按照預設的規(guī)范生成提交信息并執(zhí)行提交操作，無需他每次都手動確認權限

子智能體可以看作是斜杠命令的另一種形式，它的特殊之處在于擁有一個“分叉的上下文窗口 (forked context window)”。這意味著它可以像一個獨立的、專注于特定任務的智能體一樣工作，而不會干擾主對話的上下文

這些豐富的擴展點共同構成了 Claude Code 的可擴展性生態(tài)。它們將 Claude Code 從一個單純的編碼工具，提升為一個可以被深度定制和集成的開發(fā)平臺。展望未來，Boris 表示團隊將繼續(xù)沿著這個方向努力，讓 SDK 變得更加強大和通用，不僅能用于構建編碼智能體，還能支持任何需要智能體能力的場景，真正賦能開發(fā)者在 Claude Code 之上構建自己的創(chuàng)新應用

軟件工程師的未來

隨著智能體編程能力的飛速發(fā)展，一個所有工程師都關心的問題浮出水面：我的工作在未來會變成什么樣？我應該如何提升自己以適應這個新時代？

Boris 認為未來人類軟件工程師并非無事可做，整天只審核 AI 生成的拉取請求 (Pull Request)，而是一種工作重心的戰(zhàn)略性轉移，即從具體的代碼實現(xiàn)細節(jié)，上升到更高層次的抽象

短期未來 (6-12 個月內) 的工作模式：

人機協(xié)作模式的演變：傳統(tǒng)的手工編碼并不會消失，但其形式會發(fā)生改變。開發(fā)者將越來越少地直接編輯文本，而是更多地通過與 Claude 的對話來指導它完成代碼的修改、重構和生成

主動與被動工作的結合：工作流將包含兩種模式。一種是開發(fā)者主動發(fā)起任務，指導 Claude 完成；另一種是 Claude 會變得更加主動，它可能會根據(jù)代碼庫的靜態(tài)分析、或新出現(xiàn)的 issue，主動地提出改進建議、修復 Bug，甚至自己完成代碼修改并提交。在這種模式下，工程師的角色更像是最終的決策者和質量把關人，決定是否接納 AI 提出的變更

長期愿景 (12-24 個月及以后) 的工作模式：

從任務導向到目標導向：工程師與 AI 的交互將進一步抽象化。屆時，你可能不再需要告訴 AI “請修改這個文件里的這個函數(shù)”，而是直接給它設定一個高級別的目標，例如：“為我們的應用增加一個用戶認證系統(tǒng)”，或者“將這個服務的平均響應時間優(yōu)化 20%”。AI 智能體將能夠自己分解這個宏大目標，規(guī)劃出詳細的執(zhí)行步驟，并自主完成所有必要的編碼、測試和部署工作

工程師成為架構師和產(chǎn)品經(jīng)理：隨著 AI 接管越來越多的底層實現(xiàn)工作，工程師將能夠將更多的精力投入到更具創(chuàng)造性和戰(zhàn)略性的任務上，例如系統(tǒng)設計、技術選型、定義產(chǎn)品目標和用戶體驗。工作的核心將從如何實現(xiàn)轉變?yōu)閼搶崿F(xiàn)什么和為什么這樣實現(xiàn)

**開發(fā)者如何為未來做好準備

面對這一趨勢，Boris 提供了兩條核心建議：

打好堅實的基礎功底：AI 的出現(xiàn)并沒有讓基礎知識變得不重要，反而可能要求更高。你仍然需要深入學習編程語言、編譯器原理、運行時環(huán)境、網(wǎng)絡協(xié)議、系統(tǒng)設計等核心計算機科學知識。因為當 AI 犯錯或無法解決復雜問題時，最終還是需要具備深刻理解的工程師來介入、診斷和糾正。只有懂“手藝 ”的人，才能更好地駕馭和指導 AI 這個強大的工具。

擁抱創(chuàng)造力，將想法快速落地：Boris 回憶起自己中學時用 TI-83 Plus 計算器學習編程的經(jīng)歷。那時，編程的魅力在于能快速將一個想法（比如編寫一個能計算數(shù)學題答案的程序）變成現(xiàn)實，這種即時反饋的樂趣是巨大的。然而，現(xiàn)代軟件開發(fā)的棧變得異常復雜（例如 React, Next.js, Webpack 等），大大提高了從想法到產(chǎn)品的門檻。智能體編程正在改變這一點，它讓開發(fā)者能夠像當年使用計算器一樣，快速地將創(chuàng)意原型化并構建出來

Boris 強調，在這個新時代，代碼本身不再那么珍貴了。因為 AI 可以輕松地重寫和重構代碼，所以代碼的完美性不再是唯一的追求。更重要的是你想要構建的“東西 (the thing you make)”——你的產(chǎn)品、你的創(chuàng)意

因此，給開發(fā)者的建議是：在打好基礎的同時，要變得更有創(chuàng)造力。如果你有一個創(chuàng)業(yè)點子或一個產(chǎn)品想法，現(xiàn)在就可以借助 AI 智能體立即動手去實現(xiàn)它。這個時代解鎖了前所未有的潛力，讓個人能夠以過去無法想象的速度和規(guī)模進行創(chuàng)造。

總而言之，未來的工程師將是AI 增強型的創(chuàng)造者，他們利用 AI 處理繁瑣的實現(xiàn)細節(jié)，從而能更專注于那些真正需要人類智慧、洞察力和創(chuàng)造力的領域。

Boris 的獨家秘笈：如何高效使用 Claude Code

作為 Claude Code 的創(chuàng)造者，Boris 分享了他個人在使用這款工具時總結出的一些最佳實踐和技巧。這些建議旨在幫助用戶，無論是新手還是老手，都能更高效、更智能地與 AI 編程智能體協(xié)作。

他提出了兩個核心建議，第一個是針對新手的入門心法，第二個是針對日常使用的分級策略

技巧一：入門時，先問而后寫

這個建議聽起來可能有些反直覺：當你第一次使用像 Claude Code 這樣的強大代碼生成工具時，先不要急著用它來寫代碼

從提問開始：你應該從把它當作一個代碼庫的專家問答系統(tǒng)開始。利用它來探索和理解你正在處理的代碼庫。你可以問一些問題，例如：

“如果我想在這個項目里新增一個日志記錄器 (logger)，我應該怎么做？涉及到哪些文件？”

“這個函數(shù)為什么被設計成現(xiàn)在這樣？能幫我追溯一下它的歷史背景嗎？”

“請幫我梳理一下用戶認證流程的核心邏輯，它分布在哪些模塊里？”

建立信任與心智模型：通過這種方式，你可以親身體驗 Claude Code 是如何為你進行代碼庫研究的。它會去閱讀文件、分析依賴關系，甚至能通過 git blame 查看代碼的歷史演變來回答你的問題。這個過程能幫助你建立對 AI 智能體能力的信任，并形成一個正確的心智模型——它是一個可以為你執(zhí)行研究任務的伙伴，而不僅僅是一個代碼生成器。當你對它以這種方式輔助你的工作感到舒適后，再開始讓它為你編寫代碼，效果會好得多

技巧二：根據(jù)任務難度，采用分級協(xié)作策略

在實際編碼工作中，任務的復雜程度各不相同。Boris 建議將任務大致分為簡單、中等和困難三類，并針對每一類采取不同的協(xié)作模式。

簡單任務 ：

定義：這類任務通常很明確，Claude 基本上可以通過一次提示 (one shot) 就準確完成。例如，修復一個拼寫錯誤、為一個函數(shù)添加文檔字符串、或者實現(xiàn)一個簡單的 API 端點。

工作流：對于這類任務，Boris 會采用最放手的方式。他甚至不會在自己的本地終端里操作，而是直接在 GitHub 的 issue 頁面里 @Claude，然后簡單描述任務，讓 Claude 自動完成編碼、創(chuàng)建 Pull Request 并提交。這樣做的好處是完全不占用他本地的開發(fā)環(huán)境和注意力，可以并行處理其他更重要的事情

中等任務：

定義：這類任務比簡單任務更復雜，可能需要修改多個文件或包含一些邏輯判斷，AI 不一定能一次性完美搞定

工作流：對于中等任務，Boris 會在自己的終端里啟動 Claude Code，但會采用一種“先規(guī)劃，后執(zhí)行”的模式。他會首先進入規(guī)劃模式 (plan mode)（通過快捷鍵 Shift + Tab），與 Claude 一起討論并確定一個清晰的執(zhí)行計劃。這個計劃會列出所有需要進行的修改步驟。只有當他對這個計劃感到滿意，并確認 Claude 的理解與他一致后，他才會切換到自動接受模式 (auto-accept)，讓 Claude 按照既定計劃去執(zhí)行。這個過程確保了 AI 的行動在可控的軌道上

困難任務 ：

定義：這是指那些高度復雜、充滿不確定性或需要深度架構思考的任務。例如，設計一個新系統(tǒng)、重構一個核心模塊，或者解決一個深層次的性能瓶頸

工作流：在處理這類任務時，人類開發(fā)者必須是主導者。Boris 強調，此時的他才是駕駛員，而 Claude 則扮演著一個強大的結對編程伙伴或輔助工具的角色。他會利用 Claude 來快速進行代碼庫研究、探索不同的實現(xiàn)思路、或者快速編寫一些原型代碼來驗證想法和理解系統(tǒng)邊界。但他會親自完成大部分核心的、關鍵的代碼實現(xiàn)工作。在這種模式下，AI 的角色是輔助思考和加速探索，而不是主導執(zhí)行。最后，或許可以讓 Claude 來完成一些收尾工作，比如編寫單元測試

通過這種分級策略，開發(fā)者可以根據(jù)任務的性質靈活地調整與 AI 的協(xié)作深度，既能最大化地利用 AI 的效率優(yōu)勢，又能確保在關鍵和復雜的環(huán)節(jié)中保持人類的控制力和洞察力

參考：

https://www.youtube.com/watch?v=iF9iV4xponk