Skip to main content

Claude Code让AI编程真正落地

一、分享目的​

  • 了解Claude Code能帮我们解决哪些实际编程问题
  • 深入理解Claude Code的核心优势和设计理念
  • 掌握Claude Code的最佳实践和高效使用方法

二、AI Coding的最终选择：Claude Code​

2.1 为什么关注AI Coding​

  • 研发同学日常核心工作就是coding，编程效率提升直接转化为工作价值。
  • Coding是一个相对标准化的垂直领域，有明确的语法规则和逻辑结构。这个领域的问题更容易用AI解决。
  • Coding工作输入输出明确：需求→代码的映射相对清晰
  • 以上原因促使AI Coding市场很活跃，工具已经相对成熟，学习成本最低。

2.2 我的AI Coding探索历程​

  • Windsurf最早期用户：早期的windsurf在当时很惊艳，UI体验、coding质量、价格都不错，但是初期出现执行异常的情况略多，复杂任务的理解一般，并且后来价格提高
  • Bella开源生态建设，期望AI解决社区issues，调研开源的AI-coding项目gpt-engineer,continue.dev,MetaGPT等
  • 在调研众多开源项目的基础上，实现了bella-issues-bot专注于解决GitHub社区的issues
  • google推出Jules，免费且基于planning，擅长解决复杂问题，执行时间很长，但是从中体会了异步编程的理念

2.3 Claude Code的使用体验好在哪里？​

  • 对复杂问题的理解性更好，执行速度比Jules快
  • 生成的代码风格与整个项目更一致
  • 执行过程中的容错率更高，几乎不会出现执行异常导致本次任务失败的请情况
  • 既有cli支持本地开发，又集成了GitHub的code review和issues处理等功能
  • Claude Code Cli提供了非交互式命令，可借此将其扩展为自己的应用
  • 生成的代码准确率高，几乎在不修改的情况下都可以直接执行
  • 可以直接集成公司的统一网关Bella-Openapi，团队可统一AI工具，更有利于使用经验的复制和沉淀

2.4 Bella Openapi在Claude Code的集成上做了什么？​

  • 实现了Claude Code依赖的 /v1/messsages 接口
  • 所有在Bella-Openapi中接入的LLM协议均可使用Claude Code，不仅仅支持Claude系列模型，同时支持了Openai全系列、Gemini、DeepSeek、Qwen、Doubao等主流模型。
  • 可以为Claude Code使用单独的Apikey，控制成本，且每次请求产生的费用开销在日志中清晰可见
  • 企业级用户可以在使用统一网关的同时，享受最强Code Agent的全部特性

三、深入理解Claude Code为什么更好​

3.1 Agent设计理念​

Claude Code的单Agent设计

3.2 合理的codebase管理​

Claude Code与Cursor的codebase对比

四、快速使用​

4.1 本地coding​

Claude-Code-Cli快速使用攻略

4.2 GitHub集成​

Claude-Code-GitHub快速集成攻略

4.3 在自建应用中集成​

Claude-Code代码集成指南

五、让Claude Code更好地为你工作​

5.1 如何分解任务​

按复杂度分层

  • 简单任务：单文件修改、bug修复、代码格式化

    • 直接描述问题和期望结果
    • 例：修复这个空指针异常，在user为null时返回默认值

  • 中等任务：功能实现、API开发、测试编写

    • 描述功能需求和约束条件
    • 提供相关的数据结构和接口定义
    • 例：实现用户登录接口，支持邮箱和手机号，返回JWT token

  • 复杂任务：架构重构、系统集成、性能优化

    • 分解为多个独立的子任务
    • 明确各模块间的依赖关系
    • 提供系统整体的上下文信息

任务分解的最佳实践

  1. 单一职责：每个任务只专注一个核心功能
  2. 可验证：任务完成后有明确的验证标准
  3. 有边界：明确哪些文件和模块会被影响
  4. 递进式：从基础功能到复杂特性逐步推进

5.2 任务分解案例​

Bella-Openapi将Lark的文档解析封装为能力点

  • 实现Document Parse能力点：
    • 抽象适配器接口
    • 渠道特性定义
    • 日志上报逻辑
  • 实现Lark协议的适配器
    • Lark API调用的流程编排
    • Lark API的调用实现
    • 请求和响应的协议转换

5.2.1 分析​

一个大任务拆分为两个子任务，每个子任务又可以继续拆分。 对于实现Document Parse能力点，如果了解项目的架构，实现很快，代码量小，可以手动实现；如果不了解项目，可以让Claude Code分析能力点如何实现，或者直接让Claude Code参照其他能力点实现。 对于实现Lark协议的适配器：

  • Lark API调用的流程编排这一子任务更适合手动完成，因为开发者需要了解Lark的接口功能。当然，在调研Lark的时候依然可以借助AI。
  • Lark API的调用实现是比较纯粹的简单任务，在实现接口调用的时候，可以只写mock调用，将各个API的请求示例发给Claude Code让其实现。
  • 请求和响应的协议转换 代码量较多，因为文档解析的协议很复杂，是最应该借助AI完成的，可以将协议复制给Claude Code，让其完成。

5.2.2 针对此案例分析高效完成任务的要素​

  • 熟悉AI：对AI Coding工具能力边界的了解程度
  • 思路清晰: 自己已经做好了清晰的planning，知道这件事应该如何完成，planning的过程也可以借助AI
  • 熟悉项目：对项目架构的了解程度，不熟悉的情况下，可以借助AI Coding工具或者Deep wiki等快速熟悉
  • 快速调研：对于新事物Lark API能够快速理解怎么用，怎么借助其实现自己的目的，这一工作同样可以借助AI完成
  • Debug能力：对Claude Code生成的代码能快速理解，debug时输出不符合预期，能够快速判断哪里出错，直接告诉Claude Code哪里有问题；如果分析不出来可以向AI描述当前输出和期望输出的差异

5.2.3 哪些任务适合交给它​

✅ 高度适合的任务

  • 代码生成：根据需求文档生成业务逻辑代码
  • Bug修复：根据错误信息和堆栈追踪修复问题
  • 测试编写：为现有代码生成单元测试和集成测试
  • 代码重构：优化代码结构，提高可读性和可维护性
  • API实现：根据接口定义实现后端服务
  • 数据处理：编写数据转换、清洗、分析脚本

⚠️ 需要谨慎的任务

  • 架构设计：需要人工review和决策
  • 安全相关代码：需要额外的安全审查
  • 系统性能相关的代码：需要性能测试验证
  • 第三方集成：需要详细明确的文档以及实际调试和联调

❌ 不适合的任务

  • 需求分析：需要业务理解和用户交互
  • 技术选型：需要综合考虑团队、项目、成本等因素
  • 生产环境操作：需要人工确认和监控

5.3 使用者需要具备哪些能力​

  • 深度了解AI：对所用的AI工具的能力有深度的了解
  • 思路清晰：目标清晰，清楚自己要什么，并且对实现路径有清晰的把握
  • 系统设计能力：对整体架构和模块关系有清晰认知，能够合理分解任务
  • 代码Review能力：能够识别生成代码的问题，包括逻辑错误、性能问题、安全隐患
  • Debug能力：当生成的代码出现问题时，能够快速定位和修复
  • 需求理解能力：能够将模糊的业务需求转化为清晰的技术实现要求
  • 工程实践经验：了解项目的编码规范、测试要求、部署流程等

5.4 核心价值分析​

  • 扩大能力边界：对某种编程语言或框架的熟悉程度没有那么重要，上手新的编程语言成本降低，全栈工程师的门槛降低
  • 工作效率提升：虽然没有完全意义的实现所想即所得，但是已经很大程度的解放双手
  • 解放个人时间：有更多的思考时间，去分析当下的问题，思考自己能做什么、能改变什么、怎么去做、评估实现成本和收益
  • 个人和团队价值提升：对于个人，以上三点形成了正反馈循环；对于团队，每一次小的探索积累都可以转化为团队的沉淀，日积月累可能会有更大的收获

5.5 使用总结​

  • 任务拆解：对复杂任务的实现步骤进行拆解，如果不清楚应该怎么做，可以先让AI来分析需求
  • 提供清晰的上下文：至少需要明确的需求，可以通过@filename提供相关文件，加速实现速度
  • 明确约束条件：比如按照xxx的实现、可选择的技术栈和中间件、性能要求等

5.6 案例分享​

代码实现​

Lark文档解析支持文件删除Issues

背景：实现文档解析服务的任务管理，支持文件删除功能

实现过程：

  1. 初版实现：Claude Code使用数据库实现任务管理

    • 功能完整，但引入了额外的存储依赖
    • 对于简单场景过于重量级

  2. 优化方向：基于反馈，改为内存实现

    • 降低系统复杂度，减少外部依赖
    • 提高响应速度，简化部署

  3. 问题识别：内存方案存在服务重启丢失任务的风险

    • 方案一：优雅关闭，等待任务完成（影响发布速度）
    • 方案二：引入Redis持久化（平衡性能和可靠性）

  4. 最终实现：选择Redis方案，Claude Code快速完成实现

    • 既保证了任务的持久性，又不影响服务发布流程
    • 代码质量高，几乎无需修改直接可用

经验总结：

  • Claude Code能够理解复杂的业务逻辑和技术权衡
  • 通过多轮对话，能够不断优化方案
  • 生成的代码质量高，符合项目整体风格
  • 写代码时依赖第三方服务/sdk时的几种方式：
    • 提供api/sdk的使用页面地址，claude code会使用webFetch工具读取
    • 直接复制api/sdk的调用方式到输入框
    • 拉取代码到本地，使用/add-dir将第三方项目代码添加为工作目录
    • 使用context7或deepwiki等mcp工具

技术调研​

Claude Code 技术调研任务使用案例

六、立即行动​

七、Q&A和讨论​

核心观点总结

  • Claude Code功能优秀：对比其他AI Coding工具，在综合能力和全面性上优势明显
  • Claude Code设计优秀：Claude Code的优秀能力，与它的Agent设计理念以及codebase设计密不可分
  • 使用者的能力要求：用好AI Coding工具，需要具备软件工程师素养，有明确的目标和清晰的思路
  • 不止步于coding：AI Coding除了带来工作效率的提升外，也给个人和团队带来了更多的可能性，要逐渐地以生产力革命的视角感受和理解AI带来的改变