在 AI 编程工具爆炸式增长的今天，大多数开发者仍被困在“AI 幻觉”或琐碎的 Prompt 调试中，难以实现真正的效率飞跃。然而，Claude Code (CC) 的缔造者 Boris Cherny 近期公开了内部团队使用该工具的一系列“暴力”实战技巧。作为一名长期关注开发者效能（Developer Velocity）的专家，我可以负责任地说：这些方法彻底打破了常规的“对话式编程”思维。虽然这些技巧可能会让你的 Token 账单看起来有些“令人心痛”，但其带来的生产力提升却是实打实的 5 到 10 倍。以下是来自 CC 核心团队的 10 条内部机密，揭示了顶级专家如何通过“压榨”AI 算力来重构工作流。
开启“并行模式”的多线作战：不仅是 Checkout，更是 Worktree
在 CC 团队看来，提升生产力最大的杠杆不是更精妙的提示词，而是并行化（Parallelism）。
团队给出的头号建议是：同时启动 3-5 个 git worktree，并在每个 worktree 中各自运行一个独立的 Claude 会话。为了实现极致的切换效率，资深成员通常会设置 shell 别名（如 za, zb, zc），实现一键在不同任务之间跳转。
这种工作流允许你让一个 Claude 跑耗时较长的重构，另一个 Claude 去修 Bug，甚至专门留一个名为 “analysis” 的 worktree，仅用于读取日志或运行 BigQuery 数据分析任务。
内部情报： 团队成员 Anthony Morris 目前正在为 Claude Desktop 应用开发针对 worktree 的原生支持，可见这一工作流在内部的权重之高。
将灵魂投入“计划模式（Plan Mode）”：双 Claude 评审体系
面对复杂任务时，直接写代码是极其平庸的做法。CC 团队推崇“先计划，再实现”的原则，力求 1-shot（一次性） 完成交付。
一个极具启发性的内部工作流是：启用“双 Claude”协作。先让一个 Claude 生成详细计划，随后启动第二个 Claude，并要求它以 Staff Engineer（资深主任工程师） 的视角对计划进行评审。这种“对等评审（Peer Review）”能有效识别潜在的逻辑漏洞。
此外，一旦事情跑偏，应立即切回 Plan Mode 重新规划。团队甚至要求 Claude 在“验证阶段”也必须进入计划模式，以确保测试方案的严密性，而非草率提交。
注册链接：https://ai.tokencloud.ai/home/
打造你的专属进化手册：CLAUDE.md 的迭代机制
如果说 Claude 有“大脑”，那么 CLAUDE.md 就是它的长期记忆和行为准则。CC 内部团队会对这个文件进行毫不留情的迭代和精炼。每当 Claude 犯错或其产出不符合规范时，团队成员会使用一条核心指令：
“更新你的 CLAUDE.md，这样你下次就不会再犯这个错误。”
通过将项目结构、编码偏好、包导入规则等量化为文件指令，Claude 的错误率会随着项目推进而显著下降。资深工程师甚至会为每个子任务维护一个 notes 目录，并在 PR 之后将其核心逻辑沉淀到 CLAUDE.md 中，实现“可量化的”错误率降低。
把重复劳动封装成 Git 技能：自动化你的“认知成本”
如果某项操作你每天要做不止一次，就不应该手动输入。CC 支持通过构建自定义“技能（Skills）”或斜杠命令来自动化工作流。
内部团队常用的高阶技能包括：
- /techdebt一键扫描并清理会话末尾产生的重复代码，降低系统熵增。
- 上下文 Dump构建专用命令，自动将最近 7 天 的 Slack、GitHub、Asana 和 GDrive 信息同步成一个统一的上下文快照。
- 分析工程师 Agent自动编写 dbt model（数据转换层模型），在开发环境中自动测试代码改动，将数据工程任务彻底自动化。
让 Claude 成为“全自动”Bug 猎手：告别工具切换得益于 MCP（Model Context Protocol）的强大连接能力，CC 团队实现了 Bug 修复的闭环自动化。
他们最“暴力”的操作是：启用 Slack MCP，直接将 Slack 中的 Bug 讨论串粘贴给 Claude，只说一句：fix。Claude 会自动跨工具理解上下文、寻找错误代码并提交修复。
此外，团队发现 Claude 在处理 Docker 日志 和排查分布式系统问题时表现卓越。你只需要把日志指给它，并告诉它“去把失败的 CI 测试修好”，它就能像经验丰富的运维专家一样自主解决问题。
用“对抗性提示词”压榨潜能：停止对 AI 保持礼貌
想要获得顶级产出，你需要通过“试炼”来压榨 AI 的极限。CC 团队总结了三种提升输出上限的技巧：
- 主动拷问（Interrogation）对 Claude 说：“就这些改动狠狠拷问我，在我通过你的测试之前不要提 PR。”让它扮演最严苛的代码评审员。
- 推倒重来（Elegant Refactoring）当 Claude 提供了一个平庸的修复方案时，果断要求：“在你已经掌握所有信息的前提下，把方案推倒重来，实现一个更优雅、更符合架构原则的解法。”
- 消除歧义在交付前提供详尽的规格说明（Spec）。你给出的定义越清晰，AI 的产出质量就越稳定。
生产力不仅关乎 AI，也关乎开发者与工具的交互效率。CC 团队高度偏爱 Ghostty 终端，并特别强调其 同步渲染（Synchronous Rendering）、24 位真彩色 以及 完善的 Unicode 支持。
为了在多个并行会话中保持清醒，他们会使用 /statusline 自定义状态栏，实时监控 Token 上下文使用情况 和当前分支。配合 tmux 给不同的任务标签页着色命名，可以大幅降低认知负荷。此外，利用语音输入（速度通常是打字的 3 倍）来提供详细的 Prompt，也是内部高手常用的秘诀。
利用 Subagents（子代理）释放算力：保持主进程的“纯净”
当面临极其沉重或复杂的任务时，学会“分权”是释放算力的关键。
通过指令 “use subagents”，Claude 会将具体子任务分配给子代理处理。这样做最大的好处是能保持 主会话（Main Agent）的上下文窗口干净且专注，避免无关信息造成的干扰。
在安全性方面，团队还会通过 Hook 将所有权限请求路由给 Opus 4.5，利用其更强的逻辑能力对潜在攻击进行安全扫描，并自动审批安全请求。
告别 SQL，直接在 CC 中做数据分析
这是 Boris Cherny 个人生产力的核心秘密。他通过在代码库中提交一个 BigQuery skill，让 Claude Code 直接调用 CLI 来拉取指标并进行实时分析。
“已经 6 个多月没手写过一行 SQL 了。” —— Boris Cherny
这种方式让开发者将“数据到洞察”的管道彻底外包给了 CLI。任何提供 CLI、API 或 MCP 接口的数据库都可以依样画葫芦，让开发者直接通过自然语言获取业务洞察。
AI 不只是工具，更是你的专属导师
Claude Code 内部团队利用该工具进行深度学习，将其价值从“替代操作”提升到了“认知增强”：
- 开启“解释模式”在
/config 中设置 Explanatory 输出，让 AI 在改动代码时解释其背后的设计意图，而非仅仅展示结果。 - 可视化演示让 Claude 生成 HTML 演示文稿，将复杂且陌生的陈旧代码逻辑可视化，极速缩短上手周期。
- 架构直观化要求 Claude 用 ASCII 结构图 画出协议栈或系统架构，建立宏观理解。
- 间隔重复学习（Anki 风格）构建一个学习技能，由用户阐述理解，Claude 通过追问补齐知识盲区并存储成果。
总结：生产力飞跃的代价与逻辑
这套被称为“编程终结者”的工作流已经得到了业界的实证。Devv.AI 的 CEO Jiayuan Zhang 透露，他采用这套工作流在短短两天内就提交了超过 2 万行代码。
对于想要复刻这一奇迹的开发者，他给出了两条核心建议：
- 模块化设计（Modular Design）确保模块可以被独立实现，这是 AI 高效协作的前提。
- 自动化脚本（Automation Scripts）利用 Conductor 或 Warp + scripts 等工具来自动化这些繁琐的工作流。
当然，生产力的巨大飞跃伴随着昂贵的 Token 消耗，也就是网友们戏称的“钱包隐隐作痛”。但从战略角度看，支付 500 美元的 Token 账单来换取价值 5000 美元的工程时间，是任何理性团队都无法拒绝的 ROI 交易。
在 AI 能够独立完成大部分开发任务的时代，程序员的核心竞争力将不再是手速，而是认知深度——那些能够高效调度 AI 算力、精准制定战略计划并持续打磨“AI 规则手册”的系统架构师，将成为下一代开发的统治者。
