理解 Claude Code 的自我意识特性
Claude Code 具备自我意识能力并且通过人类语言驱动。这意味着许多离散功能可以通过对话来发现和触发。
直接向 Claude 询问其能力是一个很好的起点：“你有什么工具？“通过对话探索功能可以帮助发现更多可能性，比如询问能否在后台运行任务、搜索网络内容或提取网站信息并进行总结。通过测试边界来理解系统的局限性同样重要。
提示工程的核心原则
虽然 Anthropic 的 Claude 模型最佳实践在官方文档中有详细阐述，但理解通用提示工程原理同样关键。
精确性和具体性是有效沟通的基础。提供上下文信息，包括一两个简短的示例，能够显著提升理解质量。将复杂问题分解为更简单的组成部分，使用清晰的语言和适当的术语，避免表达上的模糊性。设定合理的期望和限制，并通过调整提示来获得更好的回应。
角色扮演场景是另一个强大技巧，可以为对话参与者设定特定角色。使用类比来解释复杂概念，以及通过辩论式问题要求正反两方面的论据，都能带来更深入的理解。
在 Claude Code 环境中，这些提示工程知识可以应用于创建自定义斜杠命令和子代理，从而扩展系统的功能。
上下文工程的艺术
上下文工程被定义为”在上下文窗口中填充恰到好处的信息以支持下一步操作的精细艺术和科学”。这一概念强调了信息选择的重要性。
提供相关文件和示例是构建有效上下文的基础。在进行代码库或功能探索后，明确要求 Claude 专注于相关部分。利用网络搜索和 MCP (Model Context Protocol) 服务器来收集额外的上下文信息。
需要特别注意的是上下文限制及其对回应质量的影响。保持上下文的简洁和专注通常能产生更好的结果。使用 MCP 服务器获取最新和权威信息，例如 Microsoft Docs MCP 和 Context7。
明确提及有助于 Claude 更好理解上下文的相关工具和资源。在适当的时候给予方向性提示，比如建议检查相关功能的测试用例，能够引导系统朝着更有成效的方向发展。
问题解决的系统化方法
利用 Claude Code 进行复杂问题的头脑风暴和想法生成，将其视为能够提供多重视角的同行开发者。它可以提供新鲜的想法并提供建设性的反馈。
要求 Claude 头脑风暴多种方法并迭代改进想法。将生成的想法作为后续提示的基础语境，在 previous 建议基础上构建而不是从头开始。利用专业代理和命令进行问题解决和探索。
pair-programmer 代理能够探索多种解决方案方法并进行复杂度排名。system-architect 代理专注于架构头脑风暴和可扩展性设计。root-cause-analyst 代理提供复杂问题的系统性调查。deep-research-agent 代理负责全面研究和信息收集。
使用 explain 命令理解现有概念和模式，five-whys 命令通过结构化问题进行根本原因分析，prompt-generator 命令为复杂场景制作有效提示。
直接性是与 LLM 交互的重要原则。例如，明确要求”给我3个结果并使用 Markdown 表格比较每个结果的优缺点”能够获得更有用的回答。
实验多种实现方法
在处理功能开发时，不要害怕尝试多种实现策略。如果一种方法行不通，果断放弃并尝试另一种。
尝试不同的实现技术来解决同一个问题。利用 git 安全地回退，不要犹豫抛弃行不通的方法。研究代码库中的相似模式、工具和解决方案来借鉴经验。从失败的尝试中学习，每次失败都能增进对问题领域的理解。
使用 rewind 命令可以回退到之前的对话状态并尝试不同方法。频繁提交代码变更可以轻松回滚更改并尝试替代解决方案。
个性化配置的重要性
Claude Code 本质上是低级别且无偏见的，提供接近原始模型的访问而不强制特定工作流程。这种设计理念创造了灵活、可定制、可脚本化且安全的强大工具，但同时也为刚接触代理编码工具的工程师带来了学习曲线。
理解如何配置其设置和能力对于充分利用 Claude Code 至关重要。Claude Code 提供多种设置来配置其行为以满足不同需求。通过在交互式 REPL 中运行 config 命令可以打开标签页设置界面，查看状态信息并修改配置选项。
可以在全局、项目级别和环境变量层面配置 Claude Code。权限管理、可用工具、自定义斜杠命令和子代理都是可以个性化配置的方面。
成功的关键要素
在沟通方面，学习提示工程的基础知识。具体说明要求和约束条件，提供开发环境的上下文信息，在解决方案不清晰时要求解释。
在迭代过程中，从可行的解决方案开始然后进行优化。使用反馈循环来改进方法，不要犹豫回退并尝试不同的方法。
在学习过程中，尝试不同的提示风格。从 Claude 的推理和解释中学习，建立有效模式的个人知识库。
上下文窗口管理策略
上下文窗口指的是语言模型在生成新文本时能够回顾和参考的全部文本量，加上生成的新文本本身。这与语言模型训练时使用的大型数据语料库不同，而是代表了模型的工作记忆。它包括您的消息、Claude 的回应、文件内容和工具输出。
为什么需要管理上下文窗口
当上下文窗口填满时，LLM 的性能实际上会下降。模型在接近 token 限制运行时会变得不够精确，更容易出错，并且在复杂推理方面表现困难。上下文窗口意识能够防止性能下降并确保一致的结果。
上下文衰减问题
关键洞察：LLM 具有一个会随着上下文增长而耗尽的”注意力预算”。
每个 token 都会关注其他所有 token (n² 关系) 随着上下文长度增加，模型准确性下降 模型对较长序列的训练经验较少 上下文必须被视为具有递减边际收益的有限资源
上下文工程 vs 提示工程
| 方法 | 定义 | 范围 |
|---|---|---|
| 提示工程 | 编写和组织 LLM 指令以获得最佳结果 | 一次性任务 |
| 上下文工程 | 在多次推理过程中策划和维护最优 token 集合 | 迭代过程 |
系统提示：找到”合适的层级”
系统提示是设置代理/子代理行为的特殊指令。系统提示直接影响上下文管理。
理想区间
过于规定性 ❌
- 硬编码的 if-else 逻辑
- 脆弱且容易损坏
- 高维护复杂性
过于模糊 ❌
- 没有具体信号的高级指导
- 错误地假设共享上下文
- 缺乏可操作的方向
恰到好处 ✅
- 足够具体以有效指导行为
- 足够灵活以提供强大的启发式方法
- 完全概述预期行为的最小信息集
最佳实践包括使用简单直接的语言，组织成不同的部分（背景信息、指令、工具指导等），使用 XML 标签或 Markdown 标题进行结构化，从最小提示开始，根据失败模式添加内容。
长期任务的三种技术
在处理需要长期上下文保留的任务时，考虑这三种技术来有效管理上下文。
1. 压缩技术
方法：总结接近上下文限制的对话，用总结重新开始。
实施方式包括将消息历史传递给模型进行压缩，保留关键细节（架构决策、错误、实现），丢弃冗余输出，用压缩的上下文加上最近访问的文件继续。
调优过程首先最大化召回率（捕获所有相关信息），然后提高精确度（消除多余内容）。低悬果实是清除旧的工具调用和结果。这种方法最适合需要大量来回交流的任务。
2. 结构化笔记技术
方法：代理在上下文窗口外持久化写入笔记，稍后检索。
示例包括待办事项列表、NOTES.md 文件、游戏状态跟踪（如 Pokémon 示例：跟踪 1,234 个训练步骤）、项目进度日志。
好处包括以最小开销获得持久记忆，在工具调用间保持关键上下文，支持多小时的连贯策略。最适合具有明确里程碑的迭代开发。
3. 子代理架构
方法：专门的子代理处理具有清晰上下文窗口的专注任务。
工作原理是主代理协调高层计划，子代理执行深度技术工作，子代理进行广泛探索（数万个 token），返回压缩总结（1,000-2,000 个 token）。
好处包括明确的关注点分离，并行探索，详细上下文保持隔离。最适合复杂研究和分析任务。
实用技巧
明确使用压缩，不要依赖自动压缩。在有意义时使用 /compact 和 /rewind 命令。使用 /context 获取当前上下文概览，并决定重新开始 /clear 或专注于特定主题进行压缩 /compact。
将大任务分解为可以在最佳上下文边界内完成的小块。对于内存密集型任务，避免使用上下文窗口的最后五分之一。
当需要重用上下文并存储供以后使用时，使用”结构化笔记”方法。例如，您可以要求 Claude Code：“请将这次对话的总结写入 design-decision.md，重点关注我们在本过程中探索的关键决策和发现”。
这些最佳实践构成了有效使用 Claude Code 的基础，帮助开发者充分发挥 AI 辅助开发的潜力。