Boris Cherny是Claude Code 的创建者，他昨天在X上分享了团队在真实工程环境中使用 Claude Code 的方法。
-
用并行替代上下文切换
团队会同时开启多个 git worktrees，每个 worktree 对应一个独立 Claude 会话，只做一件事，避免在单一对话中频繁切换任务造成上下文污染。 -
复杂任务必须从 Plan Mode 开始
遇到复杂需求，不要直接写代码，而是先让 Claude 输出清晰的执行计划：改哪些文件、分几步、如何验证、如何回退。
计划通常会被另一个会话审核，通过后再执行；一旦偏离，就退回计划阶段。
非常像之前分享的思路
AI编程新玩法：让GPT当架构师，GLM当码农，再也不用担心Token不够用了！
- 把错误沉淀进 CLAUDE.md
每次 Claude 出错，都会要求它更新CLAUDE.md，把这次错误变成明确规则。
慢慢的文档会持续收敛模型行为，显著降低重复错误率，形成项目级长期记忆。
-
超过一次的任务直接技能化
凡是每天重复超过一次的任务，都会被抽象成 skill 或命令并提交到 git，让重复劳动自动化。
你的经验，可以复制粘贴了：Skills正在引发一场知识资产化革命 -
Bug 修复尽量交给 Claude 自己
给 Claude 完整原始上下文（CI 日志、堆栈、讨论记录），直接说“修复失败的测试”，而不是拆步骤逐步操作。
Claude 在复杂日志和系统问题上的整体分析能力往往更强。
- 提升提示词的有效性
“证明这个方案是对的”
“像 code reviewer 一样质疑我”
“现在全部推翻，给我更优雅的实现”。
不断逼迫 AI 自证正确性。
-
用更有效的工具
自定义状态栏可视上下文长度和git分支，使用终端选项卡，语音输出，语音永远比打字快。 -
用子代理控制复杂度
使用 subagents 分担工作，保持主会话上下文干净，避免 token 堆积导致质量下降。
9.用AI直接拉取和分析数据
再也不写手写语句。
- 用 Claude 加速学习
启用解释型输出，让 Claude 讲清“为什么这样改”，并通过反问和示例补全认知，把一次修改转化为可复用的理解资产。
