从11月把 Claude Code 当作"更聪明的 Cursor"，到现在把它当作一个靠谱的外包团队。经 Claude Code 官方认证的重度用户，token 消耗量排在前1%。这篇是20天、20000次对话后的完整复盘。
一、认知转变：从 AI 助手到 AI 团队
刚开始用 Claude Code 时，我觉得它只是编程准确率更高的 Cursor。
在外部世界的启发和同事的交流下，我意识到这个定义完全错了。Claude Code 不再是知识广泛的实习生，而是——
一个经验丰富、成本低廉的靠谱团队。
用管理团队的方式去用它，和用工具的方式去用它，效率差距不是一个量级。
二、20天做了3个产品
Claude Code 已经具备独立闭环一个产品的能力。这20天用它做了：
| 产品 | 技术栈 | 用时 | 说明 |
|---|---|---|---|
| AI 对话 ChatBot | Flutter | 2天 | 支持语音文字、简历上传、AI 面试官 |
| iOS 启动器 App | iOS 原生 | 2天 | - |
| GroAsk | macOS 原生 | 2周 | Claude Code 调度面板 |
三个产品全部 Vibe Coding，没有手写过一行代码。 Opus 4.5 时代还会看一下代码，到了 Opus 4.6，我没有看过一行代码。
三、编程之外：Claude Code 还能做什么
很多人把它当编程工具用，但它的实际边界要宽得多：
- 自动发推特——借助浏览器 MCP 与 Skill
- 自动写文章 & 多平台分发——借助自定义 Skill（比如这篇文章）
- 产品数据分析——分析真实运营数据
- 深度市场调研——调研需求、收集用户痛点
只要能描述清楚流程，大部分重复性工作都可以甩给它。
四、产品迭代流程
小需求：一句话到上线
描述需求 → Claude Code 自动完成 → 直接上线 → 发现问题一句话修复
大版本需求：结构化流程
需求收集 → PRD 产出 → 市场调研验证 → 技术方案 → 执行规划 → 按计划开发
具体步骤：
- 需求收集：个人使用痛点 + 社区反馈
- PRD 产出：描述原始需求，让 Claude Code 产出 PRD，结合市场调研验证
- 技术方案：Claude Code 编写技术方案，再用市场调研 review
- 执行规划：使用 TDD + Subagent 拆分任务
- 开发执行：Claude Code 按计划执行
实际数量级：一个3000字的 PRD → 10000字的技术方案 → 40000字的执行规划。
两个核心原则
产品决策和技术决策是人最重要的工作。 完全交给 AI 决策，面对复杂任务时仍然不可靠——看似实现了需求，但维护难度可以是地狱级的。做好方案，这是重中之重。
让 AI 实现一个小的需求点，远比让 AI 一次性完成大而全的需求，更容易、更可靠、效率也更高。
五、深度使用技巧
5.1 Skill：最强大的能力
核心理念：个人工作流程的固化。
Skill 最重要的两部分：
- Prompt：用自然语言描述工作流程（需要模型理解判断的部分）
- Scripts：用代码描述工作流程（代码能搞定的部分）
关键原则：只有需要模型理解判断的才用 Prompt，代码能搞定的都用 Script。
我的常用 Skill：自动提交代码（原子化 commit）、自动运行工程、自动拉取运营数据、自动发帖、自动写文章……这些流程固化之后，重复工作几乎为零。
5.2 Subagent：复杂任务的上下文管理
Subagent 让你在一个会话内使用多个 Agent 管理工作。Claude 自带的 Task 工具就是 Subagent——主 Session 把部分工作交给内部 Session，自己只关注输入和输出。
适合场景：任务复杂、需要并行处理多个子任务、不想让主 Session 上下文膨胀太快。
5.3 MCP：扩展能力，但别贪多
我个人常用 8个 MCP，但强烈建议用更少的：
- MCP 工具描述会占据大量原始上下文
- 使用参数让 MCP 只暴露需要的接口，不要全量挂载
- 优先选 Rust/Go 编译的 MCP，而非 Node，内存占用差距显著
# 查看当前 MCP 的内存占用
ps aux | grep mcp | awk '{print $6, $11}'
5.4 Hooks：安全网
目前最有价值的 Hook：
让 Claude Code 在删除任何未被备份的东西之前进行备份。
一行配置，避免无数次的"它把我的文件删了"。
5.5 终极调试技巧：写日志
在不同客户端实践中，让 AI 把日志写在本地，再根据日志排查问题。
这是最有效的 bug 解决方式，没有之一。
你觉得 AI 搞不定了，先让它加日志、跑一遍、看日志，再让它分析。绝大多数"搞不定"的 bug，这一步之后都能解决。
六、长期记忆：解决"今天说明天忘"
长期记忆是很多人的痛点。解决方案：知识分组。
- 维护一个分层的 Knowledge 文件夹，告诉 Claude Code"有价值的信息存储到知识里面"
- CLAUDE.md 分层分组管理：子工程独立 CLAUDE.md + Rules 管理 + 手动维护
- 越用越顺，不需要每次重新解释背景
核心思路：不要把所有上下文堆在一个 CLAUDE.md 里，按子项目、按主题分开，按需加载。
七、上下文管理：保持模型智能的关键
这一点容易被忽略，但影响极大。
| 策略 | 说明 |
|---|---|
| MCP 工具按需引入 | 使用参数精简接口暴露 |
| CLAUDE.md 分层分组 | 避免信息过载 |
| 上下文阈值 200k | 超过就换 Session |
| 避免压缩上下文 | 开新 Session 远优于压缩 |
| 实时监控 | 了解每个 Session 和任务的上下文消耗 |
上下文不推荐超过200k（1M 窗口的20%）。区别就像工作日上午 vs 加班到深夜的同事——到了晚上，回答质量会明显下降。永远用最智能的状态下的模型。
"实时监控"是最容易被忽略的一条。 很多人用着用着上下文爆了还不知道，等到模型回答质量断崖式下降才发现——这时候之前的对话已经很难恢复了。
我开发 GroAsk 的核心动机之一就是解决这个问题：macOS 菜单栏一眼能看到每个 Claude Code 终端的上下文用量、当前状态、是否在等输入，不用一个个切终端去查。
八、多 Session 管理：别只盯着一个窗口
不要同时只开一个 Claude Code 进程，盯着它干活太低效了。
- 舒适区：2-3个 Claude Code 进程并行
- 高强度场景：可以开到 5-10个
- 实时阅读每个 Session 的状态，只维护需要用户输入的 Session
并行工作的逻辑很简单：一个 Session 在编译/跑测试/搜索资料的时候，你可以在另一个 Session 推进另一个任务，CPU 时间和你的时间都不浪费。
实际问题是：当你开了 5 个以上的终端，光是找"哪个 Session 在等我回复"就很烦。我现在的做法是用 GroAsk 的调度面板集中管理——哪个在跑、哪个等输入、哪个上下文快满了，一目了然。⌥Space 呼出面板，点一下跳到对应终端，不用在一堆窗口里翻找。
如果你也跑多个 Claude Code Session，可以试试：groask.com/zh/?ref=jue…
九、模型的边界在哪里
模型的边界在于完全创新的能力。
做没有人做过的东西——训练数据里没有，只能推测。这时候，需要发挥的是人的创造力和判断力。
换句话说：已知解法的执行，全部可以甩给 AI。未知解法的探索，仍然需要人。
十、总结
- Claude Code 不是 AI 助手，是 AI 团队。 用管理团队的方式去用它。
- 人的核心价值是决策。 产品决策、技术决策、创新——这些交不出去。
- 工程化使用 AI。 Skill 固化流程、Subagent 管理复杂度、知识分组实现记忆、上下文管理保持智能。
作者日常使用 Claude Code 开发 GroAsk——一个 macOS 菜单栏工具，⌥Space 直达所有 AI，同时监控多个 Claude Code 终端状态。如果你也是 Claude Code 重度用户，欢迎试试。
