本文约 4200 字，预计阅读 15 分钟。所有技巧均在实际项目中验证有效。
用 Claude 辅助编程三个多月了，期间踩了不少坑，也摸索出来一套用起来顺手的方法。网上关于 Claude 的文章要么太基础（就说个"写代码让 Claude 帮你"），要么太学术（全是论文里的 prompt 理论）。
这篇就写实战的。32 个技巧，全部来自真实开发场景，没有废话。
一、Prompt 基础技巧（技巧 1-8）
技巧 1：先给角色，再给任务
不要直接甩代码问"这是什么意思"。先给 Claude 一个上下文角色，回答质量会明显提升。
# 差的写法
帮我解释这段代码
# 好的写法
你是一名有 10 年经验的 Python 后端工程师，擅长性能优化。
请解释以下代码的逻辑，并指出可以优化的地方。
[代码]
角色设定不是魔法，本质是给 Claude 一个"预期输出标准"——你希望它像一个专家一样回答，它就会用专家的视角组织内容。
技巧 2：明确输出格式
模糊的问题得到模糊的答案。加上格式要求，Claude 的输出可以直接用。
请分析以下代码的问题，输出格式要求：
1. 问题列表：用 Markdown 无序列表
2. 每个问题包含：问题描述、影响、修复方案
3. 最后给出修复后的完整代码
4. 代码加上注释
[代码]
特别是要生成 JSON、YAML、SQL 这类结构化内容时，一定要明确说"只输出 JSON，不要解释"，否则 Claude 会在代码块前后加很多解释文字，还要自己处理。
技巧 3：用 XML 标签隔离输入内容
当你的请求里包含多个部分（代码+需求+约束），用 XML 标签分隔，Claude 理解起来更准确：
<task>
将以下函数改写为异步版本，保持接口不变
</task>
<constraints>
- 使用 asyncio，不用 concurrent.futures
- Python 3.10+
- 不要修改函数签名
</constraints>
<code>
def fetch_user_data(user_id: int) -> dict:
response = requests.get(f"/api/users/{user_id}")
return response.json()
</code>
XML 标签在 Claude 这里效果比 Markdown 分隔符稳定，尤其是处理包含特殊字符的代码时。
技巧 4：分步骤提问，不要一次问太多
一次让 Claude 写一个完整的复杂系统，大概率会得到一个"看起来能用但细节全是坑"的结果。
正确姿势：拆分任务
第一轮：先设计数据结构和接口
第二轮：实现核心逻辑
第三轮：加错误处理和边界情况
第四轮：写测试用例
第五轮：Review 整体，找潜在问题
每一步验证后再进入下一步。我做一个 3000 行的项目一般分 15-20 轮对话，比一次让它写完然后改 bug 效率高很多。
技巧 5：给示例（Few-shot Prompting）
告诉 Claude 你想要什么风格的代码，最快的方式是给示例：
按照以下风格改写函数：
# 示例输入
def add(a, b):
return a + b
# 示例输出（我想要的风格）
def add(a: int, b: int) -> int:
"""
将两个整数相加。
Args:
a: 第一个加数
b: 第二个加数
Returns:
两数之和
"""
if not isinstance(a, int) or not isinstance(b, int):
raise TypeError(f"参数必须是整数，收到: {type(a)}, {type(b)}")
return a + b
# 现在请按同样的风格改写这个函数：
def process_order(order_id, items):
...
技巧 6：用"让我们一步步分析"解决复杂问题
对于 bug 排查、算法设计这类需要推理的任务，在末尾加上这句话效果明显：
请一步步分析这个问题，写出你的推理过程，最后给出结论。
这就是所谓的 Chain-of-Thought（思维链），让 Claude 把中间步骤都输出来，不仅答案更准确，你也能看到它的推理哪里出了问题。
技巧 7：提供负面约束（不要做什么）
开发中很多时候你有明确的限制，直接写出来：
帮我实现一个用户认证模块，要求：
- 使用 JWT
- 不要引入 Redis（我们的部署环境没有）
- 不要使用 OAuth 第三方登录
- session 存储用本地文件，不用数据库
Claude 默认会给"最佳实践"方案，但你的场景有约束时，不说出来它不知道。
技巧 8：让 Claude 先问问题再写代码
对于复杂需求，先让 Claude 澄清问题，比直接让它开始写要好：
我要写一个文件处理系统。在开始写代码前，请先问我 5 个关键问题，
确认你完全理解需求后再开始。
这招特别适合需求模糊的场景，Claude 问出来的问题往往能帮你发现自己没想清楚的地方。
二、代码生成技巧（技巧 9-16）
技巧 9：生成代码时要求附带测试
写一个 Python 函数，解析 IP 地址范围字符串（如 "192.168.1.0-192.168.1.255"）
为 IP 列表。**同时写 pytest 测试用例**，至少覆盖：正常情况、边界值、无效输入。
一起生成，省得你再回来要测试。测试代码有时候还能发现主函数的逻辑漏洞。
技巧 10：指定依赖版本避免过期代码
用 Python 3.11 + aiohttp 3.9 + pydantic v2 实现一个异步 HTTP 客户端
不指定版本，Claude 可能给你用 pydantic v1 的语法，或者用了某个 3.8 才有的特性，本地跑起来一堆报错。
技巧 11：要求生成可运行的完整代码
给我一个完整可运行的示例，包含：
1. 所有 import
2. 依赖安装命令（pip install xxx）
3. 完整的 main() 函数
4. 运行方式说明
"完整可运行"这四个字很重要，不然 Claude 会给你省略号版本。
技巧 12：分模块生成复杂系统
大系统一次生成质量差，按模块来：
我要构建一个 API 网关，包含以下模块：
1. 请求路由
2. 认证中间件
3. 限流器
4. 日志记录
先只实现第 1 个：请求路由模块。接口设计要考虑后续其他模块能方便接入。
每个模块生成后测试通过，再进入下一个。
技巧 13：让 Claude 解释关键决策
实现这个功能时，对于并发控制的方式你选择了什么？
为什么选这个而不是 [备选方案]？有什么 trade-off？
这不只是学习，是让你知道能不能信任这段代码。
技巧 14：用"从简到繁"生成代码
先要最简单版本，确认思路对了再加功能：
第一步：写一个最简单的 WebSocket 服务器，只实现 echo 功能
（不需要认证、不需要房间管理、不需要断线重连）
验证核心逻辑后，再让它加功能。一上来就要"完整版"容易翻车。
技巧 15：让 Claude 写代码后立即 Review
生成完让它马上审查自己写的代码：
好，现在请以一个挑剔的高级工程师视角，找出你刚才写的代码中的：
1. 潜在 bug
2. 性能问题
3. 安全漏洞
4. 可维护性问题
找到后立即修复。
这招很有用，Claude 在自我 Review 时经常能找出它第一次没写好的地方。
技巧 16：生成代码风格迁移
有旧代码想升级风格：
将以下 Python 2 风���的代码迁移到 Python 3.10+：
- 使用 f-string 替代 % 格式化
- 使用 pathlib 替代 os.path
- 使用 dataclass 替代手写 __init__
- 添加类型注解
[旧代码]
三、调试与排查技巧（技巧 17-22）
技巧 17：粘贴完整报错，不要描述
# 差的写法
我的代码报了个 KeyError，怎么解决？
# 好的写法
运行时报错如下，请帮我分析原因和解决方案：
Traceback (most recent call last):
File "main.py", line 45, in process_data
value = data['user']['profile']['avatar']
KeyError: 'profile'
相关代码：
[代码]
数据示例：
[数据]
完整的 traceback 能让 Claude 精准定位问题，不然它只能猜。
技巧 18：描述预期行为 vs 实际行为
问题描述：
- 预期：调用 save_user() 后，数据库中的 updated_at 字段更新为当前时间
- 实际：updated_at 一直是用户创建时间，没有更新
- 已排查：确认 SQL 语句有 UPDATE，事务也 commit 了
[相关代码]
"为什么不对"比"帮我看看这段代码"更有助于 Claude 聚焦问题。
技巧 19：让 Claude 生成调试代码
我怀疑这个函数在处理大数据量时有内存泄漏，但不确定在哪里。
请帮我在关键位置插入内存监控代码（使用 memory_profiler 或 tracemalloc），
让我能定位泄漏点。
技巧 20：二分法排查——让 Claude 帮你缩小范围
这段 500 行的数据处理代码有 bug，输出结果不对。
你能帮我设计一个排查方案，在不逐行 debug 的情况下，
用最少的步骤定位到出错的函数？
技巧 21：提供运行环境信息
环境：
- OS: Ubuntu 22.04
- Python: 3.11.4
- 虚拟环境：conda
- 相关包版本：numpy==1.24.0, pandas==2.0.1
问题：[...]
很多 bug 是版本兼容性导致的，环境信息是关键。
技巧 22：让 Claude 写"防御性代码"
调试完后让它加防御：
这个函数现在能正常运行了。请帮我加上防御性代码：
1. 对所有入参进行合法性校验
2. 对可能的异常情况加 try-except，给出有意义的错误信息
3. 加上关键步骤的日志输出（用 logging，不用 print）
四、Claude API 调用技巧（技巧 23-28）
技巧 23：合理设置 max_tokens
import anthropic
client = anthropic.Anthropic()
# 根据任务类型设置合适的 max_tokens
MAX_TOKENS_MAP = {
"code_generation": 4096, # 代码生成需要更多空间
"explanation": 1024, # 解释类不需要太长
"summary": 512, # 摘要更短
"chat": 2048, # 对话适中
}
def call_claude(task_type: str, prompt: str) -> str:
response = client.messages.create(
model="claude-opus-4-6",
max_tokens=MAX_TOKENS_MAP.get(task_type, 2048), # 默认 2048
messages=[{"role": "user", "content": prompt}]
)
return response.content[0].text
max_tokens 设太小会截断输出，设太大浪费钱。按任务类型分档管理。
技巧 24：用 temperature 控制输出风格
# 代码生成：低 temperature，确定性更高，减少幻觉
response = client.messages.create(
model="claude-opus-4-6",
max_tokens=4096,
temperature=0.2, # 低温度，代码逻辑更稳定
messages=[{"role": "user", "content": "写一个快速排序算法"}]
)
# 头脑风暴：高 temperature，更多创意
response = client.messages.create(
model="claude-opus-4-6",
max_tokens=2048,
temperature=0.8, # 高温度，更多创意
messages=[{"role": "user", "content": "给这个功能想 10 个命名方案"}]
)
技巧 25：用 system prompt 保持一致性
CODING_SYSTEM_PROMPT = """
你是一个 Python 高级工程师。回答遵循以下规范：
1. 代码使用 Python 3.10+ 语法
2. 所有函数必须有类型注解
3. 错误信息必须具体，不能只写 "Error"
4. 代码示例必须可以直接运行
5. 如果有多种实现方式，先给最简单的，再说其他
"""
def ask_code_question(question: str) -> str:
response = client.messages.create(
model="claude-opus-4-6",
max_tokens=4096,
system=CODING_SYSTEM_PROMPT, # 每次都带上，保持风格一致
messages=[{"role": "user", "content": question}]
)
return response.content[0].text
技巧 26：流式输出提升用户体验
等 Claude 生成完整回复才显示，用户会以为卡住了。用流式输出：
import anthropic
client = anthropic.Anthropic()
def stream_code_generation(prompt: str):
"""流式输出代码，实时显示生成过程"""
with client.messages.stream(
model="claude-opus-4-6",
max_tokens=4096,
messages=[{"role": "user", "content": prompt}]
) as stream:
for text in stream.text_stream:
print(text, end="", flush=True) # 实时打印
print() # 换行
# 获取完整消息（包含 usage 信息）
final_message = stream.get_final_message()
print(f"\n[Token 使用: 输入 {final_message.usage.input_tokens}，"
f"输出 {final_message.usage.output_tokens}]")
stream_code_generation("用 Python 实现一个 LRU 缓存")
技巧 27：多轮对话要手动管理上下文
Claude API 是无状态的，每次调用都是独立的。要实现多轮对话，需要自己维护历史：
class ClaudeChatSession:
def __init__(self, system_prompt: str = ""):
self.client = anthropic.Anthropic()
self.system_prompt = system_prompt
self.history: list[dict] = []
def chat(self, user_message: str) -> str:
# 加入历史
self.history.append({
"role": "user",
"content": user_message
})
response = self.client.messages.create(
model="claude-opus-4-6",
max_tokens=4096,
system=self.system_prompt,
messages=self.history # 带上完整历史
)
assistant_reply = response.content[0].text
# 把 Claude 的回复也加入历史
self.history.append({
"role": "assistant",
"content": assistant_reply
})
return assistant_reply
def clear_history(self):
"""上下文太长时清空，防止超出 context window"""
self.history = []
# 使用示例
session = ClaudeChatSession(system_prompt="你是一个代码 Review 助手")
print(session.chat("帮我 review 这个函数：[代码]"))
print(session.chat("第二点能展开说说吗？")) # Claude 知道"第二点"指什么
技巧 28：用 Prompt Caching 降低成本
如果你的请求里有大量重复内容（比如长的 system prompt 或者代码库），用 Prompt Caching 可以省很多钱：
# Prompt Caching：对重复的长内容标记 cache_control
response = client.messages.create(
model="claude-opus-4-6",
max_tokens=4096,
system=[
{
"type": "text",
"text": very_long_system_prompt, # 很长的系统提示
"cache_control": {"type": "ephemeral"} # 标记为可缓存
}
],
messages=[{"role": "user", "content": question}]
)
# 检查缓存命中情况
usage = response.usage
print(f"缓存命中: {usage.cache_read_input_tokens} tokens")
print(f"缓存写入: {usage.cache_creation_input_tokens} tokens")
缓存命中后，这部分 token 的费用会大幅降低（约降低 90%）。适合：长 system prompt、代码库上下文、文档分析等场景。
五、高级技巧（技巧 29-32）
技巧 29：让 Claude 自我批评，再迭代
请先写一个解决方案，然后以一个挑剔的技术评审者身份批评它，
指出 3 个最大的缺陷，最后给出改进后的最终版本。
"初稿 → 自我批评 → 迭代"这个流程，比直接要最终版本质量高很多。
技巧 30：用结构化输出方便程序处理
让 Claude 输出 JSON，方便你的程序解析：
prompt = """
分析以下代码，以 JSON 格式输出，结构如下：
{
"bugs": [{"line": int, "description": str, "severity": "high|medium|low"}],
"improvements": [{"description": str, "priority": "high|medium|low"}],
"overall_quality_score": int // 1-10
}
只输出 JSON，不要任何解释。
代码：
[你的代码]
"""
import json
response_text = call_claude("code_review", prompt)
result = json.loads(response_text) # 直接解析
技巧 31：生成代码文档
为以下代码生成文档，格式要求：
1. 模块级 docstring：说明功能和使用场景
2. 每个公共函数的 Google 风格 docstring
3. 复杂逻辑处的内联注释
4. 一个完整的使用示例（放在模块末尾的 if __name__ == "__main__" 里）
[代码]
技巧 32：建立专属代码风格档案
把你的代码风格要求整理成一份"风格文档"，每次对话都带上：
# 把风格要求存成文件
with open("code_style.md", "r") as f:
style_guide = f.read()
system_prompt = f"""
你是我的编程助手，所有代码必须遵循以下风格规范：
{style_guide}
"""
# 每次对话都使用这个 system_prompt
这样你不用每次都重复说规范，Claude 的输出风格也会保持一致。我的风格文档大概 200 行，覆盖命名规范、错误处理、日志格式等，省了很多反复纠正的时间。
小结
32 个技巧，核心就是三点：
- 给上下文：角色、约束、示例，越具体越好
- 分步骤：复杂任务拆开做，每步验证再进入下一步
- 迭代改进：初版 → 自我 Review → 修复 → 测试，不要一步到位
Claude 本质上是一个"懂很多但不了解你的场景"的协作者，你给的信息越多、越准确，它的输出就越有用。
有什么问题评论区聊，我会回复。
工具推荐
本文中使用 Claude Code，是通过 玉兔AI 连接使用的，国内直连比较稳定
