当下“代码补全”无法满足我们的需求，我们正在进入“AI从0到1自动化搭建代码项目”时期。
一、AI Coding Stack 的演进
1. Claude ：逻辑推理
-
定位：整个技术栈的“大脑”。
-
价值：Claude 3.7 Sonnet，最强的代码大模型之一，它具有超长的上下文窗口（200K+）。
2. Codex / Copilot (代码补全)
-
定位：实时辅助。
-
价值：Codex 代表了基于 FIM（Fill-In-the-Middle）技术的代码补全模型时代。虽然 OpenAI 原版 Codex 已被更先进的模型取代，但其范式（如 GitHub Copilot）依然是开发者敲击键盘时的第一道防线。
-
应用场景：行级或函数级的实时代码补全。
Cursor (AI IDE)
-
定位：交互界面与工作台。
-
价值：我认为 Cursor 就是一款AI IDE，是深度改造的 VS Code。它具备 Codebase Indexing（全代码库索引） 能力，，能够通过 Composer 功能进行多文件同时编辑。
-
协同：将 Claude 等大模型接入到本地文件系统中，改善了我在LLM对话窗口与 IDE 之间复制粘贴的繁琐流程。
3. MCP (Model Context Protocol)
-
定位：标准化接口。
-
价值：由 Anthropic 推出的一种开源协议。它解决了 AI “不知道你的本地环境”的问题。通过 MCP，AI 可以安全、标准化地读取本地数据库、Git 仓库、Slack 消息、Jira 任务甚至是本地文件系统。
-
解决痛点：过去我需要把文档喂给 AI；现在配置好 MCP Server 后，AI 可以自己去“拉取”它需要的上下文。
4. Agents (智能体)
-
定位：执行者。
-
价值：Agent 不仅仅是“一问一答”（区分于传统LLM），它具备 规划 (Plan) -> 执行 (Action) -> 观察反馈 (Observation) -> 修正 (Correction) 的完整闭环能力。
-
工具：Claude Code，它们能在终端中运行测试、读取报错并自行修改代码，建议下载插件 Claude Code for VS Code，可以更友好地在VS Code中使用Claude Code，如下图右侧所示。
Stack 总结： Codex 可以自动补全代码，Cursor 是AI IDE，MCP 是连接企业对应业务代码SOP的通道，Claude 是总设计师，而 Agents 则是可以独立负责某个模块代码的撰写。
二、 Claude Code 最佳实践 (Best Practices)
Claude Code 可以直接运行在终端中，可以读取文件、编辑代码、运行命令并提交 Git。以下是基于官方文档提炼的最佳实践。
1. 建立项目级约束：使用 CLAUDE.md
这是使用 Claude Code 最重要 的最佳实践。在项目根目录创建一个 CLAUDE.md 文件，Claude Code 每次启动时都会自动读取它。
-
运行 /init 根据我当前的项目结构生成一个启动 CLAUDE.md 文件，然后随时间精化。
-
包含什么：
-
构建与测试命令：npm run build, pytest tests/。
-
代码风格约定：例如强制使用 TypeScript 强类型、LangGraph 多智能体组件必须是工具调用形式。
-
架构说明：说明项目目录结构的作用。
-
-
位置：
-
主文件夹（~/.claude/CLAUDE.md）：适用于所有 Claude 会话
-
项目根目录（./CLAUDE.md）：检入 git 与你的团队共享，或将其命名为 CLAUDE.local.md 并 .gitignore 它
-
父目录：对于 monorepos 有用，其中 root/CLAUDE.md 和 root/foo/CLAUDE.md 都会自动拉入
-
子目录：当处理这些目录中的文件时，Claude 按需拉入子 CLAUDE.md 文件
-
-
效果：极大地减少每次对话时我需要重复输入的提示词。
2. 上下文管理 (Context Management)
由于长时间对话会积累大量无关上下文，导致 AI 注意力分散和成本上升。
-
主动清理：当完成一个独立任务后，使用 /clear 命令开启新会话，或者使用 /compact 将历史对话压缩为简短摘要。
-
精准指向：不要让 Claude “盲搜”。
-
善于使用@ 引用文件，而不是描述代码问题让它自己去找；
-
直接粘贴图像。将图像放到提示中（要求配置的大模型具备多模态OCR功能）
-
提供 URL 用于文档和 API 参考。使用 /permissions 将常用域名加入白名单。
-
管道数据，通过运行 cat error.log | claude 直接发送文件内容。
-
让 Claude 获取它需要的东西。告诉 Claude 使用 Bash 命令、MCP 工具或通过读取文件来自己拉取上下文。
-
3. 创建Skills（菜鸟教程 | Skills）：核心就是封装成一个模板（可重复工作流）
-
在 .claude/skills/ 中创建 SKILL.md 文件，为 Claude 提供特定于项目的域知识和可重用工作流。
Skills 使用特定于我的项目、团队或域的信息扩展 Claude 的知识。Claude 在相关时自动应用它们，或者我可以使用 /skill-name 直接调用它们。通过向 .claude/skills/ 添加带有 SKILL.md 的目录来创建 skill
Skills 也可以定义为直接调用的可重复工作流。
存储位置：如果是~/.claude/skills/则是全局共享，本电脑所有项目都可以访问；如果是.claude/skills/，则是本项目的内部共享，其他文件夹项目下不可访问。
4. 创建自定义 subagents
-
在 .claude/agents/ 中定义专门的助手，Claude 可以委托给它们进行隔离的任务。
明确告诉 Claude 使用 subagents：使用 subagent 审查此代码以查找安全问题。
5. 下载plugin
-
运行 /plugin 浏览市场。Plugins 添加 skills、工具和集成，无需配置。
6. 让 Claude 采访你
-
对于更大的功能，让 Claude 先采访你。从最小的提示开始，并要求 Claude 使用 AskUserQuestion 工具采访你。
我想构建 [简要描述]。使用 AskUserQuestion 工具详细采访我。 询问技术实现、UI/UX、边缘案例、问题和权衡。不要问显而易见的问题，要深入挖掘我可能没有考虑的难点。 继续采访，直到我们涵盖所有内容，然后将完整规格写入 SPEC.md。
-
一旦规范完成，启动一个新会话来执行它。新会话有干净的上下文，完全专注于实现，你有一个书面规范可以参考。
7. "思考 – 执行 – 验证" 的迭代工作流 (Workflow)
不要试图让 Claude 一次性写出一个完整的复杂系统。
-
Step 1: 规划 -> 请分析当前代码库，列出实现 JWT 登录的步骤，先不要写代码。
-
Step 2: 逐步执行 -> 确认步骤后，按照你列出的步骤 1 和 2 开始编写后端中间件。
-
Step 3: 授权运行测试 -> Claude Code 可以在终端运行命令。代码写完后要求它：请运行 npm test，如果报错，请阅读报错信息并自行修复。
8. 驾驭 AI 的工具调用 (Tool Use)
Claude Code 拥有操作文件系统的能力：
-
让它自己找问题：使用 grep 查找项目中所有使用弃用 API "fetchUser" 的地方并替换。
-
让它看日志：如果启动报错，直接把错误贴给它，或者让它 cat error.log 寻找线索。
9. 审查 (Review)
让 AI 直接修改文件是有风险的。
-
保持 Git 干净：在让 Claude Code 大规模重构前，确保你当前的分支是干净的（已 commit）。这样如果它改乱了，我可以随时 git restore .。
三、日常实战工作流(Workflow)
1. 构建 (Claude Code + 插件)
在插件唤醒 Claude Code，先使用Ask Mode进行项目架构的梳理，接着使用Plan Mode进行需求规划，最后使用Edit Mode进行代码的直接编辑；如果中途需要修改代码，如果只是简单的报错可以直接使用Edit Mode，如果是比较复杂的问题再使用Plan Mode，这样可以减少不必要的Token消耗。
2. 数据接入 (MCP)
如果项目需要结合公司内部的 API 文档，配置相应的 MCP Server，让 Cursor/Claude 直接读取最新需求，避免信息差。
测试与修复 (Claude Code)
回到终端，让 Claude Code 运行测试用例。如果不通过，让它形成闭环：“跑测试 -> 报错 -> 修改代码 -> 再跑测试”。
我不再是一个纯粹的 "Coder"，而是一个 "Code Reviewer" 和 "Tech Lead"。
把我的精力放在需求定义、架构规划和代码审查上，将“写代码”的体力活交给 AI 栈。
