Claude 安装实操教程与 AI Agent 基础概念

注意：安装及使用 Claude 时需要保证网络通畅，否则会出现安装失败、无法登录等问题。

本文档基于 Win11 系统实操经验整理，内容来自个人安装使用经历及学习B站相关教程时的笔记，感谢各位视频创作者的分享。

Claude 完整使用教程

一、下载与安装

1.1 官方下载渠道

• 官方桌面端下载页：

  Claude Code by Anthropic | AI Coding Agent, Terminal, IDE

1.2 安装步骤

1.3 常见安装失败解决

• 若提示「脚本执行被禁止」：先执行 Set-ExecutionPolicy RemoteSigned -Scope CurrentUser，选择「Y」确认后，再重新执行安装命令
• 若提示「无法连接到远程服务器」：检查网络环境。

二、账号登录

三、核心模式与高频操作

3.1 三种核心工作模式

使用 Shift+Tab 快捷键可循环切换模式，切换后终端会显示对应模式状态：

• 默认模式（无特殊标注）：安全稳妥模式，每次创建、修改文件都会先询问用户确认，界面显示「? for shortcuts」
• 自动模式（accept edits on）：高效模式，自动修改文件无需逐次询问用户，适合批量处理、快速开发
• 规划模式（plan mode on）：构思模式，仅讨论方案、不修改本地文件，适合项目前期梳理、需求拆解

3.2 高频快捷键与基础命令

表格

3.3 规划模式与权限管理

四、进阶功能使用

4.1 回滚操作

Claude 每次接收用户指令都会自动创建回滚点，支持撤销操作，避免误改文件：

4.2 上下文管理

上下文直接影响 Claude 的响应速度和理解准确性，相关操作如下：

• /compact：压缩当前会话上下文，减少 Token 占用，提升响应速度（压缩结果可控性较弱）
• /clear：清空当前会话所有上下文，开启全新对话
• /init：在当前目录生成 claude.md 项目配置文件，可在文件内追加自定义指令、项目规则
• /memory：打开 claude.md 配置文件，分为两种生效范围：
• 项目级别：放在当前项目目录内，仅对当前项目生效
• 用户级别：放在系统用户目录内，对当前用户所有会话生效

4.3 MCP 与 Figma 联动

MCP（模型上下文协议）是大模型对接外部工具的统一标准，可通过 Figma 官方 MCP 服务实现设计稿还原：

4.4 Hook 自动化配置

Hook 功能允许用户在工具执行的指定时机，自动运行自定义脚本，比如代码自动格式化：

4.5 Agent Skill

Agent Skill 本质是给 Claude Agent 看的说明文档，是可动态加载的自定义 Prompt：

4.6 SubAgent

SubAgent 是独立的 Agent 实例，拥有独立的上下文、技能集，不污染主会话：

4.7 Plugin 插件管理

Plugin 可将 Skill、SubAgent、Hook 等配置打包整合，实现一键安装复用：

AI Agent 相关术语解析

一、大模型基础术语

LLM

Large Language Model，大语言模型。目前主流大模型均基于 Transformer 架构训练，该架构最早由 Google 提出，由 OpenAI 推动技术普及。

大模型本质就像一个文字接龙游戏，比如向大模型发送：今天天气怎么样。它会预测下一个概率最高的词。

模型接收到这句话之后经过内部运算预测下一个概率最高的词。比如“特别”，模型吐出来这个词之后，会抓回来追加到刚才的输入后面，然后它会拿着这个新的输入再去预测下一个词，比如“得”，“棒”。整个回答到这里就算结束了。此时Answer为“特别得棒”。

Token

Token就是大模型处理文本的最基本单位。大模型本质是数学函数，仅能识别数字，因此需要 Tokenizer 分词器做「翻译」：

• 补充说明：Token 和字词没有固定的一一对应关系，是模型自主学习的文本切分规则；平均 1 个 Token ≈ 0.75 个英文单词 ≈ 1.5~2 个汉字。

详细点说：

大模型本质上是一个庞大的数学函数，接收的是数字，输出的也是数字。所以在用户和大模型之间需要中间人来做翻译，这个中间人就叫做Tokenizer。

它负责编码和解码。 编码将文字转换为数字，解码将数字还原成文字。比如刚才的“今天天气怎么样”这个问题会先交给Tokenizer处理，将文字转为数字。

这个过程分为两步。第一步切分，把用户问题接过来并拆成一个一个最小的片段，这些片段就是Token。第二步映射，因为大模型只认数字，Tokenizer会把每一个Token对应到一个数字上去，这个数字叫做Token ID，Token ID 和 Token一一绑定，Token是文字，Token ID 是数字。

这时，原来的一句话变成了一串Token ID组成的列表，这串列表会被Tokenizer送入大模型，大模型运算后最终吐出一个Token ID，Tokenizer再次登场，将Token ID 翻译回Token.

解码只有一步，那就是映射，把数字转为文字。解码是不需要切分的，因为模型一次只能给出一个Token。解码完成后， 就拿到了大模型输出的第一个Token“特别”，如果模型话还没说完，就继续吐出其他Token。

Context

上下文，指大模型每次处理任务时，接收到的全部信息总和。包括用户的历史对话、当前提问、大模型的历史输出、工具列表、System Prompt 等内容，可理解为大模型的临时记忆体。

Context Window

上下文窗口，指 Context 能容纳的最大 Token 数量，决定了大模型单次能处理的文本长度上限。例如Claude Opus 4.6 的 Context Window 可达 100 万 Token。

Prompt

Prompt中文为提示词 ，指用户或系统给大模型下达的具体指令、问题，Prompt 的写法直接决定大模型的输出质量，相关研究领域称为 Prompt Engineering（提示词工程）。

一个好的Prompt应该是具体的，清晰的，明确的。

因为有时候不仅要提问题，还要告诉大模型你是谁，按照什么规则做事，所以引出了两种不同的Prompt。

分为两类：

• User Prompt：用户输入的具体任务、问题，用户可见可修改
• System Prompt：开发者 / 用户在后台设置的大模型人设、做事规则、输出规范，会持续影响大模型的行为，用户默认不可见

比如设计一个辅导机器人，用户在输入问题时不要直接告诉答案，要一步一步引导学生思考。

使用Sytem Prompt设置“你是一位耐心的老师，当用户提问问题时，不要给出答案，要引导用户思考”。用户看不到，但它会一直影响大模型的行为。用户问问题是User Prompt，当大模型看到这两个Prompt之后，不会直接给出答案，而是引导用户思考。如果没有System Prompt，可能大模型会直接给出答案。

RAG

检索增强生成（Retrieval-Augmented Generation），是降低大模型 Token 成本、解决知识过时问题的核心技术。当用户需要大模型基于超长文档（如项目手册、企业知识库）回答问题时，先通过检索算法抽取和用户问题匹配度最高的内容片段，仅将该片段传入大模型，让大模型基于精准片段生成回答，无需传入全量文档。

二、Agent 核心组件术语

Tool

工具，本质是一个可被大模型调用的函数，给入指定参数即可返回对应结果，是大模型感知、影响外部环境的核心能力。完整调用流程：

因为用户，大模型，天气查询工具，没法直接对话，需要平台来做传递信息的工作。

例如：

用户将"今天天气怎么样"发送给平台，平台会把用户的问题转发给大模型，不过发给大模型的并不只有用户问题还有目前可用的工具列表，比如天气查询工具，计算器工具等。大模型收到问题之后会自己分析：用户想要实时天气，但自己没有，就去调用天气查询工具。但大模型没法自己调用工具，它唯一的能力就是输出文本，此时大模型会生成调用天气查询工具的指令。

工具名称和对应的参数

{
"tool":"天气查询",
"参数":{
"城市":"北京",
"日期":"今天"
}
}

这个会发到平台那边去，平台接收到指令之后就会真正地调用这个工具。平台拿到调用结果之后就会返回给大模型，大模型收到整理后输出给平台，平台会转发给用户。用户就可以看到最后的结果。

MCP

平台要把工具列表传给模型，还要能调用工具。

所以，我们首先就得把工具接入到平台里面，这样平台才知道可用工具列表以及每个工具的用途，参数，调用方法等。

模型上下文协议（Model Context Protocol），是一套统一的工具接入标准。解决的核心痛点：不同大模型平台的工具接入规范不同，同一工具需要为不同平台重复开发适配代码；基于 MCP 规范开发一次工具，即可被所有支持 MCP 的平台（Claude、ChatGPT 等）直接使用。

Agent

智能体，指能够自主规划任务、自主调用工具、循环执行直至完成用户目标的系统。核心能力：自主规划、工具调用、反思迭代。

例：用户指令「查今天北京天气，如果下雨，帮我找附近 5 家卖伞的店铺」，Agent 会自主规划步骤，依次调用定位工具、天气工具、地图工具，最终完成任务。

具体为：大模型接收到指令会先去调用定位工具，获取定位工具结果；根据当前定位调用天气工具，获取天气工具结果；根据天气结果调用店铺工具，获取卖雨伞的店的结果，最后汇总给出答案。

目前主流 Agent 产品：Claude Code、Gemini CLI、Codex 等，主流构建模式包括 ReAct、Plan And Execute 等。

Agent Skill

本质是给 Agent 看的说明文档，是可动态加载的自定义 Prompt 规则。标准格式为 Markdown 文档，分为两部分：

详细点说：定义好之后需要存到硬盘指定位置里，比如claude需要放到 /.claude/skills文件夹下，首先需要在这个目录下新建一个文件夹，文件夹名字必须和agent skill的名字相同，进入到新建文件夹后创建SKILL.md，名称必须是这个，内容就填写我们所需要的Agent skill。

—
name: daily-report-cpp
description: 生成C++后端开发专属每日进度日报。自动基于项目上下文，总结当日开发、优化、排错等工作，适配实习/项目汇报场景。
—

# daily-report-cpp

## 格式要求
请严格按照以下 Markdown 格式输出，内容必须基于当前项目上下文（如Oat++后端、Epoll服务器、MySQL数据库等），突出技术细节与产出：

```markdown
# 📅 开发日报（YYYY-MM-DD）
## 💡 今日摘要
（用1-2句话总结今日核心产出，突出技术亮点与项目推进成果）
## 📝 详细变更
### ✨ 新增功能
– [模块名] 详细描述功能实现、技术方案、代码改动（如：Oat++ Controller层 新增学员信息查询接口，完成DTO/Service/DAO全链路开发）
– [模块名] …
### 🐛 问题修复
– [模块名] 详细描述问题根因、修复方案、优化效果（如：Epoll服务器 修复高并发下的线程安全问题，优化后QPS提升30%）
– [模块名] …
### ⚡ 性能优化
– [模块名] 详细描述优化点、技术手段、性能提升数据（如：MySQL DAO层 优化SQL查询语句，新增索引，查询耗时降低40%）
– [模块名] …
## 🎯 明日计划
– 列出明日核心开发任务，按优先级排序
## 📌 遇到的问题&解决方案
– 记录当日遇到的技术难点、排查过程、最终解决方案（可选，用于汇报复盘）

基础概念总结