我用 Claude Code 干了 3 个月：从写代码到搭系统，这些技巧让我效率翻倍

我用 Claude Code 干了 3 个月：从写代码到搭系统，这些技巧让我效率翻倍

适合正在用或打算用 Claude Code 的开发者。
本文基于 3 个月的重度使用经验，总结最实用的技巧和最常踩的坑。

背景：Claude Code 是什么

Claude Code 是 Anthropic 推出的 AI 编程工具，和 Cursor、GitHub Copilot 并列为 2026 年三大 AI 编程助手。

但 Claude Code 有一个独特优势：它不只是补全代码，而是能理解整个项目、执行复杂任务、自主调试。

我用它 3 个月，从写单个函数到搭建完整系统，下面是最实用的经验。

技巧 1：用 Plan Mode 先规划再执行

很多人直接让 Claude Code 写代码，结果经常跑偏。正确做法是先让它做规划。

# 直接让它写（容易跑偏）
> 帮我写一个用户认证系统

# 先规划再执行（效果好 10 倍）
> 先帮我规划一下用户认证系统需要哪些模块，列出来我确认后再写

Claude Code 会输出一个结构化的计划：

用户认证系统规划：
1. 数据模型：User 表（id, email, password_hash, created_at）
2. 注册接口：POST /auth/register（邮箱验证、密码加密）
3. 登录接口：POST /auth/login（JWT 生成）
4. 中间件：JWT 验证中间件
5. 密码重置：POST /auth/reset-password

确认后我开始实现。

你确认没问题，它再开始写。省去了大量返工时间。

技巧 2：用 .claude/CLAUDE.md 存项目规范

在项目根目录创建 .claude/CLAUDE.md，告诉 Claude Code 你的项目规范：

# 项目规范

## 技术栈
– Python 3.12 + FastAPI
– PostgreSQL + SQLAlchemy
– pytest 做测试

## 代码规范
– 函数名用 snake_case
– 类名用 PascalCase
– 每个函数必须有 docstring
– 错误处理用自定义异常类

## 目录结构
– src/ – 业务代码
– tests/ – 测试代码
– docs/ – 文档

## 禁止事项
– 不用 print 做日志，用 logging
– 不硬编码配置，用环境变量
– 不跳过错误处理

Claude Code 每次启动都会读这个文件，自动遵守你的规范。

技巧 3：让它先写测试再写代码

TDD（测试驱动开发）+ Claude Code = 效率爆炸。

> 先写一个 calculate_discount(price, discount_rate) 函数的 pytest 测试用例，
> 覆盖正常情况、边界条件（discount=0, discount=1）和异常情况（负数、超过1）。
> 写完测试后我确认，你再写实现代码。

Claude Code 会先输出测试：

def test_calculate_discount_normal():
assert calculate_discount(100, 0.1) == 90

def test_calculate_discount_zero():
assert calculate_discount(100, 0) == 100

def test_calculate_discount_full():
assert calculate_discount(100, 1) == 0

def test_calculate_discount_negative_price():
with pytest.raises(ValueError):
calculate_discount(–100, 0.1)

def test_calculate_discount_over_one():
with pytest.raises(ValueError):
calculate_discount(100, 1.5)

你确认测试没问题，它再写实现代码。代码质量直接提升一个档次。

技巧 4：用 @ 引用文件

Claude Code 支持用 @ 引用项目中的文件，让它理解上下文。

> 参考 @src/models/user.py 的写法，创建一个 @src/models/order.py 的数据模型

它会读取 user.py 的代码风格、字段命名、继承关系，然后用同样的风格写出 order.py。

技巧 5：让它解释代码而不是直接改

看到不理解的代码，先让它解释，再决定要不要改。

> 解释一下 @src/core/auth.py 里 verify_token 函数的逻辑，我确认理解后再优化

这样你能学到东西，也能判断它的优化建议是否合理。

技巧 6：用 Background Agent 做耗时任务

Claude Code 的 Background Agent 可以在后台执行长时间任务，你可以继续做其他事。

> 在后台帮我重构 @src/services/ 目录下所有文件，把 print 语句替换成 logging，
> 完成后通知我

它会在后台跑，完成后通知你。你可以同时做其他事情。

技巧 7：用多轮对话迭代

不要一次给太复杂的任务。分多轮，每轮确认后再继续。

第 1 轮：> 帮我设计数据库 schema
确认后
第 2 轮：> 基于这个 schema 写 API 接口
确认后
第 3 轮：> 给 API 接口写测试
确认后
第 4 轮：> 部署配置（Dockerfile + docker-compose）

每轮确认后再继续，比一次让它写完整个系统质量高 3 倍。

技巧 8：让它做 Code Review

写完代码后，让它审查一遍。

> 审查 @src/api/orders.py，从 bug 风险、安全问题、代码质量三个维度检查，
> 只报告严重问题，不需要报告建议优化

比人工 review 快 100 倍，而且不会漏掉明显问题。

踩坑记录

坑 1：一次给太复杂的任务

症状：让它"写一个完整的电商系统"，输出了 2000 行代码，但到处是 bug。

原因：任务太复杂，AI 的上下文窗口装不下。

解决：拆成小任务，每轮 200-500 行代码。

坑 2：不检查就直接用

症状：Claude Code 写的代码直接 commit，上线后出了 bug。

原因：AI 会犯错，特别是边界条件和并发场景。

解决：每段代码都要 review，特别是错误处理和边界条件。

坑 3：不维护 CLAUDE.md

症状：项目规范改了，但 CLAUDE.md 没更新，Claude Code 还是按旧规范写。

解决：每次改规范同步更新 CLAUDE.md。

坑 4：依赖 Claude Code 的 debug 能力

症状：遇到复杂 bug 就让 Claude Code 修，它修了 5 次都没修好。

原因：AI 对复杂的业务逻辑 bug 理解有限。

解决：简单 bug 让 AI 修，复杂 bug 自己先分析原因，再让 AI 按你的思路改。

坑 5：Token 消耗过快

症状：一天用掉 100K tokens，费用超预期。

原因：每次对话都把整个项目上下文传进去。

解决：只引用相关文件（用 @），不要把整个项目塞给它。

和其他工具对比

选型建议：

• 重度开发、复杂项目 → Claude Code
• 日常编码、代码补全为主 → Cursor
• 预算有限、GitHub 生态 → Copilot

总结

3 条核心经验：

你用 Claude Code 有什么经验？评论区交流。