技术博客 全部文章

Claude Code在大型代码库落地的关键不在模型本身，而在围绕代码库建立可导航、可维护、可治理的配置体系：用分层CLAUDE.md提供上下文，配合hooks、skills、plugins、LSP、MCP和subagents提升检索、执行与分发效率，并由专人或团队持续维护规则和治理；组织若提前建设基础设施、控制上下文噪音、定期更新配置，采用效果和规模化速度显著提升。

多智能体协作应先选最简单可行方案，再按瓶颈演进：质量可显式校验用生成者—验证者，任务可清晰拆分用编排者—子代理，长期并行且相互独立用代理团队，事件驱动且生态扩张用消息总线，需要实时共享发现、避免单点故障用共享状态；关键在于任务依赖、上下文持续性与信息流方式是否匹配。

Anthropic推出Managed Agents，将长时代理拆成会话、编排器和沙箱三层接口并彻底解耦，使组件可独立替换、崩溃恢复和跨环境连接，同时把凭证隔离在沙箱外、将上下文持久化到会话日志而非模型窗口。让安全性、可调试性、扩展性显著提升，首字延迟大幅下降，并能适配未来更强模型与多代理协作。

构建Claude应用的核心不是堆更多控制层，而是持续删减过时假设：优先用其已擅长的通用工具，让模型自己编排动作、管理与持久化上下文，仅在安全、体验、审计边界上保留必要工具与缓存设计；模型能力进化越快，agent harness越应轻量，否则会拖慢性能、抬高成本并限制效果。

Anthropic通过为Claude引入规划、生成、评估多智能体架构，并用可评分标准、QA反馈和长时任务编排替代单智能体自评，显著提升了前端设计质量与端到端应用构建能力；结果是模型能在数小时内自主完成更完整、可用的全栈产品，但代价是更高的成本、时延与系统复杂度，且评估环节仍需随模型能力迭代简化。

Claude Code跨会话记忆分自动记忆与CLAUDE.md体系，启动时加载工作目录向上CLAUDE.md全量及MEMORY.md前200行，子目录内容按需读取且指令越具体优先级越高，用户可用/memory编辑并用设置或环境变量开关，CLAUDE.md支持@导入并可用.claude/rules按路径分模块定规则，使组织团队与个人偏好长期一致且可控。

研究员提出“代理团队”让多实例Claude在无人工干预下并行写代码，借助循环脚手架、任务锁与高质量测试，两周约2000次会话耗2万美元生成10万行Rust C编译器，可编译Linux 6.9并覆盖x86/ARM/RISC-V，验证复杂项目可自主完成但在冲突、性能与可靠性上接近模型极限且存在安全风险。

为解决长时AI代理跨多轮上下文无记忆导致的一次做太多、进度丢失或过早宣告完成，Claude Agent SDK引入初始化代理搭建init.sh、feature_list.json、claude-progress.txt与git基线，后续编码代理按单一功能增量实现、提交记录并用自动化端到端测试后才标记通过，从而提升连续性、可回滚性与交付质量，后续拟探索更专门的多代理分工。

LLM无指导生成网页常陷入Inter字体、紫色渐变等同质化，源于采样时的分布收敛；将排除默认审美并强化排版、主题、动效、背景及多文件React构建等规则封装为按需加载的Skills复用，可在不增加全局上下文负担下显著提升前端品牌辨识度与生成artifact的功能质量。

团队提出提示词工程最佳实践，要求用清晰明确且具体的指令并补充目的与上下文、必要时给示例与格式约束并允许表达不确定以减少幻觉，复杂任务用预填充、链式思考或提示链拆分流程，从而降低反复沟通成本并更稳定产出符合需求的结果。