untitled
1. 维护 CLAUDE.md 文件
建议为不同子目录（如测试、前端、后端）分别维护 CLAUDE[.]md，记录指令和上下文，便于 Claude 理解项目背景
2. 善用内置命令
▫ Plan mode（shift+tab）：提升任务完成度和可靠性
▫ Verbose mode（CTRL+R）：查看 Claude 当前的全部上下文
▫ Bash mode（! 前缀）：运行命令并将输出作为上下文
▫ Escape 键：中断或回溯对话历史
3. 并行运行多个实例
前后端可分别用不同实例开发，提高效率，但复杂项目建议只用一个实例以减少环境配置麻烦
4. 使用子代理（subagents）
让多个子代理从不同角度解决问题，主代理负责整合和比较结果
5. 利用视觉输入
支持拖拽截图，Claude Code 能理解视觉信息，适合调试 UI 或复现设计
6. 优先选择 Claude 4 Opus
高级订阅用户建议优先用 Opus，体验和能力更强
7. 自定义项目专属 slash 命令
在. claude/commands 目录下编写常用任务、项目初始化、迁移等命令，提升自动化和复用性
8. 使用 Extended Thinking
输入 think`、think harder 或 ultrathink，让 Claude 分配更多 “思考预算”，适合复杂任务。
9. 文档化一切
让 Claude 记录思路、任务、设计等到中间文档，便于后续追溯和上下文补充
10. 频繁使用 Git 进行版本控制
Claude 可帮写 commit message，AI 辅助开发时更要重视版本管理
11. 优化工作流
▫ 用 –resume 继续会话，保持上下文
▫ 用 MCP 服务器或自建工具管理上下文
▫ 用 GitHub CLI 获取上下文而非 fetch 工具
▫ 用 ccusage 监控用量
12. 追求快速反馈循环
给模型提供验证机制，减少 “奖励劫持”（AI 取巧而非真正解决问题）
13. 集成到 IDE
体验更像 “结对编程”，Claude 可直接与 IDE 工具交互
14. 消息排队
Claude 处理任务时可继续发送消息，排队等待处理
15. 注意会话压缩与上下文长度
合理压缩对话，避免丢失重要上下文，建议在自然停顿点进行
16. 自定义 PR 模板
不要用默认模板，针对项目定制更合适的 PR（pull request) 模板
# Skills 功能解析：Skills 与 prompts、Projects、MCP 和 subagents 的比较
理解你的 agent 构建组件
什么是 Skills？
Skills 是包含指令、脚本和资源的文件夹，当与任务相关时，Claude 会动态发现和加载它们。可以将其视为专门化的训练手册，为 Claude 提供特定领域的专业知识——从处理 Excel 电子表格到遵循您组织的品牌指南。
Skills 的工作原理： 当 Claude 遇到任务时，它会扫描可用的 Skills 以找到相关匹配。Skills 使用渐进式披露：元数据首先加载（约 100 tokens），为 Claude 提供足够的信息来了解 Skill 何时相关。完整指令在需要时加载（少于 5k tokens），捆绑文件或脚本仅在需要时加载。
何时使用 Skills： 当您需要 Claude 一致且高效地执行专门任务时，选择 Skills。它们非常适合：
- 组织工作流： 品牌指南、合规程序、文档模板
- 领域专业知识： Excel 公式、PDF 操作、数据分析
- 个人偏好： 笔记系统、编码模式、研究方法
示例： 创建一个品牌指南 Skill，包括您公司的调色板、排版规则和布局规范。当 Claude 创建演示文稿或文档时，它会自动应用这些标准，而无需您每次都进行解释。
什么是 prompts？
Prompts 是您在对话中用自然语言向 Claude 提供的指令。它们是短暂的、对话式的和反应性的——您在当下提供背景和方向。
何时使用 prompts： 将 prompts 用于：
- 一次性请求：“总结这篇文章”
- 对话式优化：“让语气更专业”
- 即时背景：“分析这些数据并识别趋势”
- 临时指令：“将其格式化为项目符号列表”
何时使用 Skill 代替： 如果您发现自己反复输入相同的 prompt，那么是时候创建一个 Skill 了。将重复出现的指令如”使用 OWASP 标准审查此代码的安全漏洞”或”用执行摘要、关键发现和建议格式化此分析”转换为 Skills。
什么是 Projects？
在所有付费 Claude 计划中都可用，Projects 是具有自己聊天历史和知识库的自包含工作空间。每个项目包括一个 200K 上下文窗口，您可以在其中上传文档、提供背景信息，并设置适用于该项目内所有对话的自定义指令。
Projects 的工作原理： 您上传到项目知识库的所有内容都会在该项目的所有聊天中变得可用。Claude 自动使用此背景信息提供更明智、更相关的回应。当您的项目知识接近上下文限制时，Claude 无缝启用检索增强生成（RAG）模式，将容量扩展最多 10 倍。
何时使用 Projects： 当您需要以下情况时选择 Projects：
- 持久上下文： 应该为每次对话提供信息的背景知识
- 工作空间组织： 为不同倡议分离上下文
- 团队协作： 共享知识和对话历史
- 自定义指令： 项目特定的语气、观点或方法
示例： 创建一个包含市场研究、竞争对手分析和产品规格的”Q4 产品发布”项目。此项目中的每次聊天都可以访问这些知识，而无需您重新上传或重新解释背景。
什么是 subagents？
Subagents 是具有自己上下文窗口、自定义系统提示和特定工具权限的专业化 AI 助手。在 Claude Code 和 Claude Agent SDK 中可用，subagents 独立处理离散任务并将结果返回给主 agent。
Subagents 的工作原理： 每个 subagent 都以自己的配置运行——您定义它做什么、如何处理问题以及可以访问哪些工具。Claude 根据其描述自动将任务委托给适当的 subagents，或者您可以明确请求特定的 subagent。
何时使用 subagents： 将 subagents 用于：
- 任务专业化： 代码审查、测试生成、安全审计
- 上下文管理： 保持主对话专注，同时卸载专门工作
- 并行处理： 多个 subagents 可以同时处理不同方面
- 工具限制： 将特定 subagents 限制为安全操作
示例： 创建一个代码审查器 subagent，可以访问 Read、Grep 和 Glob 工具，但不能访问 Write 或 Edit。当您修改代码时，Claude 自动委托给此 subagent 进行质量和安全审查，而不会面临意外代码更改的风险。
什么是 MCP？
模型上下文协议（MCP）是一个开放标准，用于将 AI 助手连接到数据所在的外部系统——内容存储库、业务工具、数据库和开发环境。
MCP 的工作原理： MCP 提供了一种标准化方式将 Claude 连接到您的工具和数据源。您不是为每个数据源构建自定义集成，而是构建单一协议。MCP 服务器暴露数据和功能；MCP 客户端（如 Claude）连接到这些服务器。
何时使用 MCP： 当您需要 Claude 执行以下操作时选择 MCP：
- 访问外部数据： Google Drive、Slack、GitHub、数据库
- 使用业务工具： CRM 系统、项目管理平台
- 连接到开发环境： 本地文件、IDE、版本控制
- 与自定义系统集成： 您的专有工具和数据源
示例： 通过 MCP 将 Claude 连接到您公司的 Google Drive。现在 Claude 可以搜索文档、读取文件并参考内部知识，无需手动上传——连接会自动持久化和更新。
它们如何协同工作
真正的力量来自于将这些构建块结合起来。每个都有不同的用途，它们共同创建复杂的 agent 工作流。
比较：选择合适的工具
| 功能 | Skills | Prompts | Projects | Subagents | MCP |
|---|---|---|---|---|---|
| 提供什么 | 程序性知识 | 即时指令 | 背景知识 | 任务委托 | 工具连接 |
| 持久性 | 跨对话 | 单次对话 | 项目内 | 跨会话 | 持续连接 |
| 包含内容 | 指令 + 代码 + 资产 | 自然语言 | 文档 + 上下文 | 完整 agent 逻辑 | 工具定义 |
| 加载时机 | 动态，按需 | 每轮对话 | 项目中始终 | 调用时 | 始终可用 |
| 可包含代码 | 是 | 否 | 否 | 是 | 是 |
| 最适合 | 专门化专业知识 | 快速请求 | 集中化上下文 | 专门化任务 | 数据访问 |
示例 agent 工作流：研究 agent
让我们构建一个结合多个构建块的综合研究 agent。这个示例展示如何组装和激活一个用于竞争分析的 agent。
步骤 1：设置您的 Project
创建一个”竞争情报”项目并上传行业报告、市场分析、竞争对手产品文档、客户反馈和之前的研究摘要。
步骤 2：通过 MCP 连接数据源
为 Google Drive、GitHub 和网络搜索启用 MCP 服务器。
步骤 3：创建专门的 Skills
创建一个包含您公司导航策略和搜索最佳实践的”竞争分析”skill。
步骤 4：配置 subagents
为市场研究和技术分析创建具有特定工具和专业知识的专门化 subagents。
步骤 5：激活您的研究 agent
现在当您向 Claude 请求竞争分析时，它会从多个数据源获取信息，遵循您的分析框架，利用专门化专业知识，并在整个研究项目中保持上下文。