Claude Code 实战技巧：从 Prompt 范式转变说起

先说一个亲身经历的案例：同样一个AI编程工具，团队里两位工程师用出来的产出质量天差地别。一个还在写"请帮我实现一个用户登录功能"，另一位已经开始在prompt里嵌入类型定义和测试框架了。这背后的差异，其实折射出AI编程正在经历一场范式转变——从Prompt工程走向Agent原生交互。

Claude Code是Anthropic推出的终端AI编程工具，跟Cursor、Copilot最大的不同是，它直接在命令行里干活，读写文件、执行命令、管理git仓库，都很顺手。过去半年，我用它重构了三个中型项目，踩了不少坑，也慢慢摸索出一些真正管用的用法。

核心转变：别再写"指令"，写"上下文"

传统的Prompt工程，核心逻辑是"告诉AI怎么做"；而Agent原生交互，核心是"让AI理解它面对的是什么"。

以前那种写法：

请帮我修复这个 bug

现在应该这样写：

当前目录是 /src/core，我遇到了一个 NPE，堆栈在 worker.go:145。这个方法的预期行为是：当队列为空时返回空切片而非 nil。请阅读 worker.go 文件，定位问题并修复。

区别很明显吧？后者提供了工作目录、问题现象、预期行为、具体文件路径。Claude Code不需要猜上下文，直接就能进入解决问题阶段。

实际项目中，我习惯在prompt开头固定放一段"上下文声明"：

项目：微服务网关语言：Go 1.22框架：gin + redis当前文件：middleware/ratelimit.go问题：令牌桶算法在高并发下漏桶预期：每个 IP 的请求间隔至少 100ms

这么一搞，Claude Code的回复准确率直接从40%跳到了80%以上。

实战技巧一：用 / 命令管理对话状态

Claude Code内置了一堆 / 命令，很多人只认得 /help。但真正好用的其实是这几个：

：清空对话历史。当Claude开始重复之前的错误推理时，直接清空重来，比继续纠正效率高得多。平均每3-5轮对话用一次刚刚好。

：压缩上下文。对话长了之后token消耗大，用这个命令让Claude自动总结关键信息，保持上下文新鲜度。

：让Claude审查当前文件的变更。每次提交前跑一遍，能揪出不少遗漏的边界情况。

：初始化项目时用。Claude会扫描项目结构，生成一份"项目理解文档"，后续对话直接基于这个理解，不用每次都重复上下文。

实战技巧二：分阶段 prompt 策略

不写一个长prompt让Claude一次性做完，而是拆成三个阶段：

请阅读 src/ 目录下的所有文件，列出当前项目的模块划分和依赖关系。重点关注 database/ 和 api/ 这两个目录。

基于上面的分析，我需要重构用户认证模块。当前问题是 JWT 过期后没有刷新机制。请给出 2-3 种实现方案，对比优缺点。

我选择方案二（双 Token 机制）。请按以下步骤实现：1. 在 auth/ 目录下创建 refresh_token.go2. 修改 middleware/auth.go 添加刷新逻辑3. 更新路由注册每完成一步请确认。

这么拆，每个阶段Claude的上下文都很干净，不会因为长对话而"失忆"。而且，如果方案不合理，第二阶段就能及时纠正，不用等全部代码写完才发现方向错了。

实战技巧三：测试驱动 prompt

Claude Code写代码时经常漏掉边界情况，所以现在强制在prompt里先写测试：

请先写单元测试，再实现功能。测试文件放在 auth_test.go，覆盖以下场景：- 正常登录- 密码错误- 账号被锁定- Token 过期- 并发登录

Claude会先生成测试桩，然后写实现让测试通过。这样产出的代码质量明显更高，测试覆盖率也自动上来了。

有一次让Claude实现一个限流中间件，它先写了测试，测试里包含了一个我没想到的场景——当Redis连接超时时的降级策略。这个测试帮我堵住了一个生产环境的潜在bug。

实战技巧四：用 git 做安全网

Claude Code可以直接执行git命令，把它当作"安全网"来用：

请先 git stash 当前未提交的改动。然后创建一个新分支 feature/rate-limit。实现完成后 git commit，并 push 到远程。

这样即使Claude写错了，切回主分支就恢复原样。每次prompt开始前，先让Claude确认当前git状态：

请检查 git status，确认没有未提交的改动。如果有，先 stash。然后开始下面的任务。

踩坑记录：别让 Claude 改它不该改的

有一次让Claude优化数据库查询性能，它发现ORM生成的SQL效率低，直接改了模型层的字段类型。结果导致数据迁移脚本全部失效。

所以，一个重要的原则是：必须给Claude划定明确的边界。

请优化 user_repository.go 中的查询方法。注意：不允许修改：- 数据库表结构- 模型定义- 其他 repository 文件你只能修改 user_repository.go 中的查询逻辑。

边界声明让Claude的改动范围可控，避免"好心办坏事"。

效果数据

经过三个月实践，整理了一些数据：

指标	传统 Prompt	Agent 原生交互
一次通过率	35%	72%
平均对话轮数	8.2	3.5
代码质量评分	6.5/10	8.3/10
调试时间	45 分钟	18 分钟

数据来自同一个项目的三个模块重构，样本量不大但趋势很明显。

真正值得投入的方向

与其花时间琢磨prompt的精妙措辞，不如把精力放在怎么让AI理解你的项目和意图。Claude Code的优势不在于它有多强的推理能力，而在于它能直接操作你的代码库。当你把它当作一个能读写文件、执行命令的工程师，而不是一个问答机器人时，产出效率才会真正提升。

不是Prompt工程不重要，而是Agent时代的Prompt工程不再是"写指令"，而是"搭上下文"。上下文越完整，AI的理解越准确，产出的代码越接近你的预期。这比任何花哨的prompt模板都管用。

踩过的坑是花太多时间研究prompt格式和措辞，其实效果远不如把项目的目录结构、接口定义、测试用例一起喂给Claude。回头看，Agent编程的本质不是提示词的技巧比拼，而是工程师对系统的理解深度——你能把多精确的上下文构建出来，Claude就能回报多高质量的输出。这才是值得投入的方向。