rag系列文章目录

---

前言

现在人人都开始使用claude code进行ai coding，但是在大项目中，有时会觉得ai出码的效果没那么好，自己反复调试，也很难达到使用效果，最近claude code出了一个指南，可以参考下。

---

一、大项目的问题

很多开发者第一次使用 AI Coding 时，都会有一种震撼感：

• 写 demo 很快
• CRUD 几分钟完成
• 小工具几乎“秒出”

但一旦进入真正的大型项目，问题就开始出现：

• AI 修改了错误模块
• 引用了废弃代码
• 架构逐渐漂移
• 上下文越来越混乱
• 修改一个功能导致整个系统测试失败
• 多人协作下 AI 输出风格不一致

这也是为什么很多团队会产生一种感觉：

“AI 在小项目很好用，但在企业项目不稳定。”

而 Anthropic 在 Claude Code 官方文章中提出了一个核心观点：

大型项目中的问题，本质不是模型问题，而是工程环境问题。

二、claude code核心能力

Claude Code 的核心能力可以拆分为以下几个部分。

2.1 CLAUDE.md —— 分层长期记忆

这是 Claude Code 最重要的机制。

最好采用分层上下文（Layered Context）

推荐存放内容

根目录建议放：

• 项目整体架构
• 模块导航
• 全局开发规范
• 常见坑点

子目录建议放：

• 局部模块说明
• 子系统约束
• 特殊测试命令
• 特殊依赖关系

2.2 Agentic Search —— 动态代码搜索

Claude Code 并不依赖：“全量 embedding”，而更像：一个真实工程师。

它会：

• grep
• 搜索引用
• 遍历目录
• 跟踪调用链
• 阅读文件

Anthropic 将这种方式称为：Agentic Search

优点：

• 永远读取最新代码
• 不依赖过期索引
• 更适合快速变化的大仓库

2.3 LSP —— 精确代码导航

仅靠文本搜索是不够的。因此 Claude Code 强调：LSP（Language Server Protocol）

LSP 可以提供：

• Go to definition
• Find references
• Symbol navigation
• 类型推导
• 跨文件分析

2.4 Skills —— 按需加载能力

大型项目中：不能把所有知识都塞进上下文。

因此 Claude 提供：Skills，例如：

• security-review
• db-migration
• deployment
• api-design

只有相关任务触发时：才动态加载。

2.5 Hooks —— 自动工程治理

Hooks 是 Claude Code 非常关键的一部分。很多人以为，hook 只是：

• lint
• format
• pre-commit

但 Anthropic 更强调：自动治理。

例如：Stop Hook，任务结束后：

自动：

• 更新项目知识
• 总结经验
• 修复规则
• 写入 CLAUDE.md

即：AI 自己维护 AI 的长期记忆。

2.6 MCP —— 企业系统连接

Claude 本身无法访问：

• 内部平台
• 数据库
• 日志系统
• 运维平台

2.7 Subagents —— 多 Agent 协作

Claude Code 已经开始支持：Subagents（子 Agent）

用于：

• 并行分析
• 分工协作
• 隔离上下文

三、大型项目中的 AI Coding 使用建议

3.1 不要从仓库根目录直接启动

大型项目中：

不要直接：claude .

因为：上下文范围太大。

建议：从子模块启动。

3.2 建立 Codebase Map

大型仓库建议建立：项目导航文档。例如：

/payment -> 支付系统
/risk -> 风控系统
/trade -> 交易系统
/common -> 公共组件

AI 会优先阅读这些说明。这会显著提高导航效率。

3.3 使用分层 CLAUDE.md

不要把所有规则：写进一个超长文件。

3.4 每个模块定义独立测试命令

不要：

npm test

否则 AI 会：

• 跑全量测试
• 输出海量日志
• context 被污染

推荐：

payment/test.sh
risk/test.sh

让测试局部化。

3.5 使用 Ignore 机制

建议忽略：

• build
• dist
• generated
• third-party
• node_modules

否则 AI 会：

• 阅读垃圾文件
• 消耗大量 token
• 降低有效上下文比例

---

总结

Claude Code 在大型项目中的核心思想可以总结为一句话：

AI Coding 的关键，不是模型，而是工程化运行环境（Harness）。

真正决定 AI Coding 成败的因素包括：

• 分层上下文
• 长期记忆
• 动态搜索
• 工程治理
• 企业系统集成
• 多 Agent 协作

未来的大型项目开发模式，很可能会逐渐演化为：

“AI Native Software Engineering Platform”

其中：

• CLAUDE.md 提供长期记忆
• Skills 提供专家能力
• Hooks 提供自动治理
• MCP 提供企业连接
• LSP 提供精确导航
• Subagents 提供协同开发

而开发者的角色，也会逐渐从：“亲自写每一行代码”

转变为：“设计、约束、调度 AI 工程系统”。

参考文章