最近如果你刷技术社区，大概率会刷到"Claude Code"这个词——不是普通的代码补全插件，而是一个号称能"长时间自主干活"的编程助手：给它一个任务，它会自己去读代码、自己规划步骤、自己跑测试，中途很少需要你插手。

这篇先把 Claude Code 的底层逻辑和基础工作流讲清楚；下一篇会进入更硬核的实战场景——并行开发、CI/CD自动化、数据分析重构、设计稿转代码。

Claude Code 是什么

一句话概括：它是一个高度自主（agentic）的编程助手，能够针对一个任务持续工作很长时间，而不是"问一句答一句"。 这和早期"代码补全类"工具的体验区别很大——你更像是在给一个初级工程师安排任务，而不是在用一个高级输入法。

底层架构：它是怎么"理解"你的代码库的

很多人第一反应是："它是不是把我整个代码库都塞进了上下文窗口？" 答案是否定的。Claude Code 用的是一套更轻量的思路：不做全代码库的向量化嵌入，而是通过一小组工具（搜索、列目录、正则匹配）主动地去读代码、理解代码，就像一个新人工程师刚接手项目时会做的事情——先搜索关键词，再顺藤摸瓜看关联文件，而不是要求自己一次性记住整个仓库。

配合这套主动理解机制的，是一份叫 CLAUDE.md 的文件——你可以理解为 Claude 的"项目笔记本"，它会把对代码库的理解、约定和决策依据记录在这里，形成一种持久记忆，而不是每次对话都从零开始摸索。

最佳实践只有一条，但很关键：给它清晰的上下文，明确指向相关文件，而不是丢一句模糊的需求就等结果。这一点和我们之前聊过的 Vibe Coding 上下文工程理念是相通的——AI失败的原因很少是"不够聪明"，而是"没被告知足够的背景信息"。

值得关注的几个 Agentic 特性

• Plan 模式 / Thinking 模式：干活前先规划，而不是拿到需求立刻莽着写代码；
• 并行会话：可以同时开多个独立的 Claude 实例分头处理不同任务；
• 长任务记忆管理：处理多步骤复杂任务时，能持续追踪上下文而不"失忆"；
• MCP 扩展能力：通过 MCP（Model Context Protocol）服务器接入外部工具，比如 Figma、GitHub 等，让 Claude 不止能写代码，还能操作真实的外部系统。

上手第一步：搭建 Agentic 开发环境

以 Linux 环境为例，安装其实只需要三步：

# 1. 安装 Node.js（Claude Code 依赖 npm）
# 2. 全局安装 Claude Code
npm install -g @anthropic-ai/claude-code

# 3. 进入项目根目录，直接启动
claude

Windows 用户要注意环境变量路径问题，建议按照专门的安装指南操作。如果你用 VS Code，在集成终端里直接启动即可自动完成编辑器联动；如果没有自动关联，用命令面板执行 Shell Command: Install 'code' command in PATH 手动装一下。

日常使用时，别忘了用 /cost 命令查看用量消耗——不管你是 Pro/Max 订阅还是按 API 计费，这个命令能帮你随时心里有数。

让 Claude "记住"你的项目：初始化与上下文投喂

拿到一个新项目，标准动作是这几步：

1. 克隆仓库：git clone <你的项目地址>
2. 初始化记忆：进入项目后执行 claude，再输入 /init，会自动生成 CLAUDE.md——这是它之后所有决策的"持久记忆"起点；
3. 验证理解程度：直接问它项目的数据流架构、核心模块关系，看它答得对不对；
4. 精确投喂上下文：用 @文件名 语法，直接把 Claude 的注意力锚定到具体文件上，而不是让它自己满仓库瞎猜。

这一套流程走完，Claude 对项目的理解基本就从"陌生人"变成了"刚交接完的新同事"。

Plan Mode：先审计划，再让它动代码

对于稍微复杂一点的任务，直接让AI"动手就写"风险不小——它可能理解错了需求方向，改到一半才发现南辕北辙。Claude Code 提供了一个很实用的机制：Plan Mode。

操作也很简单：按两次 Shift+Tab，强制 Claude 在写代码之前，先输出一份详细的多步骤计划。你确认这份计划里引用的文件、改动范围、实现思路都合理之后，再让它正式执行。

举个例子，如果要加一个"会话历史"功能，比起直接说"帮我加个历史记录功能"，更好的方式是进入 Plan 模式后说清楚：功能要覆盖哪些页面、依赖哪些现有文件、期望的交互方式是什么。Claude 会给你一份编号清晰的执行计划，你确认无误后再放行——这比出了问题再回头修，效率高得多。

小结

这一篇讲的是 Claude Code 的"地基"：它怎么理解代码库、怎么攒记忆、怎么在正式动手前先对齐计划。这些机制单独看都不复杂，但组合起来，就是它能长时间自主干活而不容易跑偏的原因。

下一篇我们进入实战——测试驱动的调试重构、用 Git Worktree 同时"带"多个AI实例并行开发、打通 GitHub 的 CI/CD 自动化，以及两个真实场景：数据分析 Notebook 重构和 Figma 设计稿直接转代码。