Claude 使用技巧

Claude 使用技巧

目录

一、Claude Code CLI 实用技巧

1.1 CLAUDE.md 项目指令文件

在项目根目录放置 CLAUDE.md，Claude Code 每次启动都会自动加载，等效于项目级的 system prompt：

1
2
3
4
5
# CLAUDE.md
- 本项目使用 pnpm，不要用 npm
- 代码风格：2 空格缩进，单引号
- 测试命令：pnpm test
- 提交信息格式：conventional commits

技巧：可分层放置 —— ~/.claude/CLAUDE.md（全局）、项目根目录（项目级）、子目录（模块级），越深层级优先级越高。

1.2 权限与自动批准

减少权限弹窗的两种方式：

  • 命令行参数：claude --dangerously-skip-permissions（不推荐日常使用）
  • settings.json 配置：在 .claude/settings.json 中添加允许列表
1
2
3
4
5
6
7
8
9
{
  "permissions": {
    "allow": [
      "Bash(git log*)",
      "Bash(npm test*)",
      "Bash(npx hexo *)"
    ]
  }
}

1.3 Hooks 自动化

Hooks 可在特定事件前后自动执行脚本：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
{
  "hooks": {
    "PostToolUse": [
      {
        "matcher": "Edit|Write",
        "command": "npx eslint --fix $FILE_PATH"
      }
    ],
    "PreCommit": [
      {
        "command": "npm run lint"
      }
    ]
  }
}

可用事件：PreToolUse、PostToolUse、Notification、PreCommit、Stop

1.4 上下文管理

  • /compact — 手动压缩上下文，防止上下文溢出
  • /clear — 清空对话历史，从头开始
  • /cost — 查看当前会话 token 用量
  • 上下文过长时 Claude 会自动压缩，但主动 /compact 更可控

1.5 常用斜杠命令

命令作用
/help查看所有命令
/init生成 CLAUDE.md
/review代码审查
/memory查看持久记忆
/fast切换快速模式（Opus 加速输出）
/model切换模型

1.6 管道输入与非交互模式

1
2
3
4
5
6
7
8
# 管道输入
echo "解释这段代码" | claude

# 非交互模式，适合脚本
claude -p "给这个项目写单元测试"

# 结合 git
git diff | claude -p "审查这些变更"

1.7 Worktree 隔离开发

用 worktree 在隔离环境中工作，不影响主分支：

1
> 请在 worktree 中实现这个功能

或手动：git worktree add .claude/worktrees/feature-x

二、对话与提示工程技巧

2.1 结构化提示：角色 + 任务 + 约束

1
2
3
4
5
你是一位资深 Rust 工程师。
请为以下 HTTP handler 编写集成测试：
- 必须覆盖 200、400、500 三种状态码
- 使用 tokio::test 宏
- 不要 mock 数据库，用 test container

要点：明确角色设定让输出更专业；约束条件用列表形式比自然语言更不易遗漏。

2.2 XML 标签分隔内容

Claude 对 XML 标签的解析非常准确，适合在 prompt 中分隔不同类型的内容：

1
2
3
4
5
6
7
8
9
10
11
12
<rules>
- 响应必须为 JSON 格式
- 不包含任何解释性文字
</rules>

<example>
{"name": "foo", "type": "bar"}
</example>

<input_data>
[实际数据]
</input_data>

2.3 少样本示例（Few-shot）

给出 2-3 个示例比长篇描述更有效：

1
2
3
4
5
6
将自然语言转为 SQL：

示例1: "找年龄大于30的用户" → SELECT * FROM users WHERE age > 30;
示例2: "统计每个部门的平均工资" → SELECT dept, AVG(salary) FROM employees GROUP BY dept;

现在转换: "查出最近7天注册的用户数量"

2.4 思维链（Chain of Thought）

让 Claude 先思考再回答，显著提升推理质量：

1
2
请一步步分析以下代码的性能瓶颈，然后给出优化方案。
不要直接给答案，先列出你的推理过程。

或使用 <thinking> 标签触发扩展思考（API 中启用 thinking 参数）。

2.5 迭代式对话

不要试图一次得到完美结果，而是分轮迭代：

  1. 第一轮：给出需求和约束，获取初版
  2. 第二轮：指出问题，要求修改（”代码可以工作，但错误处理不够，请加强”）
  3. 第三轮：聚焦细节（”第 42 行的锁粒度太粗，请优化”）

2.6 让 Claude 自我审查

1
2
3
4
5
请审查你刚才写的代码，检查以下方面：
1. 是否有边界条件遗漏
2. 是否有线程安全问题
3. 是否符合项目的编码规范
列出发现的问题并修复。

2.7 预填充助手回复（API）

通过预填充 assistant 消息的开头，强制 Claude 以特定格式输出：

1
2
3
4
5
6
7
message = client.messages.create(
    model="claude-sonnet-4-6",
    messages=[
        {"role": "user", "content": "列出三种排序算法"},
        {"role": "assistant", "content": "```json\n{"}  # 强制 JSON 输出
    ]
)

三、Claude API 高级用法

3.1 Prompt Caching 省钱提速

对重复使用的长 system prompt 和上下文启用缓存，可降低 90% 的输入 token 费用：

1
2
3
4
5
6
7
8
9
10
11
message = client.messages.create(
    model="claude-sonnet-4-6",
    system=[
        {
            "type": "text",
            "text": very_long_system_prompt,  # 超过 1024 token 才会缓存
            "cache_control": {"type": "ephemeral"}  # 标记缓存点
        }
    ],
    messages=[...]
)

要点：

  • 缓存 TTL 为 5 分钟，命中时输入价格降至 1/10
  • 适合长 system prompt、知识库注入、工具定义等场景
  • 缓存断点用 cache_control 标记，最多 4 个

3.2 Extended Thinking 模式

对于复杂推理任务，启用扩展思考获得更深入的分析：

1
2
3
4
5
6
7
8
message = client.messages.create(
    model="claude-sonnet-4-6",
    thinking={
        "type": "enabled",
        "budget_tokens": 10000  # 分配给思考的 token 预算
    },
    messages=[...]
)

适用场景：数学推理、代码架构设计、复杂逻辑判断。不适用：简单问答、格式转换。

3.3 Tool Use（函数调用）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
tools = [
    {
        "name": "get_weather",
        "description": "获取指定城市的天气",
        "input_schema": {
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "城市名"}
            },
            "required": ["city"]
        }
    }
]

response = client.messages.create(
    model="claude-sonnet-4-6",
    tools=tools,
    messages=[{"role": "user", "content": "北京今天天气怎么样"}]
)

# Claude 返回 tool_use block，你执行后把结果返回
if response.stop_reason == "tool_use":
    tool_result = get_weather("北京")
    # 继续对话...

3.4 Batch API 批量处理

适合大规模异步任务（如批量分类、翻译），价格降低 50%：

1
2
3
4
5
6
7
8
9
10
11
12
batch = client.messages.batches.create(
    requests=[
        {
            "custom_id": "req-1",
            "params": {
                "model": "claude-sonnet-4-6",
                "max_tokens": 1024,
                "messages": [{"role": "user", "content": "..."}]
            }
        }
    ]
)

3.5 流式输出

1
2
3
4
5
6
with client.messages.stream(
    model="claude-sonnet-4-6",
    messages=[{"role": "user", "content": "讲个故事"}]
) as stream:
    for text in stream.text_stream:
        print(text, end="", flush=True)

四、MCP 服务器与工具集成

4.1 什么是 MCP

Model Context Protocol（MCP）是 Anthropic 推出的开放协议，让 AI 模型通过标准化接口连接外部工具和数据源。类似 USB-C 之于外设——统一接口，即插即用。

4.2 配置 MCP 服务器

在 .claude/settings.json 中添加：

1
2
3
4
5
6
7
8
9
10
11
12
{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstreamapi/context7-mcp"]
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-filesystem", "/path/to/dir"]
    }
  }
}

4.3 常用 MCP 服务器

服务器用途
@anthropic/mcp-filesystem文件系统读写
@upstreamapi/context7-mcp查询最新库文档
@modelcontextprotocol/server-githubGitHub 操作
@anthropic/mcp-sqliteSQLite 数据库交互

4.4 自定义 MCP 服务器

用 TypeScript 快速搭建：

1
2
3
4
5
6
7
8
9
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { z } from "zod";

const server = new McpServer({ name: "my-tool", version: "1.0.0" });

server.tool("search_docs", { query: z.string() }, async ({ query }) => {
  const results = await searchDocumentation(query);
  return { content: [{ type: "text", text: JSON.stringify(results) }] };
});

五、常见误区与避坑指南

5.1 误区：一次性写完美提示

正确做法：先给基本需求，看输出后迭代调整。对话式优化 > 一次性完美提示。

5.2 误区：忽略上下文窗口限制

Claude Code 上下文窗口约 200K token，但实际有效工作上下文远小于此。每过一段时间执行 /compact，或在长对话中主动总结。

5.3 误区：不使用 Tool Use 而用正则解析输出

正确做法：API 调用时始终使用 tools 参数，而非让 Claude 输出特定格式后自己解析。Tool Use 的结构化输出比文本解析可靠得多。

5.4 误区：System Prompt 里写太多规则

System prompt 越长，Claude 遵循每条规则的概率越低。保持在 10 条以内，最关键的规则放最前面。

5.5 误区：在 API 中频繁开启新对话

正确做法：利用 Prompt Caching + 多轮对话，复用缓存上下文，减少 token 消耗和延迟。

5.6 误区：忽略 Claude Code 的记忆系统

正确做法：用 /memory 或让 Claude 自动保存关键信息（项目架构、用户偏好、踩过的坑），下次对话自动加载。

面试加分点：回答 AI 工具使用问题时，除了罗列技巧，更要讲为什么这样有效——例如 Prompt Caching 背后是 KV Cache 复用，Extended Thinking 对应 Chain-of-Thought 的显式化，Tool Use 本质是结构化输出约束。