by Boris Cherny
传统 AI 编程往往受限于单点交互，缺乏并行处理能力，难以将碎片化的个人经验转化为团队协作的工程资产。
构建并行化、自动化且具备自我验证能力的协作流。通过共享上下文与工具链，将个人智慧固化为团队的自动化标准。
“给 Claude 一个验证其工作的方法。一旦建立了反馈闭环，最终交付的代码质量将提升两到三倍。”
在终端与网页端同时运行十余个实例，通过 Session 切换与 teleport 命令实现上下文在本地与云端的无缝流转。
全面采用 Opus 4.5 Thinking 模型。虽速度稍慢，但凭借卓越的工具使用能力，实际上大幅减少了人工纠偏的隐性成本。
团队共用 CLAUDE.md 并纳入 Git。遇到错误即刻更新文档，让 AI 的错误经验转化为全员共享的避坑指南。
绝大多数任务始于 Plan Mode。先与 AI 反复推敲生成严密计划，再切换至自动编辑模式，实现代码实现的“一次成功”。
将高频工作流封装为 Slash Commands（如自动提交PR）。利用内联 Bash 预计算状态，减少与模型的无效交互轮次。
部署专用 Subagents 处理特定任务，例如代码简化器或端到端测试员，将复杂的软件工程拆解为流水线作业。
启用 PostToolUse 钩子函数。在代码提交前自动运行格式化工具，解决最后 10% 的合规问题，彻底避免 CI 报错。
通过 MCP 协议深度集成工具链。Claude 可直接操作 Slack 通知、运行 BigQuery 查询或抓取 Sentry 日志，打通数据孤岛。
建立自动化反馈闭环是质量的关键。无论是运行脚本还是浏览器测试，必须让 Claude 具备自我验证产出的能力。