IT技术博客大学习 共学习 共进步

标签：Claude Code

共 6 篇相关文章

IT 累计浏览 7

了解 Claude Code 的提示词工程

Claude Code 之所以在众多同模型的编程工具中脱颖而出，其关键差异之一在于其内部复杂且经过精心设计的提示词工程。通过截取分析其实际发送的提示词，可以清晰地看到其三层结构：系统层、消息层和工具层。 系统层为Claude Code设定了“Anthropic官方CLI软件工程师”的核心人设，并包含严格的行为准则，例如拒绝破坏性任务。此外，该层为每个项目目录都配置了基于文件的记忆系统，以保存上下文信息。一个值得注意的细节是，Claude Code会在请求头中加入一个动态变化的参数，这使得其他工具若不特殊处理会导致缓存失效。 消息层不仅包含用户的历史对话，还会注入用户安装的所有工具的详细说明。例如，安装hyperframes框架会带来大量特定技能的提示词，显著增加上下文长度。同时，系统会将用户的邮箱、当前日期等信息作为上下文提供给模型。 工具层则定义了模型可调用的具体工具及其使用方法，如鼓励使用子Agent处理复杂任务，以及如何通过提问工具向用户获取澄清信息。该层被巧妙地置于消息层之后，这可能是为了对抗其他模型的缓存机制。整个提示词架构展现了Claude Code如何通过精细的工程设计来引导模型行为、管理上下文并提升任务完成质量。

IT 累计浏览 4

手搓一个 Agent 驱动的项目 Wiki 生成方案

作者在项目文档生成实践中，发现传统RAG方案如deepwiki在处理确定性结构（如目录、接口列表）与不确定性分析（如架构总结、ER图）时存在局限。其核心思路是：将确定性信息（如行号、Proto文件）明确处理，仅将归纳、推理等任务交由LLM，以实现各取所长。然而，deepwiki的独立页面架构难以满足基于已生成内容进行汇总的需求。 为此，作者转向基于Claude Code的方案。该工具采用工具驱动检索机制，通过Read、grep、LSP等确定性工具链精准定位代码，而非依赖向量化索引。这使生成的Wiki内容更准确可控，并可复用为跨项目Skill。尽管需要多轮调试且自动化程度较低，但其在内容质量、尤其是跨文件关联分析上优势明显。文章最终提出互补策略：项目初期用deepwiki快速搭建框架，成熟阶段则用CC方案精细打磨可控的文档体系。

IT 累计浏览 3

Claude Code 从 AWS Bedrock 切换到 Team 订阅指南

当用户需要将Claude Code的认证方式从AWS Bedrock切换至Team订阅时，关键障碍在于Bedrock配置会完全禁用/login与/logout命令，且认证优先级更高，导致订阅认证无法生效。切换的核心是必须彻底清除所有Bedrock相关配置，无论其存储在环境变量还是~/.claude/settings.json文件的env字段中。 具体操作需分步进行：首先检查并识别配置来源，然后删除settings.json中或环境变量里所有如CLAUDE_CODE_USE_BEDROCK、AWS_REGION等专用键值。清理完成后重启Claude Code，此时方可通过浏览器授权登录Team订阅账户。成功切换后，启动界面应显示订阅计划名称而非AWS ARN标识。 需注意，代理设置可能需调整以兼容新端点，且Team计划的用量额度在网页端与客户端共享。本地CLAUDE.md等文件内容不受认证变更影响。理解其认证优先级机制有助于确保订阅凭证正确生效。

IT 累计浏览 0

SmartPerfetto 架构文章 Q&A：8 个深度技术问答

文章深入解析了SmartPerfetto架构的核心设计哲学，重点阐述了其在确定性约束与Agent自主性之间的平衡策略。关键机制在于三层配合：Strategy文件以声明式规则定义分析必须完成的步骤与硬性约束，Planning Gate强制Agent在执行前提交计划以确保规划纪律，而Verifier则在事后对关键分析动作进行多维度检查与纠错。这使得系统对核心分析路径（如滑动卡顿的根因深钻）施加强约束，而在探索性环节保留灵活度。 文章澄清了Agent与Workflow的本质区别，指出决策权分配应因环节而异。SmartPerfetto在数据收集阶段采用类似SOP的确定性策略（Workflow），而在需要因果推理和归纳的归因阶段充分信任LLM的自主能力（Agent）。其最终架构选择基于Claude Agent SDK，并叠加了场景分类、策略注入、验证纠错等自建约束层，而非固定控制流的ReAct或LangGraph。这一选择源于性能分析路径的不可预测性，使LLM能根据运行时数据自主选择分析路径，同时通过约束框架确保分析深度与完整性，定义了由观测能力、约束框架与反馈质量共同决定的Agent能力边界。

IT 累计浏览 3

别再傻等了，给 Claude Code 装个通知铃铛

这篇讲的是作者在使用Claude Code这类AI Agent时发现的一个痛点：任务跑在后台，总忍不住去查看状态，或者错过了需要授权的交互提示，导致效率低下。 他先是试了让LLM在任务完成时播放提示音，但发现这个“软提示”方案极不靠谱——LLM不会100%遵循指令，长对话还会压缩丢掉提示词，什么算“任务完成”也没个准谱。 于是他转向了确定性的“硬触发”方案：利用各平台的Hook机制，开发了`agent-notifier`这个SKILL。它能统一监听Claude Code、Copilot CLI、Cursor等多个平台的事件（如任务空闲、需要授权），然后并发地将通知发送到声音、系统通知、Telegram、邮件等多种渠道。 整个设计很巧妙，纯用Python标准库实现零依赖，拿过来就能用。核心是统一事件模型加并发分发，单个渠道失败也不影响其他。本质上是把通知这个“该确定的事”从不靠谱的LLM手里，交给了确定的Agent脚本去执行，最终实现了可靠的自动提醒。

IT 累计浏览 4

全程用 Claude Code 搓了一个 macOS 原生应用：SkillDeck

文章作者因在多个AI编程助手（Claude Code、Codex、Gemini CLI、Copilot CLI）间切换时面临Skills管理分散、安装更新繁琐的问题，决定利用Claude Code全程辅助开发一款名为SkillDeck的macOS原生应用。该应用提供了统一的图形化界面，核心功能包括：三栏式仪表盘支持搜索与按Agent过滤；集成Skills市场实现一键安装；通过对比tree hash实现更新检测；提供SKILL.md编辑器；以及通过开关控制Skill在不同Agent间的symlink分配，实现一份Skill多处共享。开发过程体现了AI编程辅助跨语言开发的巨大潜力——作者虽无Swift与macOS开发经验，但通过清晰的需求提出、代码测试与问题反馈，借助AI完成了完整应用的开发。文中总结了多项AI编程实践技巧：每个功能在新对话中进行以避免上下文干扰、将AI生成的复杂分析结果保存为文档以节约token、利用`--resume`恢复会话但不宜长期依赖、以及通过`CLAUDE.md`文件设定开发规范（如Git分支策略、测试要求）来约束AI行为。项目已开源，旨在解决多AI代理下Skills生命周期管理的痛点。