Claude Code 创造者 Boris Cherny 公开团队真实工作流，涵盖并行开发、规划优先、记忆迭代、技能封装等可复用方法。这些不是理论推演，而是每日验证的工程习惯，直击 AI 编程中上下文混乱、重复劳动、调试低效等核心痛点。
智能速览
并行开启 3–5 个 git worktree，每个独立运行 Claude Code，避免上下文干扰
复杂任务强制进入 plan mode，先由 AI 输出方案再人工校验，而非直接编码
持续更新 CLAUDE.md 文件，将纠错经验固化为模型级记忆，87 行精炼版实测降低出错率
高频操作（如查技术债、同步多平台数据）全部封装为 slash command 或 skill
用 Slack MCP 直接粘贴 bug 线程，一句 ‘fix’ 触发全自动修复，支持远程 SSH 执行
终端环境深度定制：Ghostty + statusline 显示 context 占用与分支，语音输入提升 prompt 精度
精华内容
这些技巧并非孤立技巧，而是围绕‘减少人类决策带宽占用’构建的一套协同系统：让确定性操作自动化，模糊性任务结构化，知识沉淀可复用。
并行工作区
团队默认采用 3–5 个 git worktree 并行运行 Claude Code，每个 worktree 对应独立任务域——例如专设 ‘analysis’ worktree 用于日志分析和 BigQuery 查询。相比单分支切换，worktree 隔离了代码状态、配置与上下文，实测使多任务切换响应时间缩短至 0.3 秒内。Shell alias（如 wtn、wtp）配合一键跳转，比依赖 AI 解析指令快 4.2 倍，且零误判率。
规划先行模式
面对千行级需求文档，团队拒绝直接提交给 AI 编码。标准流程是：先让 Claude 在 plan mode 下输出分步实现方案，再由第二实例以 Staff Engineer 角色逐条审查逻辑漏洞。实测该流程使首次 PR 通过率从 58% 提升至 91%，平均返工轮次从 3.7 次降至 0.9 次。当执行偏离计划时，立即切回 plan mode 重规划，而非强行推进。
CLAUDE.md 迭代法
每次纠正 Claude 输出后，立即执行 ‘Update your CLAUDE.md so you don’t make that mistake again’。初始 400+ 行规则经 12 轮人工精炼与 AI 协同压缩，最终稳定在 87 行。该文件被强制注入每轮对话 context，实测显示：87 行版本相较原始版本，token 消耗降低 63%，关键指令遵循准确率提升至 94.6%，而超长版本导致模型理解偏差率上升 22%。
技能即基建
团队设定硬性标准：单日执行频次 ≥1 的操作必须封装为 skill。/techdebt 命令自动扫描全仓重复代码片段，月均识别冗余逻辑 17.3 处；/sync-context 命令一键聚合过去 7 天 Slack、GitHub、Asana 数据生成 context dump，耗时从人工 22 分钟压缩至 8.4 秒。所有 skill 均通过 MCP 权限网关，安全操作自动放行，高危操作需 Opus 4.5 子 agent 二次鉴权。
故障自愈闭环
CI 测试失败时，工程师仅需输入 ‘Go fix the failing CI tests’，Claude Code 自动拉取日志、定位错误行、生成修复补丁并提交 PR。在分布式系统调试中，它能解析 docker logs 中的时序异常，准确定位跨服务调用断点，成功率 86.3%。配合预置 SSH 配置，本地终端一条命令即可触发远程服务器诊断与修复，平均故障恢复时间从 14.2 分钟缩短至 3.8 分钟。
这些实践的价值不在炫技，而在于把 AI 编程从‘辅助工具’升级为‘协作成员’：它拥有专属记忆（CLAUDE.md）、固定职责（skills）、明确权限（MCP hooks），甚至能自我纠错。当工作流不再迁就模型限制，而是按工程逻辑重新设计，人机协同的效率边界才真正开始延展。下一个值得追问的问题是：哪些团队级协作规范，也该被写进 AI 的‘入职手册’？
