Claude Code 创始人首次公开了个人工作流，分享13个实用技巧。这些方法颠覆了常规认知，通过并行实例、共享知识库和验证闭环等策略，将 Claude Code 的效能提升至全新水平，为开发者提供了极具价值的效率优化蓝图。
智能速览
并行使用本地终端、网页和移动端的多个实例以提升效率。
始终选用带有“思考过程”的 Opus 4.5 模型以获得最佳效率。
团队共享一个 CLAUDE.md 文件，持续更新以校准 AI 行为。
所有任务都以“计划模式”开始，确保方向正确再执行。
利用斜杠命令和子智能体将重复性工作流自动化。
为 AI 提供验证工作的方法，这是提升结果质量的关键。
精华内容
要真正驾驭 Claude Code，并非依赖复杂配置，而是建立一套高效的工作哲学。以下将从并行处理、知识共享到自动化闭环，拆解其核心方法论。
并行协作
创始人 Boris 的日常操作是并行运行多个 Claude 实例。在终端开启 5 个编号的本地实例，并利用系统通知来响应交互需求。同时，还会在网页端运行 5-10 个会话，通过 & 或 --teleport 命令与本地实例无缝切换。这种多线程工作流将等待时间降至最低，最大化了单位时间内的产出。
核心配置
在模型选择上，Boris 坚定地使用带有“思考过程”的 Opus 4.5。尽管它比 Sonnet 更慢，但其更强的工具使用能力和更高听从引导的特性，使得整体效率反而更高。
团队层面，他们共享一个名为 CLAUDE.md 的文件并提交到 git 仓库。每当发现 Claude 做错或理解有偏差时，团队成员就会更新这个文件，相当于为整个团队共享一个持续进化的“大脑”，确保 AI 在团队语境下表现更稳定。
流程自动化
针对重复性任务，大量使用斜杠命令。例如，一个 /commit-push-pr 命令通过内联 bash 预计算信息，将繁琐的提交推送流程自动化，每天使用数十次。
此外，还创建了 code-simplifier 和 verify-app 等子智能体，用于固化常见工作流。团队还利用 PostToolUse 钩子自动格式化代码，避免在 CI 阶段报错，以及通过 MCP 服务器让 Claude 直接与 Slack、BigQuery 等外部工具交互，实现端到端的自动化。
验证闭环
Boris 强调，给 Claude 一个验证工作的方法是产出高质量结果最重要的一环。一个有效的反馈闭环能让最终结果质量提升 2-3 倍。
具体做法是，让 Claude 使用 Chrome 扩展程序测试网页端的每一次改动，它会自行打开浏览器、测试 UI 并迭代直至代码运行正常。对于后端，验证方式可以是运行一个 bash 命令或一套测试集。投入精力构建这个验证环节，是确保 AI 输出稳定可靠的核心。
Boris 的技巧揭示了一个核心理念：真正的效率源于系统化思考而非零散操作。通过构建并行、共享与自动化的工作流，并建立强大的验证闭环， Claude Code 的潜力被彻底释放。你的工作流，准备好升级了吗？
