Claude Code 创始人 Boris Cherny 分享了其在 Anthropic 内部使用的高效工作流。这套流程通过独特的多会话管理、计划先行与自动化验证闭环，显著提升了开发效率与代码质量，让团队能更专注于核心的代码评审与战略决策。它为开发者提供了一个系统化应用 AI 助手的实践范本。
智能速览
创始人采用 Plan 模式与自动编辑模式结合的核心工作流。
每个会话通过独立的 Git checkout 来避免冲突。
优先使用 /permissions 管理安全，而非危险权限开关。
通过斜杠命令如 /commit-push-pr 实现高度自动化。
利用 CLAUDE.md 文件沉淀知识，持续迭代优化。
严格的反馈验证机制可将工作质量提升 2-3 倍。
精华内容
深入了解这套工作流的具体实现，其核心在于系统化的规划、明确的工具链和严格的验证反馈机制，三者共同构建了高效开发的基石。
工作流基石
Cherny 的工作流基础是在本地终端和云端同时运行多个会话。为避免冲突，每个会话都使用独立的 git checkout，而非共享分支。模型选择上，他更偏好质量与可靠性更高的 Opus 4.5 (配合 thinking 模式)，尽管速度略慢，但其在工具使用上的优势使其总体效率超越更小的模型。
计划先行
核心流程始于“Plan”模式。在编写代码前，Cherny 会先与 Claude 协商制定详细计划，并反复迭代直至满意。只有当计划足够完善时，才会切换到自动接受编辑模式，通常一次即可完成整个任务。这种“计划先行”的策略是确保单次执行成功的关键。
自动化提效
日常工作中，大量操作通过斜杠命令自动化。所有自定义命令都保存在 `.claude/commands/` 目录中，例如 `/commit-push-pr` 命令通过内联 Bash 预先计算 git 状态，显著减少了模型间的交互次数，让流程更快捷、高效。
安全与质量
在安全方面，坚持使用 `/permissions` 开放必要且安全的命令，而非频繁使用 `–dangerously-skip-permissions`。更重要的是，他建立了严格的反馈验证机制，通过运行测试、在浏览器中检查 UI 等方式来确保产出质量，这一循环可将最终结果的质量提升 2-3 倍。
Boris Cherny 的这套工作流不仅是一套高效使用 Claude Code 的指南，更是一种系统化解决问题的思维模式。它展示了如何将 AI 代理深度融入开发生命周期，实现人机协同的价值最大化。未来的软件开发，是否会普遍采纳此类结构化的工作范式？
