Easycompany (@Easycompany333) “强烈建议收藏这个视频： 1. Claude Code 最早只是一个终端实验 他们一开始只是想看看” — TopicDigg

强烈建议收藏这个视频： 1. Claude Code 最早只是一个终端实验 他们一开始只是想看看 Claude 放进 terminal 里会发生什么。 后来给它终端权限、文件权限、命令执行能力，才发现这东西每天都能用。 这说明很多 AI 产品，一开始未必来自宏大规划。 先把模型放进真实工作流里，它自己会暴露价值。 2. 真正好用的 Agent，要能并行调查 视频里提到一个用法： 遇到复杂问题，可以让 Claude Code 同时调查 3 次、5 次。 每个方向分别跑一遍，然后再让它挑出最好的方案，总结给你。 这个很适合 Vibe Coding。 别一上来就让 AI 直接改代码。 先让它多路调查： - 方案 A 怎么做 - 方案 B 怎么做 - 哪个风险最低 - 影响哪些文件 - 哪个最适合当前项目 3. Slash Command + MCP 会变成很重要的组合 他们内部已经在用 Claude Code 做 GitHub Action。 比如一个 `/project:lint` 命令，不光检查传统 lint。 还会检查： - 拼写错误 - 注释和代码是否一致 - 是否用了指定网络请求库 - 是否符合项目内部约定 发现问题以后，Claude Code 可以直接修改，再通过 GitHub MCP 提交回 PR。 这个比普通 lint 更灵活。 因为很多团队规则，很难写成静态代码规则，但可以写成一句 Markdown。 4. Memory 可能会成为下一阶段重点 视频里聊到一个很有意思的做法： 让 Claude Code 写 logbook。 记录它做过什么、团队目标是什么、你喜欢怎么工作、项目里有哪些习惯。 长期下来，它才不会每次都像新来的实习生。 我现在越来越觉得，AI 编程的分水岭可能就在这里： 谁能让 Agent 记住项目， 谁就少浪费大量重复解释的时间。 5. 提效差距非常大 视频里有人提到，对他这种每天写代码的工程师，Claude Code 大概能带来 2 倍效率提升。 有些 Anthropic 工程师可能是 10 倍。 但也有人只拿它写 commit message，提升可能只有 10%。 所以问题不在工具强不强。 问题在于你有没有把它放进真正的工作流。 比如： 开发者让它先调查再改代码。 设计师用它提交 UI PR。 数据同事把 CSV pipe 进去，让它直接分析表格。 团队把 lint、review、修复接到 GitHub Action 里。 这段访谈给我的启发是： Claude Code 这类工具，已经不太像“代码生成器”了。 它更接近一个可以接文件、接命令、接 GitHub、接团队规则的工作接口。 普通 Vibe Coder 可以先从一个小动作开始： 给项目写 3 个 slash commands： - `/investigate`：只调查，不改代码 - `/risk-check`：列影响文件和风险 - `/ship-check`：运行测试、检查文档、给发布建议 先让 AI 稳定接住一个流程。 这比单纯问它“帮我写个功能”有用得多。