1. 项目概述：从聊天工具到工程系统的蜕变

如果你和我一样，已经用了一段时间的 Claude Code，最初的感觉可能很惊艳：它能理解代码上下文、修复 bug、甚至生成一些简单的函数。但用久了，痛点就来了——它终究还是个“聊天框”。每次想让它分析整个项目结构、执行一个复杂的重构任务，或者让它记住我项目的特定规则，都得从头解释一遍。这个过程就像每次都要重新培训一个实习生，效率低下，且难以形成可复用的工作流。

这正是claude-code-setup要解决的核心问题。它不是一个新模型，而是一套配置、脚本和最佳实践的集合，目标是把 Claude Code 从一个被动的、基于单次对话的代码助手，转变为一个主动的、可配置的、能深度融入你开发生命周期的“工程系统”。简单说，就是给它装上方向盘、导航仪和自动驾驶模块，让它从“副驾驶”变成能替你处理例行巡航的“领航员”。

这套系统的价值在于“工程化”。它意味着可重复性、可扩展性和自动化。通过预设的指令（Skill）、项目特定的上下文配置、以及与外部工具（如构建系统、版本控制、测试框架）的集成，Claude Code 能从一个回答问题的工具，升级为能执行多步骤复杂任务、遵循团队规范、并具备一定“记忆”能力的智能体（AI Agent）。这对于需要处理大型代码库、维护复杂架构，或者追求开发流程标准化和自动化的团队与个人开发者来说，是一个质的飞跃。

2. 核心思路与架构设计拆解

把 Claude Code 工程化，听起来很抽象，但拆解开来，核心思路就围绕三个关键词：上下文、流程、集成。

2.1 从单次对话到持续上下文管理

原生的 Claude Code 对话是“失忆的”。新开一个对话，它对你项目的了解几乎清零。claude-code-setup首要解决的就是上下文持久化问题。这不是指简单的聊天记录，而是指项目知识库和会话状态的维护。

项目知识库：这包括你的代码结构（通过自动生成并维护的tree命令输出）、关键配置文件（如package.json,Dockerfile,README.md）、以及团队约定的编码规范文档。系统会引导你创建一份PROJECT_CONTEXT.md文件，这份文件是 Claude Code 理解你项目的“说明书”。它应该包含项目简介、技术栈、核心模块说明、当前重点任务、以及任何“坑”和特殊处理。每次启动与项目相关的会话时，这份文件会被优先送入上下文。

会话状态：对于复杂的、多轮的任务，我们需要让 Claude Code 记住之前的决策和状态。例如，一个重构任务可能涉及分析、制定方案、分步实施、验证等多个阶段。通过设计结构化的提示词（Prompt），我们可以要求 Claude Code 在回复中维护一个简单的状态标记（如[状态: 分析完成]），并在后续提问中引用它，从而在单次对话内模拟出一个有状态的工作流。

2.2 定义标准化的工作流程（Skill）

这是工程化的精髓。我们不再每次临时想问题，而是定义一系列可复用的“技能”（Skill）。每个 Skill 都是一个高度优化的提示词模板，针对一个特定的、常见的开发任务。

例如，我们可以定义以下几个核心 Skill：

1. 代码审查（Code Review）：输入一段新代码或一个 Pull Request 的 diff，Claude Code 会按照预设的检查清单（性能、安全、可读性、是否符合项目规范）给出结构化反馈。
2. 架构分析（Architecture Analysis）：给定一个模块名，Claude Code 会分析其依赖关系、职责是否单一、并提出改进建议。
3. 自动化测试生成（Test Generation）：针对一个函数或类，生成覆盖核心路径和边界条件的单元测试代码。
4. 数据库迁移脚本生成（Migration Script）：根据对模型变更的描述，生成相应的 SQL 迁移脚本（如 Alembic、Liquibase 格式）。
5. 部署配置检查（Deployment Check）：检查 Dockerfile、CI/CD 配置文件（如.github/workflows/*.yml）中的常见错误和最佳实践。

每个 Skill 的提示词都经过精心设计，包含明确的角色指令（“你是一个资深的后端架构师”）、清晰的输入输出格式、以及约束条件（“只输出 JSON 格式的结果”）。claude-code-setup通常会提供一个 Skill 库模板，你可以根据自己项目的技术栈（Python/Java/Go/Node.js）进行定制。

2.3 与开发生态工具链集成

一个孤立的 AI 工具价值有限，真正的威力在于融入现有工具链。claude-code-setup倡导通过脚本和 IDE 插件实现轻量级集成。

命令行接口（CLI）集成：你可以编写 Shell 脚本或 Python 脚本，将 Claude Code 的 API 调用封装成命令行工具。例如，一个review-pr.sh脚本可以自动获取最新的 PR diff，调用 Code Review Skill，并将结果以评论形式贴回代码托管平台（如 GitHub/GitLab）。或者，一个generate-test.py脚本可以读取当前编辑器中的函数，调用测试生成 Skill，并直接将生成的测试代码插入到相邻的测试文件中。

IDE 插件增强：虽然 Claude Code 本身可能有 VS Code 插件，但claude-code-setup的思路是配置和扩展它。例如，配置插件在打开项目时自动加载PROJECT_CONTEXT.md；创建自定义的代码片段（Snippet）来快速插入调用特定 Skill 的提示词模板；或者利用 IDE 的 Task 系统，将上述的 CLI 脚本绑定到快捷键上。

与 CI/CD 流水线结合：这是高级用法。你可以在 CI 流水线中加入一个步骤，让 Claude Code 对每次提交进行自动化的基础代码审查（比如检查是否有调试语句被误提交、是否有明显的安全漏洞模式），作为人工审查前的第一道过滤网。

这套架构的核心思想是“配置优于编码，集成创造效率”。我们不是要重写一个 AI，而是通过精心的配置和胶水代码，让现有的强大 AI 能力以工程化的方式为我们服务。

3. 环境准备与基础配置实战

理论讲完，我们进入实战。假设我们是在一个 Ubuntu 22.04 的开发环境中，以 VS Code 作为主要 IDE，来搭建这套系统。

3.1 基础依赖安装与 Claude Code 接入

首先，确保你的系统有基本的开发工具和 Python 环境。Claude Code 通常通过 API 访问，所以你需要一个可用的 Anthropic API 密钥。

# 更新系统包列表 sudo apt update && sudo apt upgrade -y # 安装 Python 3 和 pip（如果尚未安装） sudo apt install python3 python3-pip git curl -y # 安装虚拟环境工具（推荐） pip3 install virtualenv # 为你的项目创建一个虚拟环境 cd /path/to/your/project virtualenv venv source venv/bin/activate # 安装必要的 Python 库，例如用于调用 API 的 anthropic 库 pip install anthropic

接下来，安全地配置你的 API 密钥。绝对不要将它硬编码在脚本里或提交到版本库。

# 将 API 密钥添加到环境变量中，推荐在 ~/.bashrc 或 ~/.zshrc 中永久设置 echo 'export ANTHROPIC_API_KEY="your-api-key-here"' >> ~/.bashrc source ~/.bashrc # 或者在当前会话中临时设置 export ANTHROPIC_API_KEY="your-api-key-here"

注意：API 密钥是最高机密。在团队协作中，应使用秘密管理工具（如 Vault、AWS Secrets Manager）或在 CI/CD 环境中使用受保护的环境变量。

3.2 初始化 claude-code-setup 项目结构

claude-code-setup本身不是一个需要npm install的包，它更像是一个“样板间”或“配置框架”。我们可以在项目根目录下创建一个专用文件夹来管理所有相关配置。

# 在你的项目根目录下 mkdir -p .claude-setup cd .claude-setup # 创建核心目录结构 mkdir -p skills contexts scripts

我们来逐一填充这些目录：

• skills/：存放所有定义好的技能（Skill）提示词模板文件，例如code_review.md,generate_test.md。
• contexts/：存放项目上下文文件，最主要的就是PROJECT_CONTEXT.md，还可以有TECH_STACK.md,CODING_STANDARDS.md等。
• scripts/：存放用于集成和自动化的 Shell/Python 脚本。

3.3 编写核心上下文文件：PROJECT_CONTEXT.md

这是整个系统的基石。这个文件的质量直接决定了 Claude Code 对你项目的理解深度。它不应该是一成不变的，而应该随着项目演进不断更新。

一个高质量的PROJECT_CONTEXT.md应包含以下部分：

# 项目上下文： [你的项目名] ## 1. 项目概述 - **核心功能**：用一两句话说明这个项目是做什么的。 - **业务价值**：解决了什么问题？为谁服务？ - **当前阶段**：是原型验证、快速迭代期，还是稳定维护期？ ## 2. 技术栈与架构 - **后端**：Python (Django/Flask), Node.js (Express), Go, Java (Spring)？ 具体版本？ - **前端**：React/Vue/Angular？ 构建工具是 Vite 还是 Webpack？ - **数据库**：PostgreSQL/MySQL/MongoDB？ 使用的 ORM 或驱动是什么？ - **基础设施**：Docker, Kubernetes, AWS/Azure/GCP 服务？ - **关键第三方服务**：使用的消息队列、缓存、搜索服务等。 - **架构图简述**：如果是微服务，描述服务间关系；如果是单体，描述核心模块划分。 ## 3. 代码结构与约定 - **目录结构**：提供 `tree -L 3` 的输出（或核心部分），并解释关键目录。 - **命名规范**：变量/函数/类/文件如何命名？（e.g., snake_case, camelCase） - **导入规范**：是否有特殊的 `__init__.py` 规则或别名设置？ - **配置管理**：配置如何加载？环境变量优先级？有无 `.env` 文件？ ## 4. 开发与部署流程 - **版本控制**：Git 分支策略（Git Flow, GitHub Flow？）。 - **代码审查**：PR 模板、必须的检查项。 - **测试**：单元测试、集成测试在哪里？覆盖率要求？ - **CI/CD**：使用哪个平台（GitHub Actions, GitLab CI, Jenkins）？流水线有几个阶段？ - **部署**：如何部署到开发/测试/生产环境？ ## 5. 已知问题与待办事项 - **技术债**：有哪些已知的代码坏味道或需要重构的部分？ - **近期重点**：当前迭代要完成的主要功能或修复的 bug。 - **避坑指南**：本地开发环境搭建的常见坑、测试数据的准备方法等。

花时间认真撰写这个文件，不仅是为了 AI，更是对项目的一次很好的梳理，对新成员 onboarding 也极有帮助。

4. 技能（Skill）库的构建与优化

有了丰富的上下文，接下来就是定义 Claude Code 能做什么，也就是构建 Skill 库。每个 Skill 都是一个独立的 Markdown 或文本文件，存放在.claude-setup/skills/目录下。

4.1 设计一个高效的 Skill 模板

一个 Skill 文件本质是一个精心设计的“系统提示词”（System Prompt）。它通常包含以下几个部分：

1. 角色与目标：清晰定义 AI 在此次交互中扮演的角色和要达成的目标。
2. 输入格式：明确告诉 AI 用户会提供什么信息，以及以何种格式提供。
3. 处理规则与约束：列出 AI 在思考和分析时必须遵循的规则、检查清单或约束条件。
4. 输出格式：严格要求 AI 以特定的格式（如 JSON、Markdown 表格、特定标题的段落）输出结果，以便后续脚本处理。
5. 示例（可选但强烈推荐）：提供一两个输入输出的例子，让 AI 更好地理解你的期望。

4.2 实战示例：代码审查（Code Review）Skill

让我们以最常用的“代码审查”Skill为例，创建文件.claude-setup/skills/code_review.md：

# Skill: 代码审查专家 ## 角色 你是一个经验丰富、严谨细致的软件工程师，专门负责代码审查。你的目标是提升代码质量、发现潜在缺陷、并确保其符合项目规范。 ## 输入 用户会提供一段代码 diff（统一格式）或新编写的代码片段。同时，用户可能附上简短的修改意图说明。 格式： ``` [代码 diff 或片段] --- 意图说明: <修改的简要目的> ``` ## 审查规则与检查清单 请你严格按照以下清单逐项检查，并在输出中明确每一项的审查结果： 1. **功能性**： - 代码逻辑是否正确实现了所述意图？ - 是否存在边界条件未处理？（如空值、极值、错误输入） - 是否有死循环或逻辑错误的风险？ 2. **可读性与维护性**： - 命名是否清晰、符合项目命名规范？（参考 PROJECT_CONTEXT） - 函数/方法是否过于冗长或职责过多？（建议单个函数不超过50行） - 注释是否充分解释了“为什么”（Why），而不仅仅是“是什么”（What）？ - 代码结构是否清晰，缩进和格式是否符合项目约定？ 3. **性能与安全**： - 是否存在明显的性能瓶颈？（如循环内的重复查询、未使用索引） - 是否有资源泄漏的风险？（如文件句柄、数据库连接未关闭） - 用户输入是否经过适当的验证和清理？有无 SQL 注入、XSS 等安全漏洞？ - 是否有敏感信息（密钥、密码）被硬编码或不当记录？ 4. **测试与可靠性**： - 新增或修改的代码是否易于测试？ - 是否破坏了现有的测试？ - 是否需要补充或更新单元测试？ 5. **项目一致性**： - 是否遵循了项目中已有的设计模式和架构？ - 是否引入了不必要的新依赖？ - 版本库中的相关文档是否需要同步更新？ ## 输出格式 你必须以如下 Markdown 格式输出审查报告： ### 代码审查报告 **提交摘要**：<简要总结代码变更> **整体评价**：<通过 / 有条件通过 / 不通过，并简述主要理由> #### 详细发现 | 检查类别 | 状态 | 发现的问题/建议 | 严重程度 (高/中/低) | 代码位置/示例 | | :--- | :--- | :--- | :--- | :--- | | 功能性 | ... | ... | ... | ... | | 可读性 | ... | ... | ... | ... | | ... | ... | ... | ... | ... | **关键问题摘要**（仅列出高/中严重程度问题）： 1. ... 2. ... **修改建议**： - 针对每个高/中严重程度问题，提供具体的修改建议或代码示例。 **可选优化**（低严重程度或风格建议）： - ... ## 示例 输入： ```python def calculate_price(quantity, price_per_item): total = quantity * price_per_item if total > 1000: total = total * 0.9 return total --- 意图说明: 计算商品总价，超过1000元打9折。 ``` 输出： （此处应展示一个符合上述输出格式的完整示例报告，限于篇幅省略）

这个 Skill 定义得非常详细，它给了 Claude Code 明确的指令、结构化的思考框架和标准化的输出要求。当你需要审查代码时，只需将代码和意图粘贴到聊天框，并加上一句“请使用‘代码审查专家’技能进行分析”，它就能输出一份专业的审查报告。

4.3 扩展更多实用 Skill

同理，你可以创建其他 Skill：

• generate_unit_test.md：输入一个函数签名和简要说明，输出 pytest/unittest 格式的测试用例，要求覆盖正常路径和关键异常路径。
• explain_complex_code.md：输入一段难以理解的代码，要求以“逐步拆解”的方式解释其逻辑，并指出可能的简化方式。
• generate_sql_migration.md：输入一段对数据模型变更的文字描述（如“在 users 表中增加一个 last_active_at 的 datetime 字段”），输出兼容 Alembic 的升级和回滚 SQL 脚本。

构建 Skill 库是一个迭代过程。开始时可以定义2-3个最常用的，在实践中根据输出效果不断调整提示词，使其更符合你的需求。

5. 自动化脚本与工作流集成

配置好了上下文和技能，下一步是让这一切变得“好用”，减少手动复制粘贴的摩擦。这就是自动化脚本的用武之地。

5.1 创建核心交互脚本

我们创建一个 Python 脚本作为与 Claude Code API 交互的桥梁。这个脚本负责读取 Skill 模板、注入项目上下文、调用 API 并返回结果。

创建文件.claude-setup/scripts/claude_helper.py：

#!/usr/bin/env python3 import os import sys import anthropic from pathlib import Path # 配置路径 PROJECT_ROOT = Path(__file__).parent.parent.parent SETUP_DIR = PROJECT_ROOT / '.claude-setup' SKILLS_DIR = SETUP_DIR / 'skills' CONTEXTS_DIR = SETUP_DIR / 'contexts' def load_file_content(file_path): """安全读取文件内容""" try: with open(file_path, 'r', encoding='utf-8') as f: return f.read() except FileNotFoundError: print(f"错误：文件未找到 - {file_path}") return None def get_claude_client(): """创建并返回 Anthropic 客户端""" api_key = os.environ.get('ANTHROPIC_API_KEY') if not api_key: print("错误：未设置 ANTHROPIC_API_KEY 环境变量。") sys.exit(1) return anthropic.Anthropic(api_key=api_key) def invoke_skill(skill_name, user_input, model="claude-3-5-sonnet-20241022", max_tokens=4000): """ 调用指定的技能 :param skill_name: 技能文件名（不含路径和.md后缀） :param user_input: 用户的输入内容 :param model: 使用的 Claude 模型 :param max_tokens: 最大输出token数 """ client = get_claude_client() # 1. 加载技能提示词 skill_path = SKILLS_DIR / f"{skill_name}.md" skill_prompt = load_file_content(skill_path) if not skill_prompt: return # 2. 加载项目上下文（可选，但推荐） context_path = CONTEXTS_DIR / "PROJECT_CONTEXT.md" project_context = load_file_content(context_path) # 3. 构建最终的消息 system_message = "" if project_context: system_message += f"## 项目上下文\n{project_context}\n\n" system_message += f"## 技能指令\n{skill_prompt}" user_message = user_input # 4. 调用 API try: message = client.messages.create( model=model, max_tokens=max_tokens, system=system_message, messages=[ {"role": "user", "content": user_message} ] ) return message.content[0].text except Exception as e: print(f"调用 Claude API 时出错：{e}") return None if __name__ == "__main__": # 简单的命令行接口示例 if len(sys.argv) < 3: print("用法: python claude_helper.py <skill_name> <\"用户输入内容\">") sys.exit(1) skill = sys.argv[1] input_text = sys.argv[2] result = invoke_skill(skill, input_text) if result: print("\n" + "="*50 + "\n") print(result) print("\n" + "="*50)

这个脚本是一个基础框架。你可以扩展它，比如添加从文件读取输入、将输出保存到文件、或者解析特定格式（如 Git diff）的功能。

5.2 与 Git 和 IDE 集成

Git 钩子集成：你可以创建一个pre-commit钩子，在提交前自动用“代码审查”Skill 检查暂存区的代码。在.git/hooks/pre-commit（或使用pre-commit框架）中：

#!/bin/bash # .git/hooks/pre-commit # 获取暂存区的变更 STAGED_FILES=$(git diff --cached --name-only --diff-filter=ACM | grep -E '\.(py|js|ts|java|go)$') if [ -n "$STAGED_FILES" ]; then echo "运行 Claude Code 自动审查..." # 这里可以调用上面的 python 脚本，对变更文件进行分析 # 例如：python .claude-setup/scripts/review_staged.py # 如果审查发现严重问题，可以 exit 1 阻止提交 fi

VS Code 任务（Task）集成：在.vscode/tasks.json中定义任务，一键运行常用 Skill。

{ "version": "2.0.0", "tasks": [ { "label": "Claude: Review Current File", "type": "shell", "command": "cd ${workspaceFolder} && python .claude-setup/scripts/claude_helper.py code_review \"${file}\"", "group": { "kind": "build", "isDefault": false }, "presentation": { "echo": true, "reveal": "always", "panel": "dedicated" } } ] }

然后你可以通过 VS Code 的命令面板（Ctrl+Shift+P）运行“Tasks: Run Task”并选择“Claude: Review Current File”来审查当前打开的文件。

创建自定义代码片段：在 VS Code 中，你可以创建代码片段，快速插入调用某个 Skill 的标准提问格式。例如，定义一个claude-review片段，当输入前缀时，自动展开为：

请使用‘代码审查专家’技能分析以下代码：

这样你只需要粘贴代码即可。

通过这些轻量级的集成，Claude Code 从一个需要主动打开的聊天窗口，变成了一个嵌入到你工作流各个节点的自动化助手。

6. 高级技巧：构建可交互的 AI Agent 工作流

前面的步骤已经实现了“工程系统”的基础：持久的上下文、标准化的技能、一定程度的自动化。但要真正实现一个能处理多步骤复杂任务的“智能体”（Agent），我们还需要让这些技能能够串联和决策。

6.1 设计一个任务分解与调度器

一个复杂的开发任务，比如“为用户模块添加缓存功能”，可以分解为多个子任务：

1. 分析现有用户模块的代码结构和数据访问模式。
2. 评估合适的缓存策略（内存缓存如 Redis，还是本地缓存）。
3. 设计缓存键（Key）的生成规则和失效策略。
4. 修改数据访问层代码，集成缓存逻辑。
5. 编写新的单元测试和集成测试。
6. 更新相关文档。

我们可以设计一个简单的“主控”脚本或提示词，让 Claude Code 扮演“项目经理”或“架构师”的角色，来自动进行这种分解和调度。这个“主控”逻辑的核心是：

• 理解最终目标。
• 调用不同的 Skill 或自身能力，按顺序或条件执行子任务。
• 汇总和验证各子任务的结果。

这可以通过在提示词中明确要求 Claude Code 以“步骤化”方式思考，并维护一个任务列表来实现。例如，在发起此类复杂任务时，你可以这样开头：

你是一个资深系统架构师。请帮我完成“为项目用户模块添加缓存功能”这个任务。 请按以下步骤执行，并在每个步骤后暂停，等待我的确认或提供所需信息： 1. 分析：首先，分析当前项目 `src/models/user.py` 和 `src/services/user_service.py` 中的主要数据查询函数，识别性能热点。 2. 方案设计：基于分析结果，提出2-3种缓存方案（如使用Redis，或内存缓存库），并列出各自的优缺点。 3. 实施计划：选择一种方案，并详细列出需要修改的文件和具体步骤。 请开始第一步，并只输出第一步的分析报告。

然后，根据它的分析报告，你可以回复“继续第二步”，引导它完成整个流程。这虽然需要人工介入确认，但已经将复杂的思考过程结构化了。

6.2 实现上下文记忆与总结

为了在长对话中维持连贯性，我们需要让 Claude Code 具备简单的“记忆”能力。一种实用技巧是：在每轮对话结束时，要求 AI 对当前讨论状态做一个简要总结，并在下一轮对话开始时，先将这个总结作为上下文喂给它。

我们可以修改之前的claude_helper.py脚本，增加一个简单的“会话管理”功能，将上一轮 AI 回复中的“状态总结”部分自动提取并附加到下一轮的系统提示词中。这可以通过在 Skill 模板中要求 AI 在回复末尾以特定格式（如[状态总结: ...]）输出总结来实现。

6.3 处理外部工具调用（函数调用）

更高级的 Agent 需要能调用外部工具，比如执行 Shell 命令、查询数据库、调用其他 API。虽然 Claude Code 本身不能直接操作你的系统，但我们可以通过“人机协作”或“脚本桥接”的方式模拟。

人机协作模式：在提示词中告诉 Claude Code，它可以“要求”你执行某些操作。例如：

如果你认为需要查看项目的依赖列表来评估兼容性，可以要求我运行 `pip list` 命令并把结果提供给你。

然后你手动执行命令并将结果粘贴回对话。

脚本桥接模式：编写一个更强大的脚本，能够解析 Claude Code 的“自然语言指令”，并映射到预定义的、安全的脚本操作上。例如，AI 回复中说“请运行单元测试以验证更改”，你的脚本可以识别这个意图，自动执行pytest命令，并将结果返回给 AI 进行下一步分析。这需要更复杂的自然语言解析（可以用简单的关键词匹配开始），是迈向全自动 Agent 的关键一步。

7. 避坑指南与效能提升心得

在实际搭建和使用这套系统的过程中，我踩过不少坑，也总结了一些提升效能的经验。

7.1 常见问题与解决方案

7.2 提升效能的实战心得

1. 从小处着手，迭代优化：不要试图一开始就构建一个包含20个 Skill 的庞大系统。从你最痛苦的一个点开始，比如“代码审查”或“生成测试”，打造一个真正好用的 Skill。用起来，根据反馈调整提示词，稳定后再扩展下一个。
2. 提示词的质量决定一切：花在打磨提示词上的时间会有十倍回报。好的提示词要：角色清晰、指令明确、格式严格、示例到位。多看看优秀的 Prompt 工程案例，不断迭代你自己的 Skill。
3. 将 AI 视为“实习生”而非“专家”：它的优势是速度快、知识广、不知疲倦。但缺乏真正的理解和判断力。因此，你的设计要让它做“结构化、可验证”的工作（如按清单检查、按模板生成），而把最终的决策、对业务逻辑的深度理解留给自己。让它帮你准备材料、生成草稿、排查明显错误，你来做最终的审核和定稿。
4. 成本意识：Claude API 是按 token 收费的。过长的上下文和复杂的任务会消耗更多 token。定期优化你的上下文文件，移除过时信息。对于非核心的、探索性的对话，可以考虑使用更便宜的模型（如 Claude Haiku）来打草稿。
5. 保持人的主导权：自动化很棒，但盲目自动化是危险的。特别是与 Git 钩子、CI/CD 集成的自动审查或代码生成，初期一定要设置为“只报告，不阻断”，即 AI 可以提出建议，但不要自动拒绝提交或自动合并代码。所有重要的变更必须经过人眼确认。

这套claude-code-setup系统，其价值不在于用了多炫酷的技术，而在于它通过一种朴素而有效的方式——标准化、自动化、集成化——将前沿的 AI 能力平稳地“编织”进了成熟的软件工程实践中。它不会取代开发者，而是作为一个强大的“力量倍增器”，将开发者从大量重复、繁琐的上下文切换和规范检查中解放出来，让我们能更专注于真正需要创造力和深度思考的设计与架构问题。开始构建你自己的 Skill 库吧，第一个自动化审查通过的 PR，将会带来巨大的成就感。