资深工程师实战分享：Claude Code 如何改变开发流程

我职业生涯中的四次编程转折

我解决代码问题的方法在职业生涯中发生了四次转折：

前 5 年，我在阅读书籍和 SDK 文档。

然后是 12 年的搜索引擎查找众包答案。

最近 18 个月用 Cursor 做 AI 辅助编码

以及最近 6 周用 Claude Code 做完整 AI 委托

每次转变的发生速度都比前一次快。转向 Claude Code？对我来说，只需几小时的使用就能提高生产力。

AI 开发实际上如何工作（对我而言）

以下是我现在的工作流，去掉炒作后的样子。我主要用 AI "与它一起思考"，在朝着最终进入生产环境的代码开发时。

通常需要三次尝试

忘掉一次性完美代码生成的承诺吧。作为工程师，你的工作是为问题找到最佳解决方案，而不仅仅是写一堆代码。

Claude 建立关于你系统的上下文

你识别实际挑战

代码通常完全错误

然后你从这次尝试中吸取教训并反馈给它。

Claude 理解了细微差别

你已定义具体方案

一半的时间里，它仍然无法使用

Claude 实现了我们可以迭代和完善的东西

你不断审查和纠正方向

这成为你的起点，而不是最终代码

这不是失败；这是过程！期望第一次就完美，就像期望初级开发者在没有上下文的情况下完成复杂功能一样。

上下文问题（及其解决方案）

最大的挑战是什么？AI 无法在会话之间保留学习（除非你花时间手动给它"记忆"）。所以通常，每次对话都从零开始。

创建一个项目特定的上下文文件，包括：

• 架构决策
• 代码库中的常见模式
• 陷阱和变通方案
• 相关文档的链接

得益于 MCP 集成，我现在可以将 AI 连接到：

• Linear，用于工单上下文
• Notion 或 Canvas，用于文档
• 非生产数据库（仅限读取权限！）用于数据和数据结构
• 你的实际代码库（显然）
• Github（从旧 PR 获取有用的背景信息）

没有这个上下文，你一遍遍解释相同的约束。有了它，你直接从第二次尝试开始，而不是第一次。

管理多个 AI "开发者"

我现在并行运行多个 Claude 实例，这就像管理一个小型开发团队，他们每天早上都重置记忆。

• 不要并行处理同一个问题空间（容易失去跟踪，混淆你正在解决的不同问题）
• 在 Linear（或你使用的任何项目管理工具）中追踪一切
• 明确标记人类编辑的代码（AI 对自己写的代码和你修改的代码会困惑）

三步审查流程

写代码是工作的一部分，审查代码也是。采用 AI 也改进了我的代码审查流程。

• 捕获缺失的测试覆盖
• 提出改进建议
• 这为我和我的同事节省时间和额外的回合

在 Sanity，我们的政策是工程师对他们交付的代码负责，即使是 AI 生成的。我想确保我交付：

• 可维护的代码库
• 合理的架构决策
• 业务逻辑的正确性
• 良好的集成点

他们很少知道哪些代码是 AI 生成的

质量标准保持不变

关键要点：我现在对"我的代码"更挑剔，因为我没有手打大量代码。没有感情依恋意味着更好的审查。

背景 agent 的早期实验

我们正在测试使用 Cursor 的 Slack 触发 agent，用于简单任务：

• 2 次成功的业务逻辑修复
• 1 次 CSS 布局失败
• 没有私有 NPM 包访问权限
• 它通过了未签名的提交
• 绕过了正常的追踪

但潜力？想象 agent 在你睡眠时处理你积压工作中的小工单。我们在 Sanity 正积极探索这一点，在跨团队分享学习，找出有效的东西。

实际成本（带数字）

让我们谈钱。我的 Claude Code 使用成本对我的公司来说，是他们每月支付给我薪资的不小比例。

但为了这笔投资：

• 我的功能交付速度快 2-3 倍
• 我可以管理多个开发线程
• 我零时间花在样板和重复代码上

ROI 很明显，但要为一位全力投入 AI 开发的资深工程师预算每月 1000-1500 美元。随着工程师 AI 技能的提高，他们在 AI 支出上也会变得更高效，这也是合理的，但要给他们时间。

实际出错的地方

AI 辅助开发并不总是顺利的。以下是我发现的持续挑战：

学习问题 AI 不从错误中学习。你一遍遍修复相同的误解。你的解决方案：更好的文档和更明确的说明。

信心问题 AI 自信地写出破损代码，声称它很棒。总是验证，特别是对于：

• 复杂的状态管理
• 性能关键的部分
• 安全敏感的代码

上下文限制问题 大型代码库会压倒 AI 上下文窗口。将问题分解成更小的块，提供聚焦的上下文。

从代码到问题的情感转变

最难的部分？放弃对代码的所有权。但现在我不再关心"我的代码"；它只是要审查和完善的输出。

这种超然实际上相当解放！

• 更快地删除坏方案
• 更客观的代码审查
• 重构中零自尊

如果明天出现更好的 AI 工具，我会立即切换。代码不是珍贵的；我们解决的问题才是。

这对你的团队意味着什么（作为技术主管）

如果我从工程师的角度给出建议，如果你是考虑 AI 采用的技术领导者：

• 让你的工程师采用和测试不同的 AI 解决方案：AI 辅助编码是一项你必须练习才能学会的技能。
• 从你最重复的任务开始：那是 AI 立即发光的地方。
• 为实验预算：第一个月会很混乱。
• 调整你的审查流程：AI 代码需要不同的审查。
• 记录一切：好的上下文是你的效率倍数。

适应新 AI 工作流的工程师会发现自己拥有工具箱中的新锐刀：他们正成为编排者，处理多个 AI agent，同时专注于架构、审查和复杂问题解决。

你的后续步骤（作为开发者）

选择一个小的、定义明确的功能。给 AI 三次实现它的尝试机会。像你在指导初级开发者一样审查输出。

就这样。不需要巨大的转变，不需要流程过度改革。只需一个功能、三次尝试和诚实的审查。

未来不是关于 AI 替代开发者。而是关于开发者工作更快、创造更好的解决方案，并利用可用的最佳工具。

👋 来自开发者教育团队的 Knut：如果你很好奇为什么 Sanity 使 AI 辅助开发特别有效：这都是基于代码的配置。模式、工作流，甚至编辑 UI 都定义在 TypeScript 中，这意味着 AI 工具实际上可以理解和生成整个堆栈。没有点击 web UI 来配置东西。如果你想更深入，这里有一门关于那个特定工作流的课程。

回到我们的常规内容。