今天介绍一些在 使用 claude code 编码时候，很多我使用的、同事使用的、大佬介绍的几个下意识、但很实用的小技巧吧？！

虽然现在不提倡 提示词工程，但是提示词工程，确实还是能提高上限的。全靠 agent 的上下文工程还是不够用的。

都是很简单很简单，但是又非常关键的技巧：

先让 AI 问问题

当然，这个是用于一些略复杂的事情。

简单的事儿就不用了。略复杂的，最好先让 AI 给你几个问题。很多程序员，中文的表达能力很不好，而且 claude 本身套餐额度就很吃紧，避免返工，所以要先让 AI 问自己一些问题，这样就保险一点。

比如我昨天还在用的一个真实 提示词：

我需要做一个 xxx 路径这个文件里，角色坐标的数据清洗与导出工具。
在正式编写代码之前，请先向我提出 6 个核心问题，等我补充完整需求后，你再开始实现。

不仅让问题不再模糊，而且能帮你发现自己没想清楚的地方。

小步拆分步骤

其实就是东西一点实现。这个道理大家都懂，但是往往掌握不好度，一口气让 AI 都给你写了，然后给你一个不合意的东西。

给一个提示词例子吧：

我要做一个完整的数据处理后台，不要一次性写完所有代码。
请按下面步骤分轮实现，每一步我确认后再继续：
1. 先输出整体架构与模块划分
2. 再设计数据结构与接口定义
3. 实现核心业务逻辑
4. 补充异常处理与边界判断
5. 编写单元测试
6. 最后整体审查并优化

大概是这样样子。这样 AI 给你的结果质量更高。

模块组合成复杂系统

我们过去呀，古法编程速度慢，因此常常对模块化不屑。因为会徒增麻烦。

现在，AI 写的快了，所以我们要多使用 模块 ，因为你不可能知道所有的代码细节。你只能当成一个个黑箱昂，这样好维护。

我需要开发一个任务管理后台系统，包含这些核心模块：
1. 用户登录与权限管理
2. 任务增删改查接口
3. 数据定时同步
4. 系统日志与异常监控

现在只实现第 1 个模块：用户登录与权限管理。
设计时要预留接口，方便后续模块无缝对接。

就这样，把功能拆成模块，一个一个来。好多了！

给 AI 一个角色

这个大家肯定多个地方都听说过，就是 AI 本质上是一个人类思维模拟器。

它能模拟程序员、律师、马斯克、比尔盖茨乔布斯....

因此，在一个对话开始之前，我们如果给它设定一个资深程序员的身份，它的输出质量，会好很多。当然，你当它是玄学也可以。反正我习惯这样。就像这样：

你是一位 8 年前端开发工程师，专注 Vue3 与性能优化。
请解析 xxx 文件代码的执行逻辑，并指出可优化点与潜在风险。

善用 XML 格式

这个，一般我们都用在自研 agent 上，毕竟你不知道客户给你投的料，是什么料。

我们因此不喜欢使用 markdown 格式，而 JSON 格式缩进又太难看，我们一般是使用更为清晰严谨的 xml 格式，在 agent 工作流里来给 AI 投递数据。

当然，使用 claude code 也可以在一些容易歧义、符号混淆的场景用一下。

<mission>
把下方提供的函数改写成异步执行版本，对外接口保持完全一致
</mission>

<rules>
1. 必须使用 asyncio 库
2. 兼容 Python 3.10 及以上版本
3. 不允许修改函数名称、参数和返回值结构
</rules>

<target_code>
def fetch_user_data(user_id: int) -> dict:
    response = requests.get(f"/api/users/{user_id}")
    return response.json()
</target_code>

这样，AI 一目了然，知道什么是目标、代码、注意事项了。

使用 codex

近日 claude 又添加了扫脸认证，这下国人更难用上 claude 套餐了。claude code 如果无法用 opus 的话，建议大家去对华人友好的 chatgpt 那边的 codex 。因为 claude code + 国产模型，还是无法达到 codex 的作业质量，反正也不差几十块钱。

附带测试

在 AI 时代，我们对代码的审查，会困难很多。

我们公司有时候一天，能产出 10mb 的代码，如果是逐行审查，那.... 所以，除了使用很严格的编译器或者语言，比如 typescript 代替 js ，并装很多代码测试库，我们现在更是拾起了沉睡十多年的古老的 TDD 开发法，就是靠测试用例驱动。只要我们把测试例子能跑通了，就默认代码合格。

因此在 claude code 里，我们也要使用这个思路，拿 Python 举例：

写一个 Python 函数，
把 IP 段字符串（例如 10.0.0.1-10.0.0.10）解析成完整的 IP 地址列表。

要求：
1. 函数要能处理标准 IPv4 地址段
2. 同时生成配套的 pytest 测试用例（重要）
3. 必须覆盖：正常格式、边界地址、非法格式、空输入、不连续网段这几种场景

同时生成配套的 pytest 测试用例，这样我们可以不去看代码了，就看能不能跑通。跑通就别管细节了。时间就是效率，时间就是生命！

关键决策

一些比较有一定潜在影响力的决策，比如数据库方面、并发方面，一般在写好代码后，需要先盘问一下，然后再让 AI 自我 review 一下：

比如：

在刚才实现的功能代码中，你采用的并发处理方案是什么？

1. 为什么选择这个方案？
2. 和其他常见方案相比，优势和劣势分别是什么？

以及：

请你以挑剔、严谨的高级工程师身份，严格审查刚才编写的代码。
注意：
1. 潜在 bug
2. 性能隐患
3. 安全漏洞
4. 可维护性缺陷

之后，你自己心里有个数，差不多，再提交会好很多......