为何Claude Code体验出色？复刻工作流指南

Claude Code 是我迄今为止用过的最令人愉悦的 AI 智能体/工作流。它不仅让针对性修改或凭感觉写点一次性工具这类事变得不那么烦人，使用 Claude Code 本身就让我感到快乐。它有足够的自主性来做一些有趣的事情，同时又不会像其他一些工具那样，带来突兀的失控感。

到底是什么让它这么好用？如果正在一边读一边点头，那么我将尝试给出一些答案。

Claude Code (CC) 的使用体验之所以很棒，是因为它就是好用。CC 的构建基于对 LLM 擅长什么和不擅长什么的深刻理解。它的提示词和工具弥补了模型的不足之处，并帮助它在自己擅长的领域大放异彩。它的控制循环非常简单，易于理解和调试。

本文将解答“为何 Claude Code 如此出色，以及如何在自己的基于聊天的 LLM 智能体中提供类似 CC 的体验”，通过大神博主的分析和解读，呈现干货内容。

核心要点解析：

• 1. 可调试性 >>> 其他一切：设计出好的（底层和高阶）工具和提示词，让模型发挥优势，保持简单。


• 2. 保持单一循环：使用单个主循环，最多带一个分支，无需复杂框架，99%场景无需多智能体协作。


• 3. LLM 搜索 >>> RAG：让模型自我思考搜索，而非简单绑定系统，避免复杂设计。


• 4. 引导模型主动干活：通过Prompt引导，效果显著（虽需简单Prompt技巧）。

Claude Code 在提示词、工具设计和控制循环等方面的优秀实践，能为自己的 LLM 工作流提供借鉴。以下是关键经验：

1. 控制循环设计：

• 1.1 保持一个主循环：可调试性优于复杂多智能体，保持扁平消息列表与单分支处理。


• 1.2 使用小模型：CC 超过50%调用使用 claude-3-5-haiku 小模型，提升效率和成本。

2. 提示词与协同处理：

• 2.1 使用 claude.md 协同处理用户上下文：通过上下文文件明确偏好与约束，提升表现。


• 2.2 特殊 XML 标签与 Markdown：结构化提示词，固化启发式规则，提升模型行为。

3. 工具设计与实践：

• 3.1 LLM 搜索替代 RAG：使用复杂命令（如ripgrep）替代 RAG，优化搜索方式。


• 3.2 底层与高级工具结合：兼顾通用与底层工具，根据场景选择合适工具。


• 3.3 维护待办事项列表：帮助模型保持方向，利用自我管理能力提升效率。

通过借鉴 Claude Code 的设计思路，结合自身场景优化，可实现类似优秀体验。文章最后分享了从 Claude Code 中学到的核心经验，为 LLM 智能体构建提供指导。