摘要： 本文是作者在20天内使用 Claude Code 完成20000次对话、消耗12亿token的真实使用复盘。内容涵盖认知转变、实战产出、深度使用技巧（Skill、Subagent、MCP、Hooks）、上下文管理策略、多 Session 工作流，以及对模型边界的判断。适合正在或准备深度使用 Claude Code 的开发者参考。
一、认知转变：从 AI 助手到 AI 团队
最初用 Claude Code，觉得它只是比 Cursor 更准的编程工具。
后来和同事交流，加上看了一些外部实践案例，才意识到定义本身就错了。它不是"知识面广的实习生"，而是——
一个经验丰富、成本低廉的靠谱团队。
这个认知转变影响了后面所有的使用方式。
二、实战成果：20天，3个产品
Claude Code 已经具备独立闭环一个产品的能力。这20天实际交付了：
| 产品 | 技术栈 | 用时 | 说明 |
|---|---|---|---|
| AI 对话 ChatBot | Flutter | 2天 | 支持语音文字、简历上传、AI 面试官 |
| iOS 启动器 App | iOS 原生 | 2天 | — |
| GroAsk | macOS 原生 | 2周 | Claude Code 调度面板 |
三个产品全部 Vibe Coding，没手写过一行代码。Opus 4.5 时代还会看一下代码，Opus 4.6 之后，连看都没看。
GroAsk 是自用工具——用 Claude Code 久了，反复切终端、忘记哪个 Session 在干嘛、上下文爆了还不知道，忍不了才做的。后面讲到的多 Session 管理和上下文管理，都跟它有关。
三、编程之外：Claude Code 还能做什么
- 自动发推特——浏览器 MCP + Skill 组合
- 自动写文章 & 多平台分发——自定义 Skill
- 产品数据分析——接真实运营数据
- 深度市场调研——需求调研、用户痛点收集
四、产品迭代流程
小需求：一句话到上线
描述需求 → Claude Code 自动完成 → 上线 → 发现问题一句话修复
大版本需求：结构化流程
需求收集 → PRD 产出 → 市场调研验证 → 技术方案 → 执行规划 → 按计划开发
具体分工：
- 需求收集：个人痛点 + 社区反馈
- PRD 产出：描述原始需求，Claude Code 产出 PRD，市场调研交叉验证
- 技术方案：Claude Code 编写，再用市场调研 review
- 执行规划：TDD + Subagent 拆分任务
- 开发执行：Claude Code 按计划推进
一个3000字的 PRD → 10000字的技术方案 → 40000字的执行规划
两个核心原则：
- 产品决策和技术决策是人最重要的工作。 完全交给 AI 决策，面对复杂任务时仍然不可靠——看似实现了需求，维护难度是地狱级的。
- 让 AI 实现小的需求点，远比让它一次性完成大而全的需求，更可靠、效率也更高。
五、深度使用技巧
5.1 Skill：固化个人工作流
Skill 的核心价值：把重复工作流程变成可复用的命令。
两个组成部分：
- Prompt：用自然语言描述需要模型理解判断的部分
- Scripts：用代码描述代码能搞定的部分
原则：只有需要模型理解判断的才写 Prompt，其他的都用 Script。
常用 Skill：自动代码提交、自动运行工程、自动拉取运营数据、自动发帖、自动写文章。
5.2 Subagent：复杂任务的上下文管理
Subagent 让你在一个会话内使用多个 Agent 管理工作。Claude 自带的 Task 工具就是 Subagent——主 Session 把部分工作委托给内部 Session，自己只关注输入输出。
适合用在：任务复杂、子任务之间独立性强、不想一个 Session 撑到上下文爆炸的场景。
5.3 MCP：扩展能力的正确姿势
- 个人常用 8 个 MCP，但建议尽量少用
- MCP 会占据大量原始上下文，用参数让 MCP 只暴露必要接口
- 优先选 Rust/Go 编译的 MCP，而非 Node，内存占用显著更低
5.4 Hooks：安全网
目前最有价值的 Hook：让 Claude Code 在删除任何未备份内容之前先做备份。
低成本，但能避免很多不可恢复的错误。
5.5 终极调试方式
让 AI 把日志写在本地，再根据日志排查问题。这是最有效的 bug 解决方式，没有之一。你觉得 AI 搞不定的问题，让它先写日志，结果往往超出预期。
六、长期记忆：解决"今天说明天忘"
很多人的实际痛点。解决方案：知识分组。
- 维护一个分层的 Knowledge 文件夹，告诉 Claude Code"有价值的信息存储到知识里"
- CLAUDE.md 分组管理：子工程各自维护 CLAUDE.md + Rules 分层
- 越用越顺手，上下文利用率也更高
七、上下文管理：保持模型智能的关键
| 策略 | 说明 |
|---|---|
| MCP 按需引入 | 使用参数精简接口暴露 |
| CLAUDE.md 分层分组 | 避免信息过载 |
| 上下文阈值 200k | 超过就开新 Session |
| 避免压缩上下文 | 开新 Session 远优于压缩 |
| 实时监控 | 了解每个 Session 的上下文消耗 |
上下文不推荐超过200k（1M 窗口的20%）。差别就像工作日上午 vs 加班到深夜的同事——到了晚上，它的回答质量会断崖下降。永远给模型最好的工作状态。
"实时监控"这一条最容易被忽略。很多人用着用着上下文爆了还不知道，等到回答质量明显变差才发现。我做 GroAsk 的核心动机之一就是这个——菜单栏一眼能看到每个 Claude Code 终端的上下文用量、当前状态、排队情况，不用一个个切终端去查。
八、多 Session 管理：别只盯着一个窗口
只开一个 Claude Code 进程、盯着它干活，效率太低了。
- 舒适区：2-3个并行
- 高强度场景：可以开到 5-10个
- 策略：实时读取每个 Session 的状态，只维护需要用户输入的 Session
但超过5个终端后，光是 Cmd+Tab 找"哪个在等我输入"就很烦。现在的做法是用 GroAsk 的调度面板集中管理——哪个在跑、哪个等输入、哪个上下文快满了，一目了然。⌥Space 呼出面板，点一下跳到对应终端，不用在一堆窗口里翻找。
九、模型的边界在哪里
边界在完全创新的能力。
做没有人做过的东西——训练数据里没有，只能推测。这时候，需要发挥的是人的创造力和判断力。模型能放大执行力，但无法替代判断。
十、总结：三句话
- Claude Code 不是 AI 助手，是 AI 团队。 用管理团队的方式去用它。
- 人的核心价值是决策。 产品决策、技术决策、创新——这些交不出去。
- 工程化使用 AI。 Skill 固化流程、Subagent 管理复杂度、知识分组实现记忆、上下文管理保持智能。
作者日常用 Claude Code 开发 GroAsk——一个 macOS 菜单栏 AI 启动器，⌥Space 直达所有 AI，同时监控多个 Claude Code 终端状态。如果你也是 Claude Code 重度用户，欢迎试试。