当前位置：首页 > news >正文

Claude Code 深度使用40小时复盘：把AI当成你的复利账户

news 2026/6/3 22:36:04

Claude Code 学习实战指南：怎么让 AI 越用越懂你

一本关于"怎么让 AI 越用越懂你"的实战日志。
基于 DeepSeek v4 pro + Claude Code，约 40 小时实测。

零、Claude Code 的长期复利：为什么越用越值钱

大部分人对 AI 的用法是"一次性"的

打开对话框 → 问问题 → 得到答案 → 关掉。下次再来，从零开始，AI 完全不记得你是谁。

这不是工具的问题，是用法的问题。Claude Code 本质上不是"问答机器"，而是一个能记住你、适应你、越来越懂你的协作系统。区别在于——你有没有花时间让它"认识你"。

复利是怎么发生的

想象你有一个笔记本，每次跟 AI 聊完，你就会在上面记几行字——我今天学到了什么、我容易在什么地方卡住、我用什么方式学最快。

第 1 次对话：笔记本是空的。AI 给的回答很通用，因为不知道你的水平。
第 5 次对话：笔记本有几页了。AI 知道你喜欢先看代码再讲理论，回答开始变得精准。
第 20 次对话：笔记本厚了。AI 知道你的知识盲区在哪，会自动帮你补短板。
第 50 次对话：AI 比你自己还清楚你的学习轨迹。它不只是回答问题——它提醒你"你上次在这里卡住了，这次要不要换个理解方式？"

每一次对话都不是孤立事件。它在你留下的痕迹上叠加，让下一次对话的起点越来越高。这就是复利。

一个例子：周度复盘

深度使用 Claude Code 一段时间后，你可以让它帮你做一件普通 AI 做不到的事——回溯你一整周的学习轨迹，指出问题、给出建议。

你只需要说一句"写周总结"，它就会自动分析你的会话记录、代码产出、学习笔记，然后输出一份报告：这周实际在忙什么？跟上周比有推进吗？同样的错误是不是又在犯？下周只改一件事，改什么？

这个对话本身也是复利——复盘报告变成了下一周对话的基础。第二周 Claude Code 会读取上周的报告，检查上周的建议你执行了几条。

以下是快速版复盘提示词（5分钟跑完，每周日用）：

请用 300 字以内快速复盘我最近7天（{上周日期} 至 {本周日期}）的 Claude Code 使用情况。 要求： 1. 总览：花了多少小时、做了哪几个项目、各占比 2. 上周复盘的建议我执行了几条？没执行的是哪些？ 3. 本周最浪费时间的一件事是什么？ 4. 下周只改1件事，改什么？ 数据来源：~/.claude/projects/C--Users----/*.jsonl（最近7天）、桌面学习记录、桌面项目目录。 如果无法精确统计时间，说明估算口径。

完整版复盘提示词（含分析标准、数据采集指引、输出格式）见文末附录。

一、我使用 Claude Code 的模式：让它不断自我更新

不是"我用 AI"，是"AI 越来越了解我怎么用"

复盘完发现提示词太宽泛 → 修改 CLAUDE.md 加一条规则 → 下次 AI 会自动追问你的审查维度。

发现自己的学习有三步法的规律 → 写成 Memory → 每次新对话 AI 都会按三步法教，不用重新解释。

需要重复执行某个流程（比如每周复盘）→ 写一个模板文件 → 一句话触发。

这个循环是：使用 → 发现问题 → 让 AI 记住改进 → 下次自动执行。每一次改进都在"训练"AI，让它下一次更了解你、更适配你的习惯。

举个例子：怎么让 AI 学会"帮你写一个技能"

Claude Code 有一个叫 skill-creator 的技能——你先让它下载这个技能，然后当你发现自己在重复做某件事（比如"每次写完代码都要让 AI 从三个固定角度审查"），你可以对 AI 说：

“帮我把这个流程写成一个技能”

AI 会根据你描述的需求，生成一个技能文件。以后你说一句/review，它就自动按你定好的标准审查代码——不需要每次重新说明审查维度和长度限制。

关键不是"技能本身"，而是你教会了 AI 怎么更好地服务你。你每一次让 AI 帮你改进协作方式，都是在存复利本金。

二、以 C++ 后端学习者为例：建立你的学习工作流

以下以一个正在学习 C++ 后端的初学者为例，展示如何用 Claude Code 把零散的操作串成一个完整的学习工作流。

注意：这不是功能罗列，而是一条链——每一步产出自然流入下一步，形成闭环。

拿到一段不理解的代码（自己的或参考代码） │ ▼ ① 逐行讲解 ──→ "这段代码我不理解，逐行讲。重点是 X 和 Y 的关系。" │ ▼ 理解了，但不清楚为什么这样设计 ② 知识点追问 ──→ "为什么这里用 epoll 而不是 select？底层怎么决定的？" │ ▼ 理论通了，动手自己写 ③ 手写实现 ──→ 关掉 AI，靠自己写一版 │ ▼ 写完了，贴给 AI 审查 ④ 代码审查 ──→ "审查这段代码的 [线程安全/RAII/接口设计]，给 3 条建议，200 字以内。" │ ▼ 审查发现 Bug 或设计问题 ⑤ Bug 排查 ──→ "现象是 X，我试了 Y 没用，帮我定位根因。" │ ▼ 问题解决，巩固理解 ⑥ 复习问答 ──→ "出 3 道判断题考我今天的知识点，我答完你再补充。" │ ▼ 整个流程结束，沉淀下来 ⑦ 学习记录 ──→ AI 主动问"要不要整理学习记录？" → 你说"要" → 自动生成并保存

这个工作流的关键：前三步（讲解→追问→手写）是输入和消化，中间两步（审查→排查）是校正，后两步（问答→记录）是巩固和归档。

给新手的建议：不需要第一天就把整个工作流铺开。从①开始，感到需要②的时候就加②，⑤⑥⑦在 AI 的提示下自然触发。工作流是长出来的，不是设计出来的。

什么时候不该用 AI

工作流里最重要的一步是第③步——关掉 AI，自己写。这一步很容易被跳过，因为让 AI 直接生成代码太方便了。但如果你跳过了，前面①②步白做，后面④⑤步也没意义（审查 AI 写的代码你学不到东西）。

三个不该用 AI 的时刻：

写代码的时候：哪怕写得很烂、报了很多错，也要自己先写一版。烂代码是你当前水平的真实记录，AI 看到这版烂代码才能精准定位你需要补什么。
调试的前 30 分钟：看到 Bug 先自己想，看日志、打断点、推理。30 分钟还找不到再问 AI——这时候你的大脑已经加载了足够的上下文，AI 的解释你才能真正理解。
做设计决策的时候：AI 可以出方案建议，但"选哪个方案"这个判断必须你自己做。因为只有你自己知道你在意什么——性能、可读性、还是学习价值？

三、跟着工作流最容易踩的坑

这些坑是按工作流的顺序排列的，每条旁边标了跟哪一步最相关。

序号	踩过的坑	关联工作流	怎么避免
1	贴代码只说"帮我看看"，没说审查方向	第④步	加一句话：“审查线程安全和 RAII，200 字以内”
2	代码写完放粘贴缓存里，没归档到项目	第④步之后	审查完立刻放到项目目录，能编译跑通才算完
3	给 AI 太宽泛的指令，回复大而全没重点	第①②步	指出具体不理解的地方 + 字数限制
4	用"熟练工程师"的标准评价自己	全局	明确当前是打地基还是提效阶段，标准不同
5	笔记写了没消化，纯粘贴	第⑦步	写完笔记当天让 AI 出题测自己
6	多个项目间快速跳转	全局	锁定一个主线，其他想法记下来以后看
7	配置了很多技能但基本没用	全局	按需启用，打地基阶段 3-4 个足够
8	API 连接失败还以为网络问题	全局	先检查模型兼容性，确认是否支持 system role

四、Memory 系统：你只需要开口说，AI 来配置

我怎么让它建起来的

不是自己去翻文档、学 frontmatter 格式——就做了一件事：在对话中随口说出需要记住的东西。

我说"这个三步学习法挺好，以后就按这个来" → AI 问要不要存成记忆 → 我说要 → 它就建好了
我说"以后复盘报告都存到桌面那个目录" → AI 自动更新了记忆
我说"以后我说写周总结你就自动跑复盘" → AI 把它变成了一条触发规则

从头到尾没写过一行 frontmatter，没手动创建过一个文件。我只负责告诉 AI"记住这个"，AI 负责格式化、写文件、更新索引。

这个方法的核心

把 AI 当成你的"外挂大脑管理员"——你只需要说"这个重要，记住"，它来处理怎么存、存在哪、以后怎么找。

具体做法：

发现了一个好用的学习方式 → “记住，以后就这样做”
被某个问题坑了 → “记住这个坑，以后提醒我”
做了一个影响后续学习的决定 → “更新一下我的记忆，现在主线是XX”

唯一需要你做的事：定期检查

每周复盘的时候，扫一眼 AI 用的记忆有没有过期——项目进度变了没？技术水平更新了没？过期的告诉 AI 删掉，新的告诉 AI 加上。其余的全交给 AI。

五、我用的模型：DeepSeek v4 pro

本文所有经验基于 DeepSeek v4 pro。不是推荐你用这个模型，只是告诉你它的实际表现。

优点

学习效率大幅提升：代码审查、知识点讲解、逐行注释的质量足够支撑日常学习。你不需要最强的模型，你需要一个能陪你把代码改对、把概念讲透的模型。
改变传统学习范式：传统学习是"看书→做笔记→做题→对答案"，每一步都是单向的、滞后的。Claude Code 把这个过程变成了即时交互——写一行代码就有人 review，不懂就问，问了就懂，懂了就练，练了就测。这个闭环的速度是传统学习的 10 倍。
改变工作范式：不仅是学习。写文档、排查 Bug、设计接口、复盘总结——这些原本需要多人协作的事，现在可以一个人 + AI 完成。不是"用 AI 代替了别人"，是"用 AI 放大了自己"。

缺点

system role 兼容性问题：DeepSeek 的 Anthropic 兼容端点不支持systemrole。Claude Code 初始化时会发 system 消息，可能导致某些版本下连接反复失败（API 报错unknown variant system）。建议在 Claude Code 更新后先验证。
输出风格差异：更直接，不像原版 Claude 先复述再回答。从原版切过来需要适应。
不支持模型族差异化调用：原版可以用 Sonnet 做简单任务、Opus 做复杂设计，deepseek 把所有路由指向同一个模型。

六、写在最后

基础不牢时，把 AI 当老师

你不会问一台挖掘机"怎么练手臂力量"——但很多人对 AI 的用法就是这个级别的错位。让 AI 替你写代码、替你设计架构、替你跳过该自己踩的坑，等于用挖掘机练手臂。短期看起来快了，长期什么都没练到。

正确的用法：让 AI 看着你练，给你即时反馈。你写代码，它审查。你不懂，它讲。你讲给它听，它纠正。你踩坑，它帮你定位根因。在这个过程中，你是运动员，AI 是教练。教练不会替你跑步，但会让你每一次训练都精准命中弱点。

基础扎实后，把 AI 当搭子

当你的手写能力已稳固、接口设计不再依赖外部建议、Bug 排查有了自己的方法论——AI 的角色就变了。它不再是需要仰望的"老师"，而是一个跟你水平相当、但速度比你快 10 倍、永远不会累的搭子。

你设计接口，它帮你检查边界条件。你写核心逻辑，它帮你补测试。你定方向，它帮你扫清执行路上的体力活。不是"AI 替代了你"，是"你借助 AI 放大了自己"。

永远在探索

Claude Code 的能力边界不是你刚用时看到的那样。探索不是"装上所有技能试试哪个有用"。真正的探索是：发现一个重复痛点 → 想"AI 能不能帮我解决这个？" → 试一下 → 能用就固化成模板/技能/触发规则，不能用就记下来以后再试。

两个值得记住的思想

费曼学习法：如果你不能简单地解释一个东西，说明你还没真正理解它。Claude Code 是你最好的费曼练习对象——把刚学的概念讲给它听，它会戳穿你的模糊理解。比讲给一个听不懂的人强一万倍，因为 AI 刚好懂。

工具放大意图：任何工具——从一把锤子到 Claude Code——都不会改变你的方向，只会放大你的力量。如果你知道自己要学什么、为什么要学，AI 会让你的学习速度快 10 倍。如果你不知道自己想要什么，AI 只会让你更高效地原地打转。先想清楚目的地，再让 AI 帮你加速。

附录：完整版周度复盘提示词

每月底用，20-30分钟跑完。替换{上周日期}和{本周日期}后粘贴使用。

请帮我审查我最近7天（{上周日期} 至 {本周日期}）在 Claude Code 中的实际使用情况，并输出一份周度复盘报告。 ## 分析范围 1. 检查 Claude Code 产生的会话记录（~/.claude/projects/C--Users----/ 下的 jsonl 文件）、缓存文件、技能目录和项目产物。 2. 统计这一周的总使用时长，并按主要项目估算投入时间和精力分布。 3. 按项目梳理我做过的事情、产出的文件、以及中间是否有低效步骤。 4. 审查主要项目中的用户提示词、对话推进过程和任务拆解方式，指出哪里提问不清楚、约束不完整。 5. 总结这一周使用 Claude Code 时最常见的思维问题和协作问题。 ## 输出要求 1. **总览**：总时长、主要项目、缓存和产物概况。 2. **跟上周对比**（必须先读上周的复盘报告）： - 上周的建议本周执行了几条？ - 同样的错误是否重复出现？ - 是否有新类型的问题冒出来？ 3. **按项目分别分析**：做了什么、花了多久、哪里效率低、提示词哪里可以改。 4. **CLAUDE.md 进度检查**：读取所有活跃项目的 CLAUDE.md，对比"当前进度"与实际产出是否一致，不一致的要标出来。 5. **协作问题诊断**：从提问方式、任务拆解、目标定义、工程习惯四个维度分析。 6. **本周浪费排名**（按浪费时间从多到少，最多 5 项）。 7. **可执行优化建议**，分两类： - A. 提问改进（给出"改前 → 改后"对照） - B. 项目流程改进 8. 如果时间统计无法做到精确，请明确说明估算口径。 ## 分析标准 - **效率判断**：重写后没有实质设计改进 = 低效（注意⚠️ 如果是刻意学习迭代，每次重写都有新增理解，不算低效）；代码/笔记没有落盘归档 = 低效；配置了但没用过 = 低效。 - **提示词质量**：过于宽泛（如"帮我看看这段代码"）= 差；缺少约束维度 = 中；有明确审查视角和长度约束 = 好。 - **任务拆解**：有"先设计→再实现→再审查"三步 = 好；跳过设计直接实现 = 待改进。 - **工程习惯**：代码能编译运行 = 合格；学习记录有可验证内容（编译命令/运行结果）= 合格。 ## 数据采集指引 按以下顺序采集，不要一次性全读（避免 token 溢出）： 1. `~/.claude/projects/C--Users----/*.jsonl` — 按修改时间筛选最近7天 2. `~/.claude/paste-cache/*.txt` — 按修改时间筛选最近7天 3. 桌面学习记录目录 4. `~/.claude/projects/C--Users----/memory/` — 记忆系统，标注过期条目 5. 桌面近期项目目录 — 检查各项目的 CLAUDE.md 进度字段 6. `~/.claude/settings.json` + `settings.local.json` — 仅在怀疑配置有问题时读 ## 输出注意 - 使用具体数据，不要泛泛而谈 - 改进建议必须是"下周就能执行"的，1-3 条即可，不要列一堆 - 每个问题给出"之前→之后"的可操作对照