Anthropic 团队如何使用 Claude Code

像 Claude Code 这样的智能编程工具可帮助开发者加速工作流程、自动化重复性任务，并应对复杂的编程项目。随着该领域的发展，我们每天都在从用户（包括我们自己的员工）那里了解到新的应用方式。

为了了解更多，我们与 Anthropic 各部门的员工进行了座谈，了解他们在工作中如何使用 Claude Code。

虽然他们的许多用例都在意料之中——调试、浏览代码库、管理工作流程——但其他一些用例却让我们感到惊讶。律师构建了电话树系统。营销人员在几秒钟内生成了数百个广告变体。数据科学家在不懂 JavaScript 的情况下创建了复杂的可视化图表。

模式变得清晰起来：智能编程不仅加速了传统开发，还消融了技术与非技术工作之间的界限，将任何能够描述问题的人都转变为能够构建解决方案的人。

以下是我们的发现。

代码库导航与理解

公司各个团队都使用 Claude Code 来帮助新员工，甚至长期员工快速熟悉我们的代码库。

基础设施团队的新任数据科学家将整个代码库提供给 Claude Code，以快速提升生产率。Claude 会读取代码库中的 CLAUDE.md 文件，识别相关文件，解释数据管道依赖关系，并显示哪些上游数据源会输入到仪表板中，从而取代了传统的数据目录工具。

我们的产品工程团队将 Claude Code 视为任何编程任务的“第一站”。他们让它识别需要检查哪些文件来进行错误修复、功能开发或分析，消除了在构建新功能之前手动收集上下文这一耗时的过程。

测试与代码审查

智能编程工具因其能够自动化两项关键但繁琐的编程任务——编写单元测试和审查代码——而特别受欢迎。

产品设计团队使用 Claude Code 为新功能编写全面的测试。他们通过 GitHub Actions 自动化了拉取请求评论，由 Claude 自动处理格式问题和测试用例重构。

安全工程团队将其工作流程从“设计文档 → 粗糙的代码 → 重构 → 放弃测试”转变为向 Claude 请求伪代码，引导其进行测试驱动开发，并定期检查。这使得代码更可靠、可测试。

智能编程还可用于将测试翻译成其他编程语言。例如，当推理团队需要用不熟悉的语言（如 Rust）测试功能时，他们会说明要测试什么，Claude 会以该代码库的原生语言编写逻辑。

调试和故障排除

生产环境问题需要快速解决，但在压力下尝试理解不熟悉的代码往往会导致延迟。对于公司的许多团队来说，Claude Code 通过实时分析堆栈跟踪、文档和系统行为来加速诊断和修复。

在处理事故时，安全工程团队将堆栈跟踪和文档输入 Claude Code，以跟踪代码库中的控制流。通常需要 10-15 分钟手动扫描的问题，现在的解决速度提高了 3 倍。

借助 Claude Code，产品工程团队获得了在陌生代码库中解决 bug 的信心。他们询问 Claude："你能修复这个 bug 吗？这是我看到的行为"，然后审查提出的解决方案，而无需依赖其他工程团队的协助。

在一个案例中，当 Kubernetes 集群停止调度 Pod 时，数据基础设施团队使用 Claude Code 诊断问题。他们将仪表盘截图输入 Claude，Claude 逐菜单地引导他们浏览 Google Cloud 的 UI，直到他们发现 Pod IP 地址耗尽。Claude 随后提供了创建新 IP 池并将其添加到集群的确切命令，在系统中断期间为他们节省了宝贵的 20 分钟时间。

原型设计和功能开发

传统上，构建新功能需要深厚的技术知识和大量的时间投入。Claude Code 使快速原型设计甚至完整的应用开发成为可能，让团队无论编程专业水平如何，都能快速验证想法。

产品设计团队的成员会将 Figma 设计文件输入 Claude Code，然后设置自主循环，让 Claude Code 为新功能编写代码、运行测试并持续迭代。他们将抽象问题交给 Claude，让它自主工作，然后在最终优化之前审查解决方案。在一个案例中，他们让 Claude 以极少的人工审查为自己构建了 Vim 键位绑定。

借助 Claude Code，产品设计团队发现了一个意想不到的用途：在设计阶段梳理错误状态、逻辑流程和系统状态以识别边缘情况，而不是在开发阶段才发现它们。这从根本上提高了他们最初的设计质量，并为他们在后续调试中节省了数小时的时间。

尽管数据科学家并不精通 TypeScript，但他们使用 Claude Code 构建了完整的 React 应用程序，用于可视化 RL 模型性能。在沙盒环境中进行一次提示后，该工具便能在他们自己不理解代码的情况下，从零开始编写完整的 TypeScript 可视化。鉴于任务的简单性，如果第一次提示不够充分，他们会稍作调整并重试。

文档和知识管理

技术文档通常分散在维基、代码注释和团队成员的头脑中。Claude Code 通过 MCP 和 CLAUDE.md 文件将这些知识整合成易于访问的格式，使每个需要的人都能获得这些专业知识。

没有机器学习背景的推理团队成员依赖 Claude 来解释模型特定的函数。通常需要一个小时的谷歌搜索，现在只需要 10-20 分钟——研究时间减少了 80%。

安全工程团队让 Claude 摄取多个文档源，以创建 markdown 运行手册和故障排除指南。这些浓缩的文档成为调试实际生产问题的上下文，这通常比搜索完整的知识库更高效。

自动化与工作流优化

智能代理编码工具帮助团队构建自定义自动化，这些自动化以往需要专门的开发者资源或昂贵的软件。

增长营销团队构建了一个代理式工作流，能处理包含数百个广告的 CSV 文件，识别表现不佳的广告，并在严格的字符限制内生成新的变体。借助两个专门的子代理，系统在几分钟内即可生成数百个新广告，而过去需要数小时。

他们还开发了一个 Figma 插件，可以识别画框，并通过程序化替换标题和描述来生成多达 100 个广告变体，将数小时的复制粘贴工作缩短为每批广告仅仅半秒钟。

在一个特别独特的用例中，法务团队创建了原型“电话路由系统”，帮助团队成员在 Anthropic 内部联系到合适的律师，展示了部门如何在没有传统开发资源的情况下构建自定义工具。

通过 Claude Code 解锁新可能

这些故事揭示了一个模式：当聚焦于 Claude Code 所能增强的人类工作流时，它的效果最好。最成功的团队将 Claude Code 视为思想伙伴，而不是代码生成器。

他们探索可能性、快速制作原型，并在技术和非技术用户之间共享发现。这种人类与 AI 之间的协作方法正在创造我们才刚刚开始理解的机会。