在与 AI 协作时，开发者常陷入相互矛盾的提示词建议中。辨别哪些方法真正有效变得愈发困难，而最有力的建议往往来自工具构建者本身。Claude Code 创始人 Boris Cherny 近期分享了关于如何高效使用该编码代理的新建议，其中部分观点与他早期的推荐截然相反。
告别预先规划，转向自动模式
Cherny 在与 Anthropic Claude Code 产品负责人 Cat Wu 的对谈中指出，随着模型能力的增强，独立的“计划模式”已非必需。他早期曾推荐使用该模式以在构建前与 AI 对齐目标，但现在他更倾向于在同步命令行界面（CLI）工作流中直接使用“自动模式”。
这一转变主要基于两点考量：一是新模型无需单独规划阶段即可产出良好结果；二是传统模式易引发“权限疲劳”，导致用户在未仔细阅读的情况下盲目批准操作。自动模式通过独立的安全分类器评估工具操作，无需手动批准每一步，从而减少中断，提升工作流效率。
建立错误记忆库，避免重蹈覆辙
针对 AI 在不同会话中重复犯错的问题，Cherny 建议不要仅在聊天窗口中进行临时纠正。他主张将错误及其修正方案记录在 CLAUDE.md 文件或专用技能文件中。这样，当 Claude 再次遇到类似场景时，可参考历史记录，避免重复相同的错误，随着时间推移形成一套可复用的经验库。
从代码验证到全链路自主测试
Cherny 强调，Claude 不仅应编写代码，更应负责验证其构建成果。除了运行单元测试和检查编译错误，团队正实验赋予 Claude 更强的交互能力。例如，在开发 GUI 应用时，Claude 可利用桌面开发技能启动应用、点击界面、识别并修复 Bug，随后再次测试。
结合 Anthropic 的 /goal 命令，用户可设定具体目标，让 Claude 在限定条件下自主迭代，直至满足标准。这种基于目标的循环能显著减少人工介入纠正的时间。
践行“上下文极简主义”
尽管过去提倡提供尽可能多的上下文，但 Cherny 指出，最新模型在“上下文极简主义”下表现更佳。过多的系统指令、工具和背景信息反而可能阻碍模型独立解决问题。他建议将系统提示和可用工具保持在最低限度，仅保留完成任务所需的核心信息，而非用冗余数据淹没模型。
构建自动化代理循环
Cherny 认为，手动编写代码已非唯一路径，下一步是让 AI 代理自主处理提示工作。借助 Anthropic Agent SDK 等工具，开发者可构建自动化工作流：系统监控 GitHub 上的新问题、拉取请求或构建失败，并在满足特定条件时自动触发 Claude 进行调查、修改、测试及提交审查。这种例行程序能将开发者从重复性检查中解放出来。
保持开放心态，迭代工作流
AI 模型进步迅速，数月前的最佳实践如今可能已过时。Cherny 以自身对“计划模式”态度的转变为例，呼吁开发者质疑既有的认知习惯。定期回顾并尝试新的协作方式，接受曾经坚信的方法可能不再必要，是适应 AI 辅助编程发展的关键。