原文档：
https://www-cdn.anthropic.com/58284b19e702b49db9302d5b6f135ad8871e7658.pdf
中文译文：
https://k8274sonr5.feishu.cn/docx/GeIWdv2nCoVzxgxcCdlc7a0rnob?from=from_copylink
不同团队的实践用法
1、技术和工程团队 (数据基础设施、产品开发、安全、推理、RL工程)
这类团队主要利用 Claude Code 来加速现有的软件开发生命周期。主要使用场景包括
代码库理解与上手：新员工或需要在不熟悉的代码库中工作的工程师，会请求 Claude Code 解释系统架构、识别关键文件和依赖关系，从而显著缩短上手时间。
功能开发与原型设计：
-
监督式开发：在开发核心业务逻辑时，工程师会提供详细指令，实时监督 Claude Code 编写代码，确保质量和合规性。
-
自主式开发：对于非核心功能（如实现Vim模式）或快速原型，工程师会启用“自动接受模式”，让 Claude Code 自主编写、测试和迭代，自己仅做最终的审查和微调。
自动化测试：工程师在完成功能开发后，会让 Claude Code 编写全面的单元测试，并自动覆盖容易忽略的边界情况。
代码审查与重构：用于审查基础设施代码（如Terraform计划）以评估风险，或处理那些对于编辑器宏来说太复杂、但又不足以投入大量开发精力的重构任务。
调试与事故响应：当遇到复杂问题时（如 Kubernetes 集群故障），团队会向 Claude Code 提供堆栈跟踪、错误日志甚至UI截图，让其引导找到问题根源并提供修复指令。安全工程团队通过这种方式，将原本需要10-15分钟的基础设施调试时间缩短到了5分钟左右。
2、数据科学与可视化团队
这支团队比较特殊，严格来说，它既不属于前面的技术和工程团队，也不属于下面即将介绍的非技术团队，所以把它单独拎出来。
他们需要精密的可视化工具来解析模型性能，但构建这类工具通常要求掌握陌生语言和框架的专业技能。Claude Code使这支团队无需成为全栈开发人员，即可构建生产级质量的分析仪表板。
构建专业级应用：即便团队成员对 JavaScript/TypeScript “知之甚少”，他们依然成功利用 Claude Code 构建了数千行代码的 React 应用，用于模型性能的可视化分析。
从一次性到持久化：他们不再依赖用完即弃的 Jupyter notebook，转而创建可复用的永久性 React 仪表板，用于未来模型的持续评估。
3、非技术团队 (产品设计、增长营销、法律)
这类团队的用法体现了 Claude Code “赋能”的核心价值，让他们能够独立完成过去必须依赖工程师才能实现的任务。
产品设计直接上手：设计师不再仅仅交付静态模型，而是直接使用 Claude Code 进行前端的视觉微调（如字体、颜色），甚至进行复杂的状态管理更改。他们还可以通过粘贴模型图的方式快速生成可交互的原型。
营销自动化：
-
广告创意生成：增长营销团队创建了自动化流程，可分析现有广告数据，并大规模生成符合严格字符限制的新广告文案，将数小时的工作缩短至几分钟。
-
设计素材批量生产：开发 Figma 插件，通过编程方式一键生成上百个广告图片变体，将创意产出提升10倍。
法律工具原型化：法律团队成员为有语言障碍的家人构建了定制化的辅助沟通应用，并为部门设计了“电话树”系统原型，以帮助同事快速找到合适的律师。
不同场景下实践方法的异同
1、共同点
1）迭代式协作：几乎所有团队都强调，不应将 Claude Code 视为一次性解决问题的工具，而是一个需要迭代协作的伙伴。无论是引导它、修正它还是与它一起审查，这种协作模式是成功的关键。
2）上下文至关重要：提供高质量的上下文是获得良好输出的前提。这包括编写详细的 Claude.md 文档来解释工作流程和工具，制定清晰具体的提示，以及使用自定义命令来简化重复性任务。
3）两步式工作流：许多团队，尤其是非技术团队，会采用“先规划，后执行”的两步流程。他们首先在 Claude.ai 的对话界面中充分构思和规划整个工作流程，然后让其生成一个全面的、分步的提示，最后再交给 Claude Code 来执行编码。
4）自动化重复性劳动：所有团队都使用 Claude Code 来自动化那些枯燥但重要的任务，如编写测试、批量生成内容、代码格式化等，从而解放人力，专注于更高层次的战略性工作。
不同点
1）工作模式：增强 vs 赋能
开发者 (增强)：对于工程师，Claude Code 是“增强型工作流”，它让本就能做到的事变得更快、更高效。
非开发者 (赋能)：对于设计师、法务等非技术人员，它带来了“天哪，我成了开发者”的体验，赋予了他们以前完全不具备的全新能力。
2）监督程度：同步 vs 异步
同步监督：在处理核心业务逻辑或关键修复时，产品开发团队会进行实时、紧密的监督，以确保代码质量。
异步自主：在处理原型设计、非核心功能或某些重构任务时，团队会采取更放手的方式。例如，产品开发团队使用“自动接受模式”让其自主运行，而数据科学团队则采用“老虎机”策略——让它自主工作30分钟，要么接受结果，要么推倒重来。
3）交互方式：代码指令 vs 视觉指令
技术团队更倾向于提供具体的代码和逻辑指令。
非技术团队（如产品设计和法律）更频繁地使用视觉输入，例如直接粘贴截图来展示他们想要的界面样子，然后通过视觉反馈进行迭代。他们也更需要 Claude Code 放慢速度、分步解释，以便于理解和跟进。
4）风险控制策略
RL 工程团队采取了更为谨慎的“检查点密集型工作流”，他们会频繁提交代码，以便在 Claude Code 的尝试不成功时能轻松回滚。他们也指出，一次性成功的概率大约只有三分之一，需要做好协作指导的准备。这体现了在容错率较低的场景下更强的风险管理意识。
虽然这份手册是 Anthropic 官方用来秀肌肉的，但不得不说，秀得好。他们对 Claude Code 在不同业务场景的实践分享，其实很好地展现了目前AI编程能做什么，以及还做不到什么。
大家应该也能从中感受到，AI编程正在改变传统的协作方式。大家不再需要等一个完美的方案，而是更倾向于“先快速做出个样品看看，再一步步迭代完善”。这让整个协作方式变得更灵活、更大胆，能更快地把各种好点子变成有价值的实际产品。
变化正在发生，不论我们是否接受。
相关文章
