Claude 从入门到生产：官方课精华重讲版

进阶进行中Claude8 月 22 日更新

你看完能拿走什么：一套体系化的 Claude 用法——先建立判断 AI 输出的认知框架，再到 Claude Code 的工程化用法、五种定制机制选型、MCP 从入门到生产安全、API 开发的降本与可靠性实践。骨架整理自 Anthropic 刚上线的官方免费课程平台 Claude Academy（十几门课、20 多个小时），我们用官方工程博客和 2026 年生产实践资料做了补全和修正——包括两处官方课自己都没跟上的 API 变化。想学官方原版的，文末告诉你怎么去。

用 Codex 等其他编码智能体的读者也能看：四属性、4D、上下文管理、验证纪律、workflow 与 agent 的取舍都是通用方法论，照搬即可；斜杠命令、Hooks 配置和 API 参数是 Claude 系的，换成你家的对应物（比如 CLAUDE.md 对应 AGENTS.md）。

先搞清 AI 的能与不能

用 AI 翻车，几乎都能归到四个属性上。这四个属性是稳定的——模型升级只移动边界，不换框架：

  1. 下一词预测：大模型本质是高级 autocomplete，流畅和幻觉是同一机制的两面。人名、日期、数据、引文、URL 是编造重灾区；语气再自信也不代表正确。
  2. 知识：知识冻结在训练截止日，而且关键不是「知不知道」，是「训练数据里覆盖多厚」。冷门领域覆盖薄，答案就不可靠。缺口靠联网搜索、RAG、外部工具去补。
  3. 工作记忆：上下文窗口是定长的，超限是断崖不是滑坡，静默截断最危险。一个实测数据值得记住：关键信息埋在长上下文中间，准确率能掉 30% 以上——重要内容放开头和结尾。
  4. 可控性：「你说的」和「你想要的」之间必有缝隙。短、具体、可验证的指令最有效；长推理链会漂移，多步任务中途要设检查点。

诊断法：真实翻车多是两个属性叠加——预测+知识=一本正经的幻觉细节，记忆+可控=长对话越聊越偏。出问题先点名是哪两个在打架，再对症下药。

再补一个 2026 年的行业共识：agent 失败的主因是上下文，不是模型。上下文污染、冲突、膨胀比模型能力不足更常见——这也是为什么下面每一节都在反复讲上下文管理。

跟 AI 协作的基本功：4D

把 AI 用好是一项能力，Anthropic 把它拆成四个 D：

  • Delegation 分工：动手前先想清目标和成功标准，再按人机各自强项决定哪些交给 AI、哪些自己来。
  • Description 表达：说清三层——要什么（格式、受众、风格）、怎么做（方法和思路）、AI 该怎么表现（简洁还是详尽、顺从还是敢质疑你）。
  • Discernment 甄别：对偶的三层评估——结果对不对、推理过程有没有漏洞、协作行为合不合适。你的领域知识越深，甄别越准。
  • Diligence 尽责：选工具时注意隐私和数据安全、按场景披露 AI 参与、发布前亲自核实——成品的责任在你。

日常协作就是「表达清楚→甄别结果→定向反馈修正→融入自己的判断」的循环，跑到满意为止。提示手法就六招：给足上下文、给示例、明确格式和长度约束、复杂任务拆步骤、让 AI 先思考再作答、指定角色语气。写提示靠迭代，也可以让 AI 帮你改提示。

网页版 Claude 各功能怎么分工

  • Projects 放「是什么」：独立工作区，知识库靠检索自动引用，项目指令统一口径。
  • Skills 放「怎么做」：可复用的流程指令包，聊天里说「帮我建个 skill」就能生成，和 Projects 互补。
  • Artifacts 出成品：侧窗生成网页、React 组件、图表，可发布成公开链接。
  • Research 做深调研：自主多轮检索几百个来源、产出带引用的报告；快查一个事实别用它。
  • Connectors 接工具：走 MCP 协议连 Gmail/Notion/Slack 等，权限可细粒度收回。

桌面端的 Cowork 模式是把整块工作（不是一问一答）委派出去出成品：指定可读写的工作文件夹、接上 connector、选「先问再动」还是「直接动手」。提示词写清交付物格式+输入来源+约束。安全三招：专用文件夹圈边界、执行中盯计划防跑偏、确认框别顺手点。

Claude Code：从上手到工程化

这是全套内容里对开发者最值钱的部分，官方课加官方工程博客的实践合在一起讲。

核心循环与工作流。Claude Code 的本质是「收集上下文→行动→验证→循环」。日常按 Explore→Plan→Code→Commit 四步走：复杂改动先 Shift+Tab 进 Plan mode 只读分析，确认计划再动手——改计划永远比改代码便宜。官方 power user 的第一原则是验证闭环：给它可运行的测试或明确的成功标准，让它自己跑到绿灯，而不是你肉眼当裁判。

上下文管理：/context 查占用，/compact 压缩（可附指令指定保留重点），/clear 清零。换功能先 /clear；大范围检索、读大文件这类高噪音操作丢给 subagent，别让它污染主会话。上下文是 Claude Code 的真正瓶颈，管它比换模型收益大。

CLAUDE.md 宁短勿长：只写 Claude 没法从代码里推断的东西——构建/测试命令、团队约定、项目暗坑。/init 生成初稿，细节用 @ 引用文件而不是全文塞入；Claude 犯一次错，就把修正立刻写进去，让文件跟着项目长。写了也未必被遵守的硬规则，改用 Hooks 强制——hook 是事件驱动、必然执行，比自觉可靠。比如保存文件后自动格式化：

json
{
  "hooks": {
    "PostToolUse": [{
      "matcher": "Edit|Write",
      "hooks": [{ "type": "command", "command": "npx prettier --write \"$CLAUDE_FILE_PATHS\"" }]
    }]
  }
}

验证纪律一句话：看得越少，验得越多。放手跑完的活先看 git diff，别听它的自述；用 stop hook 卡住「测试不过不许收工」；再开一个没有历史包袱的 subagent 复审——writer 和 reviewer 分离是官方团队自己的用法。容易漏的一条：测试全绿之外还要查 diff，防止测试被悄悄放松。

并行与自动化：git worktree 隔离并行 3-5 个会话是 power user 标配；本地无头模式 claude -p 接管道，比如在 CI 里：

bash
claude -p "审查这次 diff 里的安全问题，输出 JSON" --output-format json | jq -r '.result'

云端定时任务按 cron 或 GitHub 事件跑；PR 评论里 @claude 能触发 GitHub Action 真改代码。两个救命小技巧：空输入框双击 Esc 回滚代码或对话；/goal 设可核验的完成条件让它多轮自跑。

五种定制机制怎么选

按这张表各就各位，别什么都塞 CLAUDE.md：

  • 每次会话都要的背景 → CLAUDE.md（常驻）
  • 特定场景才用的流程 → Skill（按描述语义匹配、按需加载）
  • 想手动触发 → 斜杠命令
  • 必须强制执行的规则 → Hook（事件驱动，必然执行）
  • 只要结果不要过程 → Subagent（独立上下文，只回摘要）
  • 要接外部系统 → MCP

Skill 的关键手法：SKILL.md 控制在 500 行内，大技能拆脚本和参考文件渐进加载；脚本让 Claude 运行、别让它读，只有输出占 token；不触发多半是描述里缺你实际会说的那句话。subagent 不自动继承 skill，要显式挂上。

Subagent 的使用判据一条：中间过程要不要看？只要结果（大范围调研、换个新视角 review）就委派。三个官方点名的反模式：专家人设无实际增益、串行流水线交接丢信息、代跑测试会藏输出。

MCP：从原理到生产安全

一句话：MCP 把「为每个外部服务手写工具集成」外包给了 server，你的应用只带一个 client，接什么服务都是同一套协议。

三个原语按控制权分——理解 MCP 最值钱的一张图：tools 归模型（Claude 自主调用）、resources 归应用（喂 UI 和上下文）、prompts 归用户（斜杠命令触发）。写 server 按三问选：增强模型？tools。给应用喂数据？resources。给用户可复用工作流？prompts。

传输选型（2026 年现状）：stdio 只限同机，适合本地和开发调试；远程一律 Streamable HTTP——2026-07 新版规范已支持无状态水平扩展，旧的 HTTP+SSE 双端点方案弃用。开发期就用生产环境的传输方式测，别到上线才换。

生产安全，这是官方课没展开、但真上生产必须补的部分：

MCP 本质是「带权限的工具调用管道」。没有认证、没有策略、没有审计的远程 server，等于把攻击面直接摆到公网上。

  • 认证：远程 server 强制 OAuth 2.1 + PKCE，token 按 server 和动作绑定作用域；别用静态 API key 裸奔。
  • 两类高发攻击：tool poisoning——工具描述和返回值里可以藏指令，诱导模型执行非预期操作；供应链投毒——2025 到 2026 年已有多起恶意 MCP 包事件（如带后门的 postmark-mcp）。装第三方 server 前审来源，敏感环境校验哈希。
  • 落地节奏：从只读工具起步再逐步放开写操作；高影响写操作加人工审批；凭证按工具隔离而不是按 agent 共享；上了规模就前置网关做认证、限流、审计。

API 开发：可靠性与降本

做产品的人最关心两件事：输出可靠、账单可控。按当前 API 现状讲（这一节有两处和官方课不一致，是课程还没跟上 API 更新，以下面为准）：

输出可靠：

  • 要结构化输出，用 structured outputs：请求里配 output_config 的 JSON schema 约束最终响应；工具定义上开 strict 模式做严格校验，解析错误和重试能降一大截。官方课里教的 assistant prefill 拿 JSON 的老办法，在当前一代模型上已经移除，调用会直接报 400。
  • 工具描述当接口文档写——描述含糊是 agent 不用工具的头号原因；参数用枚举、必填标 required。
  • 深度思考已改为自适应：当前一代模型的 thinking 参数用 adaptive 类型，官方课里的 budget_tokens 固定预算参数在新模型上已废弃；控制思考深度改用 effort 档位（low 到 max），简单任务用低档，别为分类任务花思考的钱。

降本三件套：

  • prompt caching：缓存命中只按输入价的 0.1 倍计费，写缓存 1.25 倍（5 分钟档）或 2 倍（1 小时档）。命中要求前缀完全一致，顺序是 tools→system→messages——稳定内容（系统提示、工具定义）放最前并打上缓存标记，时间戳、请求 ID 这类动态内容放后面。最小可缓存长度约 1024 token。上线后盯 usage 里的 cache_read_input_tokens，长期为零就是有东西在悄悄破坏前缀。
python
response = client.messages.create(
    model="claude-opus-5",
    max_tokens=4096,
    system=[{"type": "text", "text": LONG_SYSTEM_PROMPT,
             "cache_control": {"type": "ephemeral"}}],
    messages=[{"role": "user", "content": question}],
)
  • Batch API：非实时的批量任务走异步批处理，输入输出都打五折，还能和缓存叠加。
  • 选模型：拿 20-30 条真实样本做评测，从最便宜的档逐级往上试——能交付的最便宜档就是对的档。

eval 当基础设施建：从真实失败案例里抽 20-50 个任务尽早建评测集；区分能力评测（低通过率，推动进步）和回归评测（接近满分，防止退化）；评估单元是完整轨迹加最终结果，不是单条回复；自动化评测+生产监控+人工抽检三层兜底。打分让模型当裁判时，必须同时要求给理由，否则分数会扎堆在中间没有区分度。

Workflow 还是 Agent

集成进产品前最重要的架构决定。定义先分清：workflow 是你预定义的调用序列，agent 是给目标和工具、让模型自己规划路径。

官方的选择准则很干脆：能单次调用就别上 workflow，能 workflow 就别上 agent。 复杂度只在结果显著提升时才加。五种 workflow 模式够用大多数场景：串联（chaining）、路由（routing）、并行（parallelization）、编排者-工人（orchestrator-workers）、评估者-优化者（evaluator-optimizer）。agent 只留给路径真正不可预知的开放任务，且每步要从环境拿真实反馈、设人工检查点。

多 agent 的坑提前知道：token 消耗轻松涨 3-10 倍、交接丢上下文、调试难度远超单体的 N 倍。先跑单 agent 基线，能测出并行或专业化的真实收益再升级——大多数团队的正确答案是单 agent 配好工具。

想学官方原版，怎么去

以上是我们的整理版加生产实践补全。想跟官方原版仔细学（有代码演练、互动练习、结课测验）的，去 academy.claude.com：

  • 全部课程免费，不登录就能看正文；登录免费 Claude 账号可保存进度，考完测验拿完成徽章（带公开验证链接，可挂 LinkedIn，但不是付费认证证书）
  • 课程全英文，配合浏览器翻译或让 Claude 边学边译

内容对应关系：前两节出自 AI Capabilities and Limitations 和 AI Fluency: Framework & Foundations；网页版一节出自 Claude 101 和 Introduction to Claude Cowork；Claude Code 部分出自 Claude Code 101、Claude Code in Action 加官方最佳实践文档；定制机制出自 agent skills 和 subagents 两门短课；MCP 出自两门 MCP 课（生产安全部分是我们按 OWASP MCP Top 10 和企业实践补的）；API 与架构部分出自 Claude Platform 101、Building with the Claude API（9 小时大课，建议当参考书按章查）和 Anthropic 的 Building Effective Agents。

text
普通用户：  Claude 101 → AI Capabilities and Limitations
开发者：    Claude Code 101 → Skills/Subagents 短课 → MCP 入门
做产品的：  Claude Platform 101 → API 大课（按需查）
带团队的：  AI Fluency 主课 → 按岗位分发上面几条线

国内访问注意：academy.claude.com 和 claude.ai 同一套账号体系，网络环境要求一样；只看课不用注册。注册和防风控的做法站内有现成教程：Claude 注册与 IP 防关联、固定 IP 访问海外 AI 服务。

常见问题

看这篇和上官方课有什么区别？ 框架、方法、结论这篇都讲了，还补了官方课没有的生产安全和降本实践、修正了两处课程落后于 API 的内容；官方课多的是代码演练、互动练习和徽章，动手学去官网。

官方课要付费吗？ 不用，课程和徽章都免费。

有中文课程吗？ 暂时没有，界面和课程都是英文。

这里的 API 细节会过时吗？ 会。定价倍率、参数名以官方文档为准，本文写作时间是 2026 年 8 月。

Claude 从入门到生产：官方课精华重讲版 | 资讯狗 | Zixungou