Claude Code 为什么这么🐂🍺（以及如何在你的智能体中重现这种魔法）!? —— 来自 @nuwandavek 结合他在 @minusxai 使用 cc 的经验，非常有参考价值！感谢 @dotey 老师分享，看到后很有启发，自己再来读一遍总结出来，写的真的非常好！
为什么 cc 这么好用？
cc 让人感觉“简单好用，干活利索”。它基于 Claude 4 模型，结合精心设计的提示词和工具，充分发挥了 AI 的优势，同时弥补了它的短板。相比其他工具（如 Cursor 或 GitHub Copilot），cc 的体验更流畅，原因在于它设计简单、调试容易、用户控制感强。作者通过拦截 cc 的网络请求，分析了它的运行机制，总结出以下几点经验，供开发者打造类似体验的智能体。
打造类似 cc 的智能体：核心经验
1. 控制循环（Control Loop）：简单至上
· 单一主循环：cc 只有一个主循环，避免多智能体系统的复杂性。复杂的多智能体系统（如多个 AI 协作）调试起来很麻烦，容易失控。cc 通过单一消息历史和最多一个分支（子智能体）来处理复杂任务，既能分解问题，又不失整体掌控。
· 用小模型干大事：cc 大量使用轻量级模型（如 claude-3-5-haiku）来处理文件读取、网页解析、历史总结等任务，成本比大模型低 70-80%，效率却不差。能用小模型的地方就别浪费大模型！
2. 提示设计（Prompts）：细节决定成败
· claude. md 文件：cc 每次请求都带上一个 claude. md 文件，里面记录用户偏好和项目上下文（比如忽略某些文件夹或强制使用特定库）。这让 AI 更懂用户需求，MinusX 也引入了类似的 minusx. md 文件。
· XML 标签和 Markdown：cc 的提示用 XML 标签（如 、）和 Markdown 结构化，清晰划分语气、风格、任务管理等部分。大量示例帮助 AI 理解正确和错误的做法，比如如何保持当前工作目录。
· 提示很长但很值：系统提示约 2800 词，工具提示高达 9400 词，包含语气、工具使用策略、近期提交记录等详细信息，确保 AI 行为一致且可控。
3. 工具设计（Tools）：灵活又高效
· LLM 搜索优于 RAG：CC 不用传统的 RAG 搜索代码，而是让 AI 用 ripgrep、jq 等命令直接搜索代码库，像人类开发者一样。这种方式更灵活，减少了 RAG 的隐藏失败点（如相似度函数选择）。
· 工具分层设计：CC 的工具分为低级（如 Bash、Read）、中级（如 Edit、Grep）和高级（如 WebFetch、Task）。低级工具提供灵活性，高级工具确保确定性，减少 AI 的低级操作负担。工具描述里有很多示例，确保 AI 用对工具。
· 自管理的待办清单：CC 让 AI 自己维护待办清单（TodoWrite 工具），既能保持任务专注，又能随时调整，解决长期任务中的“上下文腐烂”问题（AI 跑偏或忘记目标）。
4. 可控性（Steerability）：让 AI 听话
· 语气和风格：CC 的提示明确规定了语气（简洁、不啰嗦）、风格（不用表情符号，除非用户要求），让交互更专业、自然。
· “IMPORTANT”大法：目前最有效的 AI 控制方式还是用“IMPORTANT”、“NEVER”等强硬词语，比如“绝对不要用 find，用 Grep 代替”。虽然有点笨拙，但效果好。
· 明确算法和启发式规则：提示中详细写出任务的决策流程，像流程图一样，辅以大量示例，避免 AI 在关键决策时“懵圈”。这比一堆零散的“做/不做”规则更清晰。
核心理念：简单就是力量
cc 的成功秘诀在于 极致简单。它避免了复杂的框架或多智能体系统，专注于让 AI 在清晰的提示和工具框架下“好好干活”。这种设计不仅让调试更轻松，还能随着模型进步而持续优化。作者提到，MinusX 已经借鉴了这些经验，并鼓励读者也试试。
实用建议
· 保持简单：别用复杂的多智能体系统或过度工程化的框架，调试会让你抓狂。
· 善用小模型：成本低、速度快，适合处理大量简单任务。
· 设计好提示：用 XML、Markdown 结构化，加入大量示例和启发式规则。
· 灵活的工具：结合低级和高级工具，让 AI 既自由又高效。
· 参考大厂：cc 的提示和工具设计很值得模仿，因为它们反映了模型训练的“套路”。
https://minusx.ai/blog/decoding-claude-code/
https://x.com/shao__meng/status/1958758584172581053
