企业官网建设流程全解析

如何让各种 Coding Agent 更好的干活？

在常规的对话外，Claude Code（也可以是 Codex）其实还提供了一些别样的控制（或者说：上下文注入）方法，比如：CLAUDE.md、Rules、Skills、Subagents、Hooks、Output Styles、以及System Prompt Append

接下来，我会具体聊聊这些奇奇怪怪的东西，用最不绕弯子、最把你稳稳接住🫴的方法，尝试讲清楚这些玩意儿都是个啥，让你最听人话👂的知道：

→ 这些方法各自适合放什么样的指令

→ 为什么在CLAUDE.md里写「永远不要做 X」不靠谱

→ Skills 和 Subagents 到底怎么玩

→ Hooks 是怎么做到确定性执行的

→ Dynamic Workflows 怎么让 Claude 自己写编排脚本

此外，最近 Claude 最近还多了一个叫Dynamic Workflows的能力，可以让 Claude 自己写编排脚本、协调多个 agent 并行干活，这里也会尝试讲清楚

本文中的图片和部分描述来自 Claude Code 官方文档，有兴趣的话也可以查看原始文档：

Steering Claude Code https://claude.com/blog/steering-claude-code-skills-hooks-rules-subagents-and-more

剧前提要

首先，我们必须要理解大模型的工作原理，简单来说就是**【塞进去足够的上文】，模型就能够【给出足够好的结果】：我在央媒的分享：上下文即一切**

**AI 的能力、问题和用法，本质都由上下文决定。**用户发一条请求，AI 把请求和它能拿到的所有材料拼在一起，组成一段完整的上下文，再往下生成结果…循环往复

而 Agent，则是在你给到初始的目标、背景信息、限定条件等等之后，它去自己构建上下文

划重点：Agent 和 ChatBot 的区别在一件事上【谁来构建上下文】

ChatBot 靠人喂，你给它什么材料它就用什么材料

Agent 会自己搜网页、读文档、调工具，把有用的内容写进上下文，发现不够还会自动回头继续找

对于 Agent 来说，它只能看到自己上下文内的内容；那么通过一些工程手段，去限定 Agent 在哪些步骤下，能看到哪些东西，就变得尤为重要，于是我们就有了如claude.md、skill等上下文注入方法

这里我做了一个表，方便大家更好的进行比较不同的上下文注入方法

如果追一下这几个东西的设计方法的话，会发现更多有趣的点：

CLAUDE.md是唯一一个「全程加载、全程占 token」的方法。你写的每一行，不管这次任务用不用得上，都在消耗上下文窗口

Skills的设计很聪明：只有名字和描述在启动时加载，完整内容等到被调用时才进上下文。用完之后如果上下文满了，最旧的 skill 会被踢掉

Subagents也是一种上下文注入，它是另起一个对话，在自己独立的上下文窗口里跑，跑完只把最终结果返回给主会话，所以从主会话角度来看，的上下文成本是零

Hooks完全绕过了上下文窗口。它是代码，由 harness 在外部执行

下面，我们来具体的讲解每一种上下文注入

CLAUDE.md

算是项目的「说明书」，Claude Code 启动时自动读入

【全程都把你稳稳接住】

这东西非常类似于 ChatGPT 里面的 Instruction/自定义指令，或者 API Call 里的 System Prompt，在项目启动时就会读取

在 Claude 里，这个叫做 CLAUDE.md

在 Codex 里，这个叫 agents.md

这些个文件时放在根目录里的，Claude Code 启动后就会自动读取，你可以在里面去约定一些里面写上构建命令、目录结构、编码规范、团队约定什么的

然后这里得说一下，CLAUDE.md分两种加载模式：

始终加载根目录的CLAUDE.md，加上你本地个人偏好的CLAUDE.md。启动即加载，压缩后重新读取，全程都在

按需加载子目录下的CLAUDE.md（比如app/api/CLAUDE.md），只在 Claude 读取该目录下的文件时才加载。压缩后丢失，等到再次碰那个目录才重新加载

子目录 CLAUDE.md 只在 Claude 碰到那个目录时才加载

对此，官方建议给每个团队的目录放自己的CLAUDE.md，开发者用claudeMdExcludes配置跳过不相关团队的文件，团队之间不互相占用上下文

也如同会不断膨胀的 instruction 一样，CLAUDE.md也可能会像所有没有 owner 的配置文件一样不断膨胀…毕竟人总喜欢不断的积累规则、加规则，然后这个 CLAUDE.md 也会不断膨胀，让指令遵循率也下降

CLAUDE.md 的正确用法

告诉 Claude 项目长什么样、构建命令是什么。流程和约束放到 Rules、Skills 这些按需加载的机制里

对于组织级别的安全策略和合规要求，可以通过 MDM 或配置管理工具统一部署一份集中管理的CLAUDE.md到开发者机器上，这份文件不能被个人配置排除

Rules

这给特定文件或目录设定的约束，可以做到「碰到这类文件才生效」

Rules 是.claude/rules/目录下的 markdown 文件。你可以把它理解成更精细的CLAUDE.md：CLAUDE.md是全局生效的，Rules 可以只在碰到特定路径的文件时才加载

不加路径限定的 Rule 跟写在CLAUDE.md里没区别：启动即加载，全程占 token。加了路径限定就不一样了

--- paths: - "src/api/**" - "**/*.handler.ts" --- 所有 API handler 必须用 Zod 做输入校验

只有当 Claude 读取src/api/下的文件时，这条 Rule 才会加载。做文档的时候，这条规则压根不在上下文里，不浪费 token

至于什么时候该用 Rule？

当一条约束是跨目录的（比如所有 migration 文件只能追加、所有测试文件必须用某个 mock 库），但又不需要全局生效时，path-scoped rule 就是最好的选择

Skills

这个算是大家最熟悉的「技能包」了，只在被调用时才加载完整内容，平时只占几十个 token

Skills的位置在.claude/skills/目录下，每个 skill 是一个文件夹，里面有一个SKILL.md定义名字、描述和完整指令

然后，这里我必须要说一点，也是常见的误区：

Skill 不是提示词 ，也通常不作为数据源，通常不会有「小红书搜索 Skill」的

Skill 的本质，是把一堆文件，按约定的结构打包成 .zip，然后把后缀改成了 .skll，所以当你调用别人的 Skill 时，本质是把别人打包文件夹喂给大模型：如果文件夹里有提示词，当然可以把 Skill 当提示词用，但绝对不能说 Skill 是提示词

说回来，当 Agent 启动的时候，并非加载 Skill 的全部内容，而只是加载其名字和描述（几十个 token 的事），完整内容等到 skill 被调用时才进上下文

Skill 调用方式有两种：人工斜杠命令（比如/code-review）或者 Claude 自动匹配任务

Skills 通过 system prompt 触发，用到才进上下文

Skill 跟 CLAUDE.md 的核心区别是「流程 vs 事实」。CLAUDE.md放的是 Claude 需要随时知道的事实（构建命令、目录结构）。Skill放的是需要按步骤执行的流程（部署清单、发布流程、review checklist）。流程不需要全程占 token，用到的时候加载就行

当对话内容过长，对话内容被压缩时，不同的内容会被以不同的方式压缩：

• 根目录 CLAUDE.md 不会丢失，准确说压缩的时候缓存会被清掉，但紧接着 Claude Code 会重新读取这个文件，所以它永远在上下文里
• 子目录 CLAUDE.md 会丢失，但等到 Claude 再次碰那个子目录它还会重新加载
• Skills 压缩后也会被重新注入，但有一个共享的 token 预算上限。如果调用了太多 skill，最早的会被踢掉

Anthropic 有一份完整的 skill 构建指南：查看指南 https://claude.com/blog/complete-guide-to-building-skills-for-claude

Subagents

这个也相对容易理解，就是让 Agent 多开几个窗口干活，在独立的上下文窗口里跑任务，跑完只把结论交回来

Subagents是.claude/agents/目录下的 markdown 文件，用 YAML frontmatter 定义名字、描述、模型选择和可用工具。你可以把它理解成一个专门处理某类任务的独立助手

跟 Skills 的关键区别在于隔离性。Skill 在主线程里执行，你能看到每一步的中间过程。Subagent 在自己独立的上下文窗口里跑，主会话看不到它的中间过程

Claude Code 的上下文窗口结构，Subagent 有自己独立的窗口

一个 subagent 做了 50 轮搜索、读了 200 个文件，主会话的上下文窗口里只多了一段摘要，这也是为什么要用它：SubAgent 做脏活累活，不污染主会话，并且能加快效率

在实际使用中，有三个典型场景可以去尝试：深度搜索（大量中间结果不需要保留）、日志分析（翻几百行 log 找问题）、依赖审计（逐个检查库版本）

Subagent 这东西时真的很好用，跑测试什么的非常省心。这几天我正在弄 AGI Bar 的 Drinking Plan，然后做了个小程序，完全是 SubAgent 集群在弄，这里我放个图大家感受下（其实中间我中断了次，实际上已经跑了 40+ 个小时了）

然后，Subagent 可以嵌套，最深五层，后面讲 Dynamic Workflows 的时候会看到，这个嵌套能力是大规模编排的基础

怎么选？

需要看到每一步的中间结果吗？需要就用 Skill

不需要，让它自己跑完给你一个结论，用 Subagent

Hooks

这东西的本质，是触发脚本：当遇到特定的问题，就自动执行，跟模型的判断力无关

Hooks是 Claude Code 里最不像 AI 的机制。你在settings.json里注册一个 hook，指定「当某个事件发生时，执行这条命令」。IFTTT 知道吧？就是那种: if this, then do that

八种 hook 事件覆盖从启动到完成的全流程

可以先看一下上面这张图，有八种 Hook 事件：

PreToolUse工具执行前触发。拦截危险命令、验证文件路径、自动批准安全操作。exit code 2 直接阻止执行

PostToolUse工具执行后触发。写文件后自动跑 Prettier，改代码后自动跑 linter

PermissionRequest权限对话框弹出前触发。npm test跑了第一百遍还在问你要不要允许？自动批准

SessionStart会话启动时触发。自动注入 git status、TODO 列表

PreCompact上下文压缩前触发。把完整对话备份到文件，防止重要决策丢失

Stop回复完成时触发。检查任务是否做完、测试是否通过。返回"continue": true让 Claude 继续干

SubagentStop跟 Stop 一样，但针对 subagent

UserPromptSubmit提交 prompt 时触发。自动追加当前 sprint 信息

而 Hook 动作本身有五种类型：command（执行命令）、HTTP（调接口）、mcp_tool（调 MCP 工具）、prompt（让模型判断）、agent（启动 agent 判断）。前三种完全确定性执行，后两种用模型的判断力

如果某件事绝对不能发生，用 hook 或 permission 做硬护栏

比如，之前我在弄「龙虾大逃杀」的时候，不是被踢了么…艹…龙虾大逃杀：存活下来的，拿 Mac mini｜群里有只会踢人的龙虾

当时我是图个懒省事儿，直接写在系统提示词里面的，除此之外没加任何防护，但江湖险恶、人心难测…屮屮屮屮屮…被踢了之后痛定思痛，才上了 permission 硬护栏，活动才能顺利进行

对了，忘了说了，当时比赛最终赢家是【四毛】，我加了一个月好友才加上

然后那段时间 Mac Mini 无现货（这可恶的龙虾潮），订等了好久才到

之后还会有类似的活动，欢迎大家来参加：中奖概率倍儿高，奖品也嘛倍好～

话说回来，做安全防护的时候，任何的提示词防护都是不靠谱的，都很有可能在长会话、压力大、或被 prompt injection 干扰时失效。而PreToolUsehook 拦截就是确定性的，作为大守密者，永远帮你把握住「永远不要执行rm -rf」这样的信息

更多 hook 配置细节：查看指南 https://claude.com/blog/how-to-configure-hooks

Output Styles

你可以通过这个，修改 Claude Code 的「人设」为猫娘，注入到 system prompt 里，权重最高但影响面也最大

Output Styles这个东西的位置，在.claude/output-styles/下面，能够注入到 system prompt 里、永远不会被压缩，且指令遵循权重最高

但在另外的一方面，你得知道：自定义 output style 会替换掉默认的 system prompt

这里说一下 system prompt，这是 Claude 里的内置基础提示词，包含了很多定义，比如：怎么限定改动范围、安全问题怎么处理、改完代码先跑测试

除非你在 frontmatter 里加keep-coding-instructions: true

对此如果你想进一步研究的话，可以先看一下三个内置的 style：Proactive（自主决策多）、Explanatory（教学模式）、Learning（协作编码）

System Prompt Append

**一句话解释：**通过 CLI 参数临时往 system prompt 后面追加内容，不修改默认指令，只对当次调用生效

如果觉得 Output Styles 改动太大，append-system-prompt是一个更甜品的选择。它只往默认 system prompt 后面追加一段内容，不替换任何东西。Claude Code 原本的软件工程指令全部保留

在 CLI 里，你可以这么输入：

claude --append-system-prompt "所有回复使用中文，代码注释也用中文"

这条指令只对当次调用生效，不写文件，不跨 session。适合加编码规范、输出格式、语气偏好这类轻量指令

压缩行为跟 Output Styles 一样：永远不会被压缩

但要注意一个递减效应：追加的指令越多，Claude 对每条指令的遵循率越低。特别是指令之间有冲突的时候，遵循率下降得更快

常见误区

对于这些注入方法，其实也有些常见的配置误区的，这些来自官方，我给翻译&补充了下：

错误：「每次 X，必须做 Y」写在 CLAUDE.md 里

比如你希望每次编辑文件后自动跑 formatter。这类行为应该用PostToolUsehook。模型选择做一件事跟自动执行一件事完全是两码事

错误：「绝对不要做 Z」写在 CLAUDE.md 里

绝对性约束用PreToolUsehook 做硬护栏，exit code 2 直接阻止。组织级别的护栏用 Managed Settings，管理员部署，用户不能覆盖

错误：30 行的流程写在 CLAUDE.md 里

部署流程、review checklist 放 skill。CLAUDE.md放事实，skill 放流程

错误：Rule 没加路径限定

只适用于src/api/**的约束，没加paths:就跟写在CLAUDE.md里一样，全程加载白费 token

错误：个人偏好写在项目级文件里

个人偏好（比如 commit message 格式）放用户级的本地文件，项目级文件只放团队共识

Dynamic Workflows

前段时间，Anthropic 发布了 dynamic workflows/动态工作流，简单来说就是让 Claude 自己写编排脚本，协调多个 subagent 并行工作，解决复杂任务

其诞生，是为了解决默认 harness 的三个老问题：

→偷懒Agentic laziness，安全审查要查 50 项，Claude 查到第 35 项就宣布完成了

→自我偏好Self-preferential bias，让 Claude 检查自己写的代码，它倾向于觉得没问题

→目标漂移Goal drift，长会话中每次压缩都是有损的，边缘需求和约束容易在压缩中丢失

在这个过程中，三个核心函数起到了作用：

• Agent(prompt,opts?)
• parallel([fns])
• pipline(items,…)

Dynamic workflow 用独立上下文窗口隔离每个子任务，从结构上消解这三个问题。触发方式很直接：跟 Claude 说「用一个 workflow」，或者用触发词ultracode

静态工作流 vs 动态工作流

至于 Dynamic workflow 的编排方式，A社总结有以下六种：

常见的工作流编排模式

Classify-and-act
先用一个 classifier 判断任务类型，再分发给对应的专用 agent 处理

Fan-out-and-synthesize

把任务拆成 N 个子任务，每个跑一个 subagent，最后一个 agent 汇总结果

Adversarial verification

每个执行 agent 配一个验证 agent，按标准对抗性检查输出

Tournament

N 个 agent 用不同方法做同一件事，逐对比较选出最优

Generate-and-filter

先大量生成，再过滤去重，只留验证过的高质量结果

Loop until done

不设固定轮数，循环 spawn agent 直到满足终止条件

实际案例

以之前 Bun 从 Zig 重写到 Rust 用了 dynamic workflows 这个事儿为例，过程中每个修复跑一个 subagent 在独立 worktree 里改，另一个 agent 对抗性 review，通过后合并

深度验证模式：执行 agent + 验证 agent 对抗

Deep research是 Claude Code 内置的一个 workflow skill（/deep-research）。扇出搜索、抓取源文档、对抗验证每条声明、汇总成带引用的报告

还有一个反向用法：让 workflow 翻你最近 50 个 session，找出你反复修正 Claude 的模式，聚类成规则候选，对抗验证每条（能不能真的防止之前的错误？），通过的写进CLAUDE.md

反向用法：从历史 session 挖掘规则候选

最后

这些上下文注入的方法，本质是延续一个思路：需要的时候，出现；不需要的时候，消失

对应到工程上，就是：不同的指令，要有不同的生命周期

有的需要全程在场（CLAUDE.md），有的只在特定场景出现（path-scoped Rules），有的用到才加载（Skills），有的在独立窗口里跑（Subagents），有的完全不占上下文（Hooks）

把所有指令塞进一个CLAUDE.md是最简单的做法，但也是最浪费、且会污染上下文的做法，做正式项目的时候，就不推荐了

事实放 CLAUDE.md，流程放 Skill，护栏放 Hook，隔离任务给 Subagent

然后，如果整套 Agent 系统是整个团队在用，就可以尝试着把这些东西打包成一个plugin，方便共享/分发

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】