使用 Claude Code 修复遗留系统时守护钱包的实用方法

提升智能并削减成本的双模型交叉运作

开启 AI Agent 驱动的编程时，最令人恐惧的不是性能，而是下个月的信用卡账单。视频中看到的双 Agent 协作虽然精彩，但如果毫无节制地使用，极易触发 API 费用炸弹。截至 2026 年，Claude 4.6 Opus 的输入单价为每百万 Token $5.00，比 Sonnet ($3.00) 贵 60% 以上。输出成本甚至飙升至 $25.00。在超过 10 万 Token 的遗留项目中，循环每转动一次，就相当于消耗掉了一杯咖啡的钱。

为了控制成本，不能盲目迷信 Opus，而应采用插槽分配模式。仅在占整体工作量 20% 的设计与架构判断中部署 Opus，其余 80% 的简单实现则交给 Sonnet。

• 方法： 首先在 Anthropic Console 中为每个项目设置预算上限 (Usage Limit)。在 Claude Code 设置中将默认模型设为 Sonnet，仅在逻辑复杂的会话中通过 --model opus 标志手动提权。养成每周一早晨查看 API 报告的习惯，确认实际支出是否符合预期曲线。
• 结果： 在保障高难度推理质量的同时，可节省 40% 到 70% 的整体 API 成本。

绘制代码库地形图以防止 Token 浪费

Agent 消耗的 Token 中，实际上有 70% 浪费在检索不必要的文件和遍历目录上。当上下文超过 10 万 Token 时，LLM 会出现注意力急剧下降的“性能断崖”现象。一股脑塞入所有源代码是费钱又毁性能的捷径。根据 Anthropic 的内部测试结果，通过压缩上下文进行传递，在维持推理质量的同时，输入成本可降低 50% 以上。

请创建 AI 专用的说明书 ARCH.md，为 Agent 提供指路地图。

• 方法： 首先使用 tree -L 3 -I 'node_modules|dist|.git' > tree.md 命令提取项目骨架。接着使用类似 Repomix 的工具，剔除实际逻辑，仅保留函数签名和接口定义的“签名图 (Signature Map)”。最后在 .claudeignore 文件中明确标出 .svg、.json 等资产文件，将其从 Agent 的视线中移除。
• 结果： 减少初始探索阶段的消耗，使每个会话的输入 Token 节省 50% 以上，响应速度提升近 2 倍。

自动化批判性审查以减少交付后的 Bug 修复

双 Agent 架构的核心在于通过分离设计者 (Advisor) 与执行者 (Executor) 来建立安全机制。如果只是简单地要求“帮我 Review 代码”，通常只会得到“代码很整洁”这种敷衍的回答。作为资深工程师，必须强制要求 Advisor 扮演“刻薄的批评者”。仅此一步，就能大幅减少每周通常需要 5 小时以上的后期 Bug 修复时间。

在执行模型改动代码前，请建立一套让 Opus 进行批判性审查的机制。

• 方法： 在 Claude Code 的自定义技能中注册“Critical Review”提示词。明确要求其必须检查以下三项：数据一致性 (Race Condition)、安全漏洞、性能退化 (N+1 Query)。必须在获得“无严重缺陷”的审核批准后，方可下达执行指令。
• 结果： 逻辑缺陷显著减少，在实际生产环境中的故障率可降低 30% 以上。

大规模任务时的瓶颈解决方法

如果让 Advisor 和 Executor 串行工作，每次验证都会产生等待时间。在需要修改数百个文件的大规模重构中，这种方式效率太低。迁移 5 万行以上的库时，需要通过任务拆分进行并行编排 (Orchestration)。

提升任务速度的并行流程如下：

• 方法： 使用 git worktree add 命令创建基于功能的独立目录。在每个 Worktree 中开启独立的 Claude Code 会话，同时重构不同的模块。最后使用 Clash 等工具解决 Worktree 间的冲突，并合并至主分支。
• 结果： 原本需要数周的重构工作，可在 20 小时左右的集中作业内完成，生产力得到极大提升。

防止 AI 技术债务的每周架构审计

随着 AI 生成的代码不断堆积，某一时刻可能会出现整体结构失调的技术债务。Agent 虽然能完美修复单个文件，但并不对系统整体的发展方向负责。2026 年，资深工程师的真正职责不再是亲手敲代码，而是管理 Agent 产出结果的对齐状态。

请在每周五下班前执行“架构审计”流程。

• 方法： 将一周内变更的所有 Commit 输入给 Opus，让其查找是否违背了既有的约定（例如：Early Return 模式）。找出复杂度过高的函数或缺少测试的模块，列出“债务清单”。这份清单将成为 Agent 下周的首要任务。
• 结果： 防止代码库腐烂，长期保持 AI 引入初期的整洁状态。