Claude Code 创始人强调的 AI 编程唯一原则：构建验证循环指南

AI 生成代码的能力如今已成为一项平庸的技术。在 2026 年的今天，区分资深工程师与初学者的决定性差异不在于 AI 的智能程度，而在于是否拥有控制其输出结果的验证系统。

Anthropic 的 Claude Code 创作者 Boris Cherny 表示，我们不应将人工智能视为完美的答题机，而应将其视为需要学习和纠偏的初级开发人员。我们需要超越简单的下令阶段，采用一种让 AI 能够自我纠正错误的验证循环 (Verification Loop) 策略。

---

1. 设计 AI 的记忆仓库 Claude.md

让 AI 代理完美理解项目上下文的核心装置是位于项目根目录下的 Claude.md 文件。这是为 AI 准备的入职指南，也是存储项目核心规则的记忆仓库。

仅仅罗列文本是行不通的。为了让 AI 能即刻将其转化为执行规则，必须具备以下结构：

• Tech Stack: 明确项目的语言和框架版本。提供如 pnpm、Next.js 15、Tailwind CSS v4 等精确数值，可以从源头上阻断 AI 建议旧版语法的错误。
• Project Structure: 定义模块角色。建立严格的分离规则，例如 src/services 只负责业务逻辑，src/components 只负责 UI 逻辑。
• Anti-patterns: 记录 AI 反复犯的错误。添加诸如“禁止滥用 useEffect”之类的条目，可以防止在下一次对话中重复同样的错误。

如果在代码审查中发现 AI 的错误模式，请立即利用 @.claude 标签更新文件。随着这一过程的重复，AI 的准确度将呈几何级数增长。这被称为复利型工程 (Compounding Engineering)。

2. Boris 的 3 阶段高速生产力工作流

超越单纯使用工具的水平，个人开发者需要一套能够产生团队级生产力的系统化流程。

计划优先法

最常见的错误是立即要求编写代码。资深工程师在实现之前会进入 Plan Mode 进行充分沟通。请先确认是否处理了边界情况以及对现有模块性能的影响。计划阶段的 10 分钟可以减少 1 小时的调试时间。

领域专属自动验证策略

生成的代码必须通过客观工具进行验证。核心在于赋予 AI 调用各类工具的权限。

领域	验证工具	使用方法
Backend	Pytest, Jest	修改逻辑后自动运行测试并分析错误日志
UI/UX	Playwright	AI 运行浏览器，通过点击实际 UI 元素进行检查
Docs/Types	Linter, TS Check	每次保存时自动执行 Lint，阻断语法错误

基于 MCP 的编排

Claude Code 通过 MCP (Model Context Protocol) 与外部系统联动。通过联动 Sentry，AI 可以读取实时错误日志并立即建议补丁；通过联动 Notion，它可以读取 PRD 并自动编写设计文档。

3. 投资于准确度而非速度

2026 年的开发数据展示了一个有趣的结果。像 Haiku 或 Sonnet 这样的轻量级模型虽然初始响应快，但重复修改的成本很高。

相比之下，Opus 4.5 虽然响应较慢，但通过经历深度推理过程的 Thinking 模式，在大规模重构中展现出压倒性的准确度。结果表明，一次性交付正确结果的能力使最终发布时间缩短了 30% 以上。

安全设置同样至关重要。虽然 --dangerously-skip-permissions 标志很方便，但也充满了风险。应通过 .claude/settings.json 设置为自动批准 git commit，但对于 git push 或访问环境变量，则必须经过人工批准控制。

---

利用人工智能进行编程不仅仅是一项生成文本的技术，而是一个设计可靠验证系统的工程过程。当记录 AI 错误并将其转化为系统记忆的过程不断重复时，开发者才能从单纯的重复劳动中解放出来，专注于创造性的问题解决。请立即在项目根目录添加第一条验证规则。这就是在 AI 时代保持领先的唯一原则。