大多数人用 Claude Code 的方式还是"写提示词 -> 复制粘贴 -> 反复调整"。但真正在生产环境跑通 AI 编程的团队，核心工作已经不再是优化提示词，而是构建一套围绕模型的工程基础设施（Harness）。这篇文章拆解 Claude Code 的三大工程机制，以及你今天就能动手的具体步骤。

核心概念：Model + Harness

Martin Fowler 把公式提炼为：Agent = Model + Harness。

Harness（挽具）这个词来自马术。一匹马很强壮，但它不知道往哪儿走——缰绳、马鞍、笼头决定了方向。类比到 AI 编程：模型能力很强，但它不知道在你的代码库里该遵循什么规则。Harness 就是你为它造的方向盘、刹车和导航。

一组数据说明了问题：VILA-Lab 的研究系统分析了 Claude Code v2.1.88 的 51.2 万行 TypeScript 源码，发现只有 1.6% 是 AI 决策逻辑，剩下 98.4% 是确定性的工程基础设施——权限网关、上下文管理、工具路由、错误恢复。

第一步：创建 CLAUDE.md —— 项目大脑

CLAUDE.md 是放在项目根目录的 Markdown 文件，Claude Code 在每次会话开始时自动读取它。

它是什么

项目的大脑和入职手册。架构决策、命名约定、测试要求、反复踩过的坑，都写在这里。

怎么写

不需要完美，也不需要很长。遵循三条原则：

• 每次 Claude 犯错 -> 你加一条规则
• 每次你重复自己 -> 你加一个工作流
• 每次出 bug -> 你加一道护栏

# 项目：MyApp

## 架构规则
- 使用 TypeScript strict mode
- API 层统一放在 src/api/ 下
- 组件用函数式写法，不用 class

## 命名约定
- 文件名用 kebab-case
- 组件名用 PascalCase
- 工具函数用 camelCase

## 常见陷阱
- 不要在 useEffect 里直接 setState，用 ref 判断是否已挂载
- 数据库查询必须带 limit，防止全表扫描

提示：下次 AI 犯错的时候，先不要手动修，而是问自己"CLAUDE.md 里缺了什么"。把它补上，下次就不会再犯。

第二步：创建 Skills —— 可复用工作流

.claude/skills/ 目录存放可复用的自动化工作流。

核心理念

Claude Code 的创建者 Boris Cherny 反复强调一句话："如果你每天做某件事超过一次，把它变成 skill 或 command。"

适合做成 Skill 的场景

• Code Review：自动审查代码风格、安全漏洞、性能问题
• 生成 Commit Message：基于 diff 自动生成规范的提交信息
• 写发布说明：从 git log 提取变更并生成 CHANGELOG
• 修一类重复 bug：批量修复同类问题的模板化流程

一个 Skill 本质上是一段可执行的方法论。它不是提示词，而是带输入输出定义的自动化脚本。

第三步：创建 Hooks —— 自动护栏

.claude/hooks/ 是最关键的部分。它不依赖 AI 自己判断，而是由确定性代码在 AI 犯错之前就挡住它。

为什么 Hooks 最重要

这是让你敢于让 AI "无人监督"地跑的原因。出错的边界由 hooks 卡死了，而不是靠 AI 自己"小心"。

实际案例

OpenAI Frontier 团队的做法值得借鉴。他们的 linter 错误信息不是给人看的 "violation detected"，而是给 Agent 看的修复指令：

// 普通项目的 lint 错误
Error: Unexpected console statement

// OpenAI Frontier 的 lint 错误
Error: Use logger.info({event: 'name', ...data}) instead of console.log

Agent 能直接读懂这条指令并修复，不需要人类介入。

完整目录结构

your-project/
  CLAUDE.md              # 项目大脑（每次会话自动读取）
  .claude/
    skills/              # 可复用工作流
      code-review.md
      commit-gen.md
    hooks/               # 自动护栏
      pre-commit.sh
  docs/
    decisions/           # 架构决策记录（让 AI 知道"为什么"）
  tools/                 # 自定义工具
  src/                   # 业务代码

验证效果

这套方法不只是理论。LangChain 仅通过调整 Harness（系统提示、工具、中间件、推理模式），没有更换模型，就把 Terminal Bench 2.0 分数从 52.8 提升到 66.5。

今天就能做的事

1. 建一个 CLAUDE.md：在你最重要的项目根目录创建，花 10 分钟写下架构规则和踩过的坑
2. 改造一个重复操作为 Skill：找到你每天做两次以上的事，把它变成 .claude/skills/ 下的一个工作流
3. 在容易踩坑的地方加一个 Hook：把人类工程师的判断力翻译成机器可读的约束

未来工程师的能力曲线正在从"我能写多少行代码"转向"我能为 AI 设计多严格的工作环境"。写代码的活儿正在被 Agent 接管，但设计那个让 Agent 能写出好代码的环境，还是你的工作。