本文为 Claude by Anthropic 官方博客完整中文译文。版权归原作者及 Anthropic 所有；如译文与原文存在差异，请以英文原文为准。
建立连接
要求员工使用 AI 是一回事，为他们提供 Claude Code 以及所需工具的访问权限则是另一回事。
“对于［让非技术员工参与贡献］，我们实际上并没有回避，而是在主动拥抱。我们的看法是，每一种岗位都正在变成工程岗位，因为你可以为它构建软件……所以我们会招聘喜欢钻研、对构建感兴趣的人。”Kareem Amin · 联合创始人兼 CEO，Clay
在 Crosby，团队没有把律师带到 Claude Code 面前，而是通过将 Claude Code 与律师熟悉且每天使用的工具和操作系统连接起来，把 Claude Code 带到了律师面前。
提示： Claude 无法理解它看不到的内容。扩展 Claude 价值最有效的方法之一，就是将它连接到事实来源和团队每天使用的工具。
MCP 是一项面向 AI 工具集成的开源标准，可让 Claude Code 访问你的工具、数据库和 API。每当团队发现自己正在把某个工具中的信息复制粘贴到 Claude 时，都应考虑添加这类连接。
如果已经存在成熟的命令行工具（gh、kubectl、bq、psql），并且你希望 Claude 使用与工程师相同的事实来源，那么通过 CLI 连接可以提高 Token 效率。
Claude Code 桌面版中的 MCP Connector Directory。
站会成果展示
在某个阶段，需要给各种想法一个接受优先级评估的机会，让组织资源能够帮助其走向市场。对产品经理而言，这条路径非常清晰——毕竟这就是他们的工作——但对非技术员工而言则没有那么明确。
Clay 每季度举行评审，对原型进行考量，并让它们有机会进入正式路线图。Clay 的一位市场拓展团队成员正是通过这种方式构建了一个自主智能体：它会访问你的网站、填写潜在客户收集表单、计算响应所需时间、评价体验并生成绩效报告。
Omni 在 Slack 中设有专门展示 Claude 生成原型的频道，包括高级技术人员在内的所有人都可以贡献。他们还践行“全员交付”的推论——“全员与客户交流”。
尽管工程师通常不会自然而然地倾向于参加客户通话，但 Omni 会有意让他们直接面对客户，因为这样能够更快地闭合反馈循环。Chris Merrick · 联合创始人兼 CTO，Omni
分享 Skills
“全员交付”和“零敲碎打”之间可能只有一线之隔。无论功能原型来自谁，仍然需要将其整合到一个具有统一整体感的产品中。此时，Skills——编码了团队标准与上下文的可复用指令文件——便能帮助确保开发始终协调一致，即使这个过程正变得日益民主化。
“团队中的任何人都可以在 Claude Code 中以我们的设计系统为参考，起草产品组件、营销材料或演示文稿素材。涉及产品的 AI 必须达到更高的标准，而 Claude Code 帮助我们更精准地达到这一标准。”Heidi 的 Thomas Kelly 博士表示。
它们还可以帮助新开发人员和非技术员工快速完成入职并开始工作。
“……我们还有一个存放 Claude Code Skills 的 GitHub 仓库，它充当共享知识库，可以通过已知的 Emergent 细节快速引导 Claude Code 会话，例如数据库［和数据仓库］位置、一些 Schema［信息］以及公司的整体上下文……我们不必追求这里的内容尽善尽美；即使上下文文件略有过时也没关系，只要智能体能够快速验证并纠正方向即可。”Mukund Jha · 联合创始人兼 CEO，Emergent
“我们的工程师使用 Claude Code 建立了一个内部专用智能体市场，并按岗位组织，让工程、交付和销售团队都能获得根据各自实际工作方式构建的工具。”Jack O'Hara · 创始人兼 CEO，Translucent
提示： Skills 可以通过目录在全公司共享，让一名员工的最佳实践立即传递给另一名员工。在仓库的每个子目录中使用 CLAUDE.md 文件，记录该子目录专用且每次都适用的编码约定。对于按需执行的流程化工作流，则使用 Skills。更多信息请阅读：驾驭 Claude Code：何时使用 CLAUDE.md、Skills、Hooks 和 Subagent。
02
自动化繁琐工作
由智能体承担生命周期中机械性的 80%，让工程师把时间花在真正需要判断力的情况上。
自工业革命伊始，所有公司都在寻求通过技术提高效率，但这些初创公司凭借采用技术的速度和深度脱颖而出。
这些创始人认为，AI 是实现其使命不可或缺的组成部分。许多人明确提出，由智能体承担机械性的 80%，让工程师把时间花在真正需要判断力的情况上。
“每个人都在竞相构建 AI 产品，但真正重新设计公司运作方式的人少得多。后者才蕴藏着更大的突破机会。Artemis Security 是一家 AI 原生公司，而不是一家碰巧使用 AI 的公司。这极大提升了我们的速度，使我们能够帮助客户以机器速度阻止攻击。”Shachar Hirshberg · 联合创始人兼 CEO，Artemis Security
具体而言，我们看到，与其他公司相比，这些公司将 AI 更紧密地集成到了 SDLC 的各个阶段，并设计了更多专门用于端到端处理重复任务的智能体。下面分别来看几个例子。
AI 原生 SDLC
这里介绍的许多初创公司都实施了一些机制，用于加速团队融入智能体编程流程。例如，在 Emergent，Mukund 告诉我们：“新员工入职第一天，只需让 Claude 读取正确的 Markdown 文件，就能引导完成整个开发环境的配置。如果 Claude 在入职过程中遇到任何损坏或过时的内容，它就会更新该文件。”
提示： Code Review（研究预览版）是 Claude Code 中的一项托管式多智能体服务。它会对你启用的仓库中的 PR 自动执行一轮审查。你可以手动修复发现的问题并推送，也可以在发现的问题下评论 @Claude 来闭合流程（前提是你已设置并配置 GitHub Actions）。
Code Review 会为每个发现的问题标注严重级别。
这些工程师需要快速完成入职，因为这些团队的交付速度很快。
“这里的工程师正在编排智能体集群，在生产数据问题被发现的当天就交付修复，并让多个 PR 同时推进。一位工程师曾用多个 Claude Subagent 并行推进一项约有 13 个工单的计划，每个 Subagent 分别负责一个工单及其 PR。”Tanay Tandon · CEO 兼创始人，Commure
在这些组织中，Claude Code 不仅帮助生成代码，也会审查代码。“我们依据经过审核的技术与合规框架运行自动化代码审查，在任何内容交付前标记关键问题，并将建议的修改分派给合适的审查者。”Heidi 的 Kelly 博士表示。
其中一些组织还构建了用于代码审查、测试和 CI 的自定义智能体。这些初创公司高度重视构建循环，而不仅仅是部署代码。
“我最喜欢的［智能体］是‘Translucent code reviewer’。它会针对一项改动向外展开，从多个角度进行审查，再像我们的高级工程师一样综合结果，但速度比任何一个人都快。”Translucent 创始人 Jack 表示。
Clay“……构建了一个智能体来处理……Bug 分诊，从初步检查一直到为修复建议代码改动。”Kareem 表示。
提示： 在过去几个月中，Claude Tag 一直担任 Anthropic CI/CD 故障的值班第一响应者。在近期所有形成情况报告的事件中，第一份报告都由 Claude 撰写，通常会在 15 分钟内发布初步分析。
Claude Tag 拥有自己的服务账号，并有权访问 Anthropic CI 工程师所需的工具，例如 Datadog 或 Grafana。长期有效的指令以 Skills 的形式存放在 Markdown 文件中，并提交到 GitHub 仓库。这样，多名团队成员都可以迭代这些指令，而我们也能像管理代码一样管理变更。
Claude Tag 在 Slack 中接手一个值班讨论串，并在频道内报告进展。
这种情况在 ClickHouse 最为显著。联合创始人兼 CTO Alexey Milovidov 表示，这家数据库公司已将几乎每个 SDLC 阶段都转化为自主循环。两个分别用于修复不稳定测试和寻找测试覆盖缺口的专用智能体，如今已成为 ClickHouse 仓库贡献量排名第二和第三的贡献者。另有一组智能体负责运维工作，而团队则使用 Claude Code 构建并迭代这些智能体本身。
使用智能体加速流程
另一个反复出现的模式是：这些初创公司不仅使用 Claude Code 中的智能体循环来加快开发，也在创建智能体，以加速重复且通常十分繁琐的流程。
这类工作往往是例行事务，自动化后便可以将更多注意力放在竞争优势、客户关系和营收增长上。我们看到由 Claude 加速的最常见流程之一，就是自助式数据分析。
这些公司几乎都建立了某种流程，使其能够利用新鲜数据快速决策，其中也包括非结构化数据。这种能力为初创公司生命周期中至关重要的方向调整提供了动力。
例如，Clay 构建了一个内部分析智能体；Heidi 则使用 Claude Code，将客户和临床医生的反馈与使用数据一起分类，从中提取对产品洞见至关重要的信号。
ClickHouse 和 Omni 的产品都内置了这种 AI 数据分析能力，并且全部由 Claude 提供支持。
其他例子包括：使用 Subagent 汇总数千份法律文件（Crosby）、扫描理赔数据并标记不同站点中的异常（Commure），以及持续挖掘医院财务数据，寻找任何分析师团队都无法及时捕捉的预警信号（Translucent）。
提示： 动态工作流可以让多个 Subagent 向外展开，并行分析大量数据，或对另一个智能体的工作进行对抗式审查。使用 Claude Opus 或 Claude Fable 等模型时，可以说“fan out multiple subagents”或“use a workflow”。
03
信任，但要验证
除非拥有可靠的结果监控与验证手段，否则你无法将流程自动化。
这条规则是规则 2“自动化繁琐工作”的必然推论：除非拥有可靠的结果监控与验证手段，否则你无法将流程自动化。
Artemis Security 联合创始人 Dan Shiebler 表示，他们之所以能够提高部署速度，是“因为我们在测试基础设施、代码库组织和团队知识系统方面进行了深入投入，让智能体可以实现端到端交付。这就是我们用 Claude 构建的飞轮：以正确的方式组织代码库、知识库和团队，每一项贡献都会产生复利效应。”Dan Shiebler · 联合创始人，Artemis Security
“早期，我们赋予 Claude 完全自主权，而它做了 AI 会做的事：快速交付看起来合理的代码。问题在于，它逐渐偏离了我们的架构，产出的东西看似正确，实际却并非如此。因此，我们……写下了每一条不变量：我们如何界定问题、无论如何都必须满足什么条件，以及如何证明某件事有效，而不是相信一个充满自信的答案。整整 567 行，记录了这个团队的思考方式。”Victor Hunt · 联合创始人兼 CEO，Zingage
提示： 将不可改变的内容写入仓库根目录的 CLAUDE.md。Claude 会在每次会话开始时读取它，因此你的架构规则、安全边界和不可妥协事项会伴随每次会话。
需要说明的是，这些初创公司没有一家会让智能体把代码合并到主分支后就听天由命。其中许多公司身处高度监管的行业，需要强有力的治理框架。Cainex 就是一个格外生动的例子：它将智能体与确定性检查相结合，用于读取医疗记录并生成决定医院账单的编码。
“在医疗编码领域，错误的编码不是一个拼写错误，而是一起账单与合规事件。这一事实决定了我们如何构建系统。”Uriah Israel · 联合创始人兼 CTO，Cainex
“下面是 Claude Code 为我们运行的循环。我们用一个智能体处理一批数据，再由审计人员在内部应用中审查输出。他们看到的不只是编码，也会看到模型的推理过程，并对两者都发表评论……一切都有版本记录且可以审计。”他说。
“接下来由 Claude Code 接手。它会直接从数据库读取原始预测以及每一项纠正和评论。每项纠正都会根据所涉及的编码类型添加标签，因此 Claude Code 知道自己面对的是诊断问题、处置问题还是其他类别，并能直接查找规范该类编码的指导原则。
然后，它会找到智能体指令中导致错误的部分并加以修订；如果遇到真正的新情况，则编写新的指导原则。每项改动都基于一套有版本记录的指令完成，并使用此前失败的记录进行测试。我们强制执行的规则是：修正原则，而不是修正样例。”他继续说道。
“然后是回溯测试。一条记录可能有多种可接受的编码方式，因此这并不是简单的字符串匹配。检查过程将针对我们认可集合的语义匹配，与一个负责判断‘这是真正的错误，还是另一条同样有效的路径’的评判模型结合起来；Claude Code 还会在此基础上添加自己的比较。
它会用黄金数据集和随机样本测试候选改动，并在任何内容交付前揭示所有回归。最终返回的是一份简短列表：建议的修改、它无法解决的记录，以及希望得到解答的问题。工程师可以把时间花在真正困难的情况上，而不是机械性的 80%。”他说。
创始人可以从这个医疗账单专用工作流中总结出许多具有普适性的启示。
例如，Cainex 会让领域专家定期审查并指导 Claude 的推理，并确保这些指导成为自我改进循环的一部分。不过，这些专家并不是逐个修复样例；他们的指导会作为自我改进循环的一部分。正如 Uriah 所说：“修正原则，而不是修正样例。”
提示： 循环是指不断重复工作周期，直至满足停止条件的智能体。它们可以成为使用 Claude Code 处理更自主或长周期工作的有效方式。你可以使用 Skills 定义智能体需要满足的标准（定义得越清晰越好），并让智能体不断迭代，直至达成目标。
例如，许多组织会创建不稳定测试智能体或循环，因为其停止条件清晰且自包含：智能体可以反复重新运行测试，直至通过，以自行验证修复。
循环会不断重复工作周期，直至满足停止条件。
另一个启示，是团队在维护强大的评估“黄金数据集”方面非常严谨。黄金数据集是一组经过验证的问答对，团队用它来验证智能体的准确性。每家初创公司都应针对关键用例维护多套评估集，并定期更新，以防止漂移并评估未来的模型。
“［Claude Code］也改变了我们管理模型迭代速度的方式。新的视频和图像模型不断出现。每个模型都需要新的 Skills、评估、路由逻辑和生产测试，之后才能部署。Claude Code 将这个周期从数天压缩到了数小时，让我们可以发现生产环境中的问题，并在同一次会话中部署修复……当你面对的是员工数量十倍于你的公司时，这样的杠杆效应会改变一切。”Alex Mashrabov · 联合创始人兼 CEO，Higgsfield
提示： 团队刚开始构建智能体时，结合手动测试、内部试用和直觉，往往能走得出乎意料地远。临界点通常出现在用户反馈智能体在改动后体验变差，而团队却“两眼一抹黑”，除了猜测和检查之外无从验证。团队无法区分真正的回归与噪声，无法在交付前针对数百种场景自动测试改动，也无法衡量改进。更多信息请阅读：揭开 AI 智能体评估的神秘面纱。
Uriah 最后指出，这个过程可能需要下些功夫。“它一开始并没有这么完善。我们的第一个版本出现了过拟合。它会通过编码特定案例来‘修复’问题，结果只是不断积累补丁，而没有变得更聪明。我们改变了方法，强制要求使用一般原则，并限制任何一次改动中可以加入的具体细节数量。”
提示： AI 智能体并非确定性的，但许多受到高度监管的工作都要求流程每次以相同方式执行。Claude Code 提供了一些功能，可以帮助你将前沿智能与确定性流程结合起来。
Hooks 是用户定义的命令，会在 Claude Code 生命周期中的固定节点触发，并可充当硬性门禁。无论模型如何决策，它们每次都会执行。例如，它们可用于阻止未通过 Lint 的写入、要求提交前必须通过测试，或在任何内容离开沙箱前清除机密信息。
动态工作流使用确定性的执行顺序、相互独立的 Context 窗口和聚焦的目标来编排 Subagent。对于复杂的长任务，Claude 可能会过早宣告任务完成，在审查时偏向自己的发现，并逐渐偏离最初目标；此时 /goal 会很有帮助。
04
为重建而构建
模型能力一直在这些团队脚下发生变化，因此很少有东西会被视为永久不变。
许多 AI 原生初创公司都处于持续重塑之中。
AI 往往既是它们所构建产品的核心，也是它们构建产品方式的核心。由于模型能力不断演进，突破性的功能和关键的基础支撑一旦成为沉没成本，就会被立即舍弃。许多组织将这种不断重建的能力视为自身竞争优势的一部分。
“我们在 Clay 的做法是：构建一次，再构建一次，然后再构建一次。等到第四次构建时，你已经知道需要的一切，也就能把它做好。因此，我们不一定是在丢弃东西，而是在重建：这一次会更加清晰。”Kareem 表示。
“新路径交付时，重建工作还没有完成；只有旧路径消失时才算完成。过去，拆除旧系统在优先级竞争中总是落败：这项工作很繁琐，而且不会交付任何新功能。”Commure 联合创始人 Tanay 表示。“现在，Commure 的工程师只需调用一个 Claude Skill，大意是‘针对每个已经向所有人发布的功能开关，创建一个 PR，移除它及相关代码’，然后由工程师审查返回的结果。过去会占用大量开发周期的迁移工作，如今只需制订计划并向外并行展开，几个小时就能完成。”
提示： 使用 git worktrees，在仓库的隔离副本中进行重建，同时保持当前版本不受影响。Claude Code 可以为你创建一个 worktree——你可以让 v2 与 v1 并行运行，针对两者执行评估，只在新版本胜出时合并。正是这种方式降低了“构建四次”的成本。
一个仓库、一个对象存储——三个可同时处理的检出副本，每个副本都位于自己的分支上。
每个链接的 worktree 都是一个普通目录，拥有自己检出的分支；三个 worktree 共享 acme-web 内唯一的 .git 对象存储。
Kareem 还表示，Clay 的部分护城河在于持续重建、演进并创建自我改进循环的能力。
“我认为，现在任何公司的护城河都在于它必须能够自我改进。因此，Clay 是一个能够自我学习的营收引擎。你使用得越多，我们就越了解谁是你最优质的客户、你应该说些什么、哪些方法有效、哪些方法无效，而且这些认知会随时间变化。”他说，“真正的竞赛在于谁能最快建立分发能力……这样你就能帮助每一位［客户］，进而实现自我改进。”
在 2026 年 5 月的 Code with Claude 活动中，Harvey 应用 AI 负责人 Niko Grupen 谈到，每一波新的模型能力——涌现推理、智能体自动化、规划与编排——都要求对平台进行全面的架构重构。
“如果你在六个月前问我我们的架构是什么样，我给出的答案会与它今天的样子有根本性的不同。如果我们当时不愿意说‘嘿，我们需要舍弃现有方案，转向智能体原生’，那么我们的平台现在根本不可能具备这些能力。”Niko Grupen · 应用 AI 负责人，Harvey
提示： 对于并非微不足道的重写，应在计划模式下启动 Claude Code（--plan 或按 Shift+Tab）。Claude 会先探索代码库并提出重建方案，然后才会编写代码——你可以批准或调整方向。这是以最低成本发现重建方案即将偏离架构的阶段。
05
制作原型、内部试用、投入生产
使用 AI 进行构建，帮助这些初创公司创造具有颠覆性的 AI 产品——这正是其流程核心的飞轮。
许多初创公司的开发流程核心都存在一个关键飞轮：使用 AI 进行构建，帮助它们创造具有颠覆性的 AI 产品。
当开发人员提升自己的智能体编程实践时，他们会更深入地掌握模型能力，并理解 Harness 设计在前沿领域如何演进。然后，他们可以将这些灵感应用于自己的智能体和产品。
“我们从［Anthropic 的］文件与 Embedding 方法中获得了灵感，这让我们更有信心在自己的产品中保持简单。我们避免了 RAG Pipeline 可能带来的许多复杂性。”Omni 的 Chris 表示，“我们还看到 Claude Code 的 Harness 如何让用户并行处理任务，并将其中一些概念应用到了自己的 UI 中。”
这也有助于它们随时掌握自家产品的表现。
“由于我们的应用构建器在幕后也使用 Anthropic 模型，如果我们在产品中发现某种行为……就可以通过 Claude Code 快速在本地调试，判断问题来自模型行为还是 Harness。这极大改善了我们的分诊周期。”Emergent 的 Mukund 表示。
我们反复听到的模式是：使用 Claude Code 构建内部智能体，在内部使用（内部试用），再根据反馈将其升级为面向客户的产品，通常会使用 Claude API、SDK 或 Claude Managed Agents。
“我们［在产品中］构建了自己的 AI 智能体，供团队直接交互，其中包括 SQL 控制台中的智能体和 AI SRE。我们使用 Claude Code 构建并迭代这些智能体本身。支撑客户 AI 体验的工具，部分也是使用 AI 构建的。”ClickHouse 的 Alexey 表示。
检查清单
本指南涵盖了大量内容。以下是在一页中汇总的关键建议：
第 1 章：全员交付
Claude 无法理解它看不到的内容。通过 MCP 或 CLI 将它连接到事实来源和团队每天使用的工具。创建一个公司插件市场，让一名员工的最佳实践通过 Skill 立即传递给另一名员工。在仓库的每个子目录中使用 CLAUDE.md 文件，记录该子目录专用且每次都适用的编码约定。对于按需执行的流程化工作流，则使用 Skills。
第 2 章：自动化繁琐工作
在仓库中设置 Code Review（研究预览版），自动对 PR 执行一轮审查。让 Claude Tag（公开测试版）参与 CI/CD 值班响应和 Bug 分诊。动态工作流可以让多个 Subagent 向外展开，并行分析大量数据，或对另一个智能体的工作进行对抗式审查。
第 3 章：信任，但要验证
将不可改变的内容写入仓库根目录的 CLAUDE.md。对于更自主或长周期的工作，使用循环，即不断重复工作周期直至满足停止条件的智能体。建立创建和维护智能体评估的流程。Hooks 是用户定义的命令，会在 Claude Code 生命周期中的固定节点触发，并可充当硬性门禁。当某些工作环节需要具备确定性时，请使用 Hooks。
第 4 章：为重建而构建
使用 git worktrees，在仓库的隔离副本中进行重建，同时保持当前版本不受影响。正是这种方式降低了“构建四次”的成本。对于并非微不足道的重写，应在计划模式下启动 Claude Code（/plan 或按 Shift+Tab）。Claude 会先探索代码库并提出重建方案，然后才会编写代码——你可以批准或调整方向。这是以最低成本发现重建方案即将偏离架构的阶段。
身处前沿的初创公司，以前沿方式构建
这些洞见来自与你并肩探索前沿的同行，我们希望你能从中获得实用且可付诸行动的收获。Claude 初创公司社区源源不断地提供着灵感、最佳实践和建议。你可以通过以下方式加入这个社区：
- 订阅初创公司新闻简报并加入初创公司计划。
- 收藏即将举行的 Claude Code 网络研讨会。
- 参加你附近的活动
- 在 Reddit 和 Discord 上贡献内容。
- 早期公司还可以申请加入 Claude for Startups 计划，获得额度和支持。