Boris Tane 的 Claude Code 工作流：分离思考与执行

在 AI 辅助编程日益普及的当下，许多开发者习惯于直接向 AI 工具提出需求并生成代码，随后在报错循环中反复修正。然而，对于复杂的开发任务，这种方式往往效率低下，甚至可能导致系统性的架构问题。开发者 Boris Tane 经过九个月的实践，总结出一套反直觉但高效的 Claude Code 使用工作流，其核心并非优化生成速度，而是确保 AI 的理解与执行方向与开发者意图对齐。

核心内容

这套工作流将“思考”与“执行”彻底分离，分为三个明确的步骤。

第一步是研究。在动手编写任何代码之前，首先指令 Claude 深入理解现有代码库，并将其理解详细记录在一个名为 research.md 的文档中。这一步骤的关键在于，通过要求 AI 输出书面总结，开发者可以验证 AI 是否真正理解了系统的复杂性、细节和约束，从而在早期消除误解。

第二步是制定并反复修订计划。Claude 根据需求生成一个 plan.md 文件。开发者随后会直接在文档中添加批注，这些批注可能简短（如“不可选”），也可能较长，用于解释业务约束或纠正架构方向。随后，将带有批注的文档返回给 Claude，并要求其“按注释更新文档，先不要写代码”。这个“先不要写代码”的指令至关重要，旨在抑制 AI 过早开始执行的冲动。此标注与更新的循环可能重复一到六次，其本质是将开发者关于产品优先级、技术债接受度等隐性知识，通过交互转化为明确的、AI 可执行的指令。计划定稿后，会附加一个待办清单，供后续追踪。

第三步是集中实现。当计划文档最终确定后，向 Claude 发出一次性实现的指令，例如：“全部实现，完成一项就在计划文档里标记，不到所有任务完成不要停，持续运行类型检查。” 在此执行阶段，开发者的纠错指令会变得非常简短，因为上下文（即计划文档）已经建立。如果遇到重大问题，策略是直接回滚并缩小任务范围重做，而非在错误的基础上修补。

价值与影响

这套工作流的核心价值在于，它将 AI 的角色从单纯的代码“生成器”转变为需要被“审稿”的“作者”。research.md 是初稿，plan.md 是修订稿，而人类的批注则是审稿意见。这种方法强调“对齐”的价值远大于“生成”的速度。一个在局部运行良好但破坏了系统整体设计（如忽略缓存层）的函数，其危害远大于一个简单的语法错误，而前者正是该流程旨在预防的。

此外，书面计划文档（plan.md）作为一个持久化的外部上下文，有效缓解了长对话中 AI 模型可能出现的性能退化问题。即使会话上下文被压缩或重置，开发者仍可随时将 AI 的注意力引回这份稳定的计划文档。

最终，这套流程揭示了一个关键前提：它要求开发者自身必须首先想清楚需求。AI 在此扮演的是高效且严谨的执行伙伴，而非替代思考的工具。其成功并非依赖于复杂的提示词或工具链，而是源于将严谨的、纸面化的前期规划作为开发流程中不可跳过的环节。