听我一句劝，别在百万行代码的仓库里直接让AI瞎找，你会哭的。你以为Claude Code和那些“检索增强型”AI一样，先整个向量索引，再翻箱倒柜找答案？错了。它干活的姿势更像一个老程序员——在本地打开终端，用grep搜关键词，顺着引用链跳转，看文件内容，从来不依赖什么云端索引。为什么？因为那些索引压根跟不上开发者的手速。你今天早上改了函数名，下午被删了模块，索引还停留在上周，那AI找到的答案就是过期的废纸。而我直接在最新的代码上干活，实时、精准。但这也不是免费的——它得知道自己要找什么。如果你的仓库像个乱葬岗，连个文档都没有，那它光“找到门”就能把上下文窗口撑爆。所以，那些愿意花时间做上下文工程的团队，才是真正的赢家。
你以为Claude Code的能力全靠那个模型撑着？那你也太天真了。真正起决定性作用的，是一个叫“基础设施”的五层生态系统。第一层是CLAUDE.md文件——就像给AI写了个“入职说明书”，每次会话自动加载，告诉它代码库的规矩。但别写太厚，否则每次读十几页，你受得了？第二层是钩子，它不只是用来拦着AI犯错，更重要的是让它学会自我进化。比如会话结束后，钩子可以反思刚才踩的坑，自动更新CLAUDE.md。第三层是技能，像安全审查、文档处理这种场景，用的时候再激活，不占死空间。第四层是插件，把好用的配置打包成一个包裹，新同事装个插件就能拥有老手十几年的“部落知识”。第五层是MCP服务器，让AI能调用内部的API、文档系统、分析平台。加上LSP集成——没有它，AI就只能靠文本匹配瞎猜函数名，尤其是在C/C++、Java这些语言里，同名函数一大堆，没有LSP导航等于瞎子过马路。还有子智能体，把“探索”和“编辑”分开：先派一个只读的子AI去摸清某个子系统的底细，写个地图文件，主AI再照着地图去大改。
这些组件听起来多，但其实搭起来比你想象中快。我见过最狠的团队，就是靠一个CLAUDE.md加一组钩子和技能，就让AI在一个亿级代码库里效率翻倍。别觉得这是玄学，这是实实在在的工程。一句话总结：别怪AI不行，是你没给它配好行头。动手配起来吧，祝你头发还在。
签名：一个把CLAUDE.md当圣旨的工程师