Claude Code 工作流教程

Claude Code 工作流教程：从智能代理编排到大规模并行调研

目录

1. 引言

2. 核心概念速览

3. 设计多阶段工作流

· 定义专用 Subagent

· 编写流程 Skill

· 添加规则约束

4. 加速调研：并行 Agent 调用

· 方案一：主控并行 Task

· 方案二：动态工作流脚本

5. 完整示例：技术方案编写与审查闭环

6. 最佳实践与成本控制

引言

Claude Code 不仅是一个对话式编程助手，更是一个支持多智能体协作的平台。通过组合 Agents、Skills、Rules、MCP 等概念，你可以构建出类似"虚拟开发团队"的自动化工作流。本教程将带你从零搭建一个需求→调研→方案编写→审查→改写的完整流水线，并重点解决"如何让多个调研 Agent 并行工作以大幅缩短耗时"这一实战难题。

核心概念速览

概念 比喻 作用 定义位置

Subagent 打工人 拥有独立上下文和工具，专注执行特定角色任务 .claude/agents/*.md

Skill 肌肉/流程说明书 封装标准操作流程，按需加载 .claude/skills/*.md

Rule 行为底线 全局或条件性约束，强制执行 .claude/rules/*.md

MCP 外挂肢体 连接外部数据源或工具（数据库、API） 配置文件 mcp.json

Hook 监督员 在特定事件前后执行 shell 脚本 .claude/hooks/

Command 快捷键 /命令 触发预设操作 .claude/commands/*.md

Plugin 安装包 打包 Skills、Commands 等，一键分发 插件市场或本地目录

关键理解：

· Subagent 是执行单元，可在其 tools 字段中引用 Skill 或 MCP。

· Skill 是流程编排说明书，它告诉主 Agent 何时调用哪个 Subagent，而 不负责具体实现。

· Rule 始终生效，约束所有 Agent 的行为。

设计多阶段工作流

1. 定义专用 Subagent

在项目根目录创建 .claude/agents/ 文件夹，每个 Subagent 对应一个角色。

示例：需求分析师 (requirement-analyst.md)

```markdown

---

name: requirement-analyst

description: 用于需求沟通、澄清、整理，输出结构化需求文档。

tools: Read, Grep, Write

model: sonnet

---

你是一位需求分析师。请与用户沟通，输出《需求规格说明书》，包含功能列表、约束、验收标准。

```

示例：技术调研员 (tech-researcher.md)

```markdown

---

name: tech-researcher

description: 对比技术选型，输出调研报告。

tools: Read, WebFetch, MCP:filesystem

model: sonnet

---

你是技术调研专家。可访问网络（WebFetch）和本地模板库（MCP）。输出包含对比表、优劣势分析。

```

示例：方案审查员 (reviewer.md)

```markdown

---

name: reviewer

description: 严格审查方案，输出通过/不通过及修改意见。

tools: Read, Write, Grep

---

你是资深审查官。依据项目规则逐条核对，不通过时必须给出具体修改建议。

```

2. 编写流程 Skill

在 .claude/skills/ 下创建 solution-workflow.md，定义步骤。

```markdown

---

name: solution-workflow

description: 完整的技术方案闭环：需求→调研→编写→审查→改写，直至通过。

---

技术方案工作流

当用户要求「按工作流处理一个需求」时，执行以下步骤：

步骤 1：需求澄清

调用 subagent `requirement-analyst`，将用户原始需求传递给它。等待输出 `docs/requirements.md`。

步骤 2：并行调研（加速版）

根据需求范围，自动选择并行策略：

• 若调研方向 ≤ 5 项 → 同时调用多个 `tech-researcher` Subagent，分别产出独立报告。

• 若调研范围超过 5 项 → 进入动态工作流模式（见注①）。

步骤 3：方案编写

调用 subagent `solution-architect`，输入需求文档 + 所有调研报告，输出 `docs/design-proposal.md`。

步骤 4：审查与改写循环

• 调用 `reviewer` 审查方案，得到 verdict。

• 若 fail → 调用 `rewriter` 根据审查意见修改 → 回到步骤 4 继续审查。

• 最多循环 5 次，仍失败则终止并报告用户。

> 注①：动态工作流模式需要用户确认，将生成 TypeScript 脚本并发执行大量调研任务。

```

3. 添加规则约束

在 .claude/rules/ 下创建 planning-constraints.md：

```markdown

---

type: always

---

技术方案编写约束

1. 方案必须包含：背景、技术选型对比、详细设计、风险评估、测试策略。

2. 引入第三方库必须提供对比表和 CVE 检查。

3. 审查意见格式：「章节-问题-建议修改」，不得空泛。

```

---

加速调研：并行 Agent 调用

方案一：主控并行 Task（≤7 个并发）

在流程 Skill 中直接使用 Task 工具同时调用多个 Subagent。主 Agent 会等待所有任务完成再汇总。

示例写法（放入 solution-workflow.md 的调研步骤）：

```markdown

步骤 2：并行调研

同时启动以下 4 个调研任务：

1. `Task(subagent="codebase-scanner", prompt="扫描 /src 下的所有数据访问层代码，总结当前 ORM 使用情况，输出到 docs/research/orm.md")`

2. `Task(subagent="tech-researcher", prompt="对比 PostgreSQL 15 与 MySQL 8.0 在 JSON 支持、全文检索、写并发上的表现，输出对比表到 docs/research/db-compare.md")`

3. `Task(subagent="security-checker", prompt="检查项目依赖的 axios、lodash 是否存在已知高危 CVE，输出到 docs/research/deps-security.md")`

4. `Task(subagent="best-practice", prompt="搜索最近两年的微服务拆分案例，总结 3 条可复用的设计模式，输出到 docs/research/patterns.md")`

等待全部返回后，主 Agent 汇总生成 `docs/research/summary.md`。

```

方案二：动态工作流（任意大规模并发）

当调研任务超过 10 个时，让 Claude 自动生成并执行并发脚本。你只需在对话中输入：

"使用动态工作流创建一个调研脚本：并行评估 npm 上最受欢迎的 20 个日志库（winston, pino, bunyan, log4js, ...），每个库调用 library-researcher Subagent，返回周下载量、最新版本、GitHub stars、最后发布时间。最终生成 CSV 排序表格。"

Claude 会生成类似如下的脚本（自动执行）：

```typescript

// 由 Claude 动态生成，无需手动编写

const libs = 'winston', 'pino', 'bunyan', 'log4js', ...;

const tasks = libs.map(lib =>

task({

subagent: 'library-researcher',

prompt: `调研 ${lib}，返回 JSON: {name, weeklyDownloads, version, stars, lastPublish}`

})

);

const results = await Promise.all(tasks);

await writeFile('docs/research/logging-libs.json', JSON.stringify(results));

await exec('python3 scripts/csvify.py docs/research/logging-libs.json');

```

触发条件：当常规 Task 数量预估超过 7 个或用户明确要求「动态工作流」时，主 Agent 会自动切换模式。

⚠️ 动态工作流执行前会请求你确认生成的脚本内容。Token 消耗显著高于串行方案，建议先设置预算 --max-tokens 200000。

---

完整示例：技术方案编写与审查闭环

假设你已有上述配置，在实际对话中只需：

用户：

"按照 solution-workflow 处理以下需求：

需要为我们的电商后台添加一个'优惠券叠加'功能，支持满减券和折扣券按规则叠加计算。现有代码位于 /src/promotion。"

Claude 执行流程：

1. 调用 requirement-analyst → 生成 docs/requirements.md

2. 并行调用 3 个 tech-researcher：

· 调研现有促销引擎的扩展性

· 对比规则引擎库（json-rules-engine vs zeebe）

· 调研高并发下优惠券计算的性能瓶颈

3. 调用 solution-architect 编写 docs/design-proposal.md

4. reviewer 审查 → 失败 → rewriter 修改 → 再次审查 → 通过

5. 输出最终方案并通知用户

整个过程完全自动化，你只需等待结果。

---

最佳实践与成本控制

✅ 推荐做法

· 为每个 Subagent 设置极简工具集：只授予完成该角色任务所必须的工具，避免权限泛滥。

· 使用 model: sonnet 用于调研类 Subagent（性价比高），审查类可用 opus（更严谨）。

· 将大型调研拆分为多级：先并行粗筛（每个 Subagent 只返回 3~5 个关键指标），再对候选结果进行深度调研。

· 设置超时与重试：在动态工作流脚本中加入 Promise.race 或重试逻辑。

⚠️ 成本与限制

· Token 消耗：每个并行 Subagent 独立消耗上下文，总费用 ≈ 串行模式总和。动态工作流执行一次可能消耗百万级 token，建议先在小范围测试。

· 并发上限：普通方案建议 ≤7 个并发；动态工作流理论上可达几百个，但受 API 速率限制及本地内存影响。

· 规则生效范围：type: always 的规则会在所有对话中生效；如果只想在某个 Subagent 中生效，可在其描述中引导。

🧩 常用调试命令

```bash

claude config set maxConcurrentTasks 5 # 限制并发数

claude agent list # 查看已注册的 Subagent

claude skill list # 列出所有可用 Skill

claude logs --tail # 观察实时执行日志

```

---

结语

通过将 Subagent、Skill、Rule、MCP 有机结合，Claude Code 不仅能回答单次问题，更能像一个成熟的开发团队那样，自主完成需求沟通、并行调研、方案迭代审查等复杂工作流。而动态工作流和并行 Task 的引入，则彻底解决了大规模探索性任务的效率瓶颈。

可以动手创建自己的 .claude 配置，让 AI 真正成为你的虚拟架构师、调研员和审查官。