AI工具链与协作模式
为什么写这篇
玉珍健身是一个真实的商业项目——Vue 3 前端、Laravel 后端、Python AI 服务，加上一个 VitePress 官网，四个子项目、三种语言、七个 Docker 容器。
整个项目由一个人完成。不是因为团队小，而是因为 Claude Code 改变了开发的协作方式。
这篇文章不是工具评测，而是实战经验。我会分享：如何用 CLAUDE.md 构建项目记忆、如何用 Steering 文件分层管理规则、如何用 Agent Team 并行处理跨项目任务。
希望这些经验对同样在探索 AI 辅助开发的你有所帮助。
Claude Code 配置体系
好的 AI 协作，从好的配置开始
1 CLAUDE.md — 项目的大脑
CLAUDE.md 是 Claude Code 的项目级配置文件，放在仓库根目录，每次对话自动加载。它相当于给 AI 一份"项目手册"，让它理解项目的全貌。
我们的 CLAUDE.md 包含这些核心内容：
项目概览
技术栈、部署架构、容器端口映射，让 AI 一眼看懂项目全貌。
- ✓Vue 3 + Laravel + Python
- ✓7个Docker容器编排
- ✓Zeabur云部署
核心规则
14条开发规则，覆盖文档管理、代码变更、Git操作等关键流程。
- ✓修改代码必须更新文档
- ✓Docker优先原则
- ✓数据库操作前必须备份
按需加载
大型文档不全部塞进配置，而是提供引用表，AI 需要时自行读取。
- ✓工作流程文档
- ✓Neo4j数据库结构
- ✓MCP工具架构
严格禁止
明确列出禁止行为，防止 AI 犯常见错误。
- ✓禁止不更新文档就提交
- ✓禁止本地运行后端代码
- ✓禁止未测试直接推送
实战心得：CLAUDE.md 不是写一次就完事的。随着项目演进，我们的 CLAUDE.md 已经迭代到 v5.15.0，从最初的几十行成长到覆盖 14 条核心规则的完整手册。关键是每次踩坑都把教训写进去，让 AI 不会重复犯错。
2 Steering 文件 — 分层配置
CLAUDE.md 负责全局规则，但具体领域的详细规范放在 Steering 文件中。它们存放在 .kiro/steering/ 目录，按主题分文件管理。
我们使用的 Steering 文件
- ▸ project-standards.md — 代码规范
- ▸ api-design.md — API 设计标准
- ▸ zeabur-production.md — 生产环境配置
- ▸ zeabur-env-vars.md — 环境变量管理
- ▸ git-workflow.md — Git 工作流
- ▸ mcp-tools-reference.md — MCP 工具清单
分层的好处
- ✦ CLAUDE.md 保持精简，不会过长
- ✦ 每个文件职责单一，易于维护
- ✦ AI 按需加载，节省上下文窗口
- ✦ 团队成员可以各自维护负责的文件
3 MCP 工具 — 扩展 AI 的能力边界
MCP（Model Context Protocol）让 Claude Code 不再局限于读写文件和执行命令，而是可以调用外部工具完成更复杂的任务。
向量记忆
aivectormemory 提供跨会话的持久化记忆，让 AI 记住之前的决策和踩坑经验。
- ✓跨会话记忆持久化
- ✓语义搜索历史决策
- ✓自动保存关键信息
浏览器调试
Chrome DevTools MCP 让 AI 直接操作浏览器，截图、检查元素、调试前端问题。
- ✓页面截图与快照
- ✓元素点击与表单填写
- ✓网络请求与控制台监控
GitHub 集成
直接在对话中创建 Issue、提交 PR、管理代码仓库，无需切换工具。
- ✓创建和管理 Issue
- ✓提交 Pull Request
- ✓代码搜索与文件操作
文档查询
Context7 提供实时文档查询，确保 AI 使用最新的库文档而非过时知识。
- ✓实时查询最新文档
- ✓支持主流框架和库
- ✓代码示例即查即用
Agent Team 协作模式
当一个 AI 不够用时，就让一群 AI 协作
什么是 Agent Team？
Agent Team 是 Claude Code 的多智能体协作模式。一个 team-lead（主控 Agent）负责任务分解和协调，多个 specialist Agent 并行执行具体任务，通过消息机制互相通信。
简单说：team-lead 是项目经理，specialist 是各领域专家。项目经理拆分任务、分配工作、汇总结果；专家各自完成自己擅长的部分。
协作流程
实战案例
以"安全加固"任务为例，这是一个典型的跨项目任务——需要同时修改前端、后端和 AI 服务三个子项目的代码。
效果：三个 Agent 并行工作，原本需要串行处理的跨项目任务，耗时大幅缩短。team-lead 最后统一做集成测试和 Git 提交，确保三端代码的一致性。
踩坑经验
同时运行超过 4 个 Agent 会导致 VSCode 资源耗尽甚至白屏。我们的经验是单批不超过 4 个，分批执行。
Team 模式下必须用 "default" 类型。用 "Explore" 类型的 Agent 没有 SendMessage 能力，无法向 team-lead 回传结果，会导致任务卡死。
团队完成后必须 TeamDelete 清理。VSCode 重启后 Agent 进程丢失但目录残留，需要手动清理后重建。
Windows 下 bash 命令可能以后台模式运行，无法直接获取输出。解决方案是重定向到文件再用 Read 工具读取。
Vibe Coding 资源推荐
站在巨人的肩膀上，少走弯路
Claude Code 官方文档
Anthropic 官方的 Claude Code 使用指南，涵盖安装、配置、最佳实践。
- ✓CLAUDE.md 配置指南
- ✓MCP 工具开发
- ✓Agent 模式说明
Prompt Engineering Guide
Anthropic 的提示工程指南，帮助你写出更好的 AI 指令。
- ✓系统提示词设计
- ✓多轮对话策略
- ✓结构化输出技巧
MCP 协议规范
Model Context Protocol 的官方规范，了解如何开发自定义 MCP 工具。
- ✓协议架构设计
- ✓工具开发教程
- ✓社区工具生态
推荐学习路径：先读 Claude Code 官方文档了解基础 → 写好 CLAUDE.md 建立项目规范 → 尝试 MCP 工具扩展能力 → 在复杂任务中使用 Agent Team 协作。循序渐进，每一步都有明确的产出。
给开发者的建议
用了大半年 Claude Code，有几点体会想分享：
1. 配置是最好的投资。花一天时间写好 CLAUDE.md，能省下几个月的重复沟通。每次踩坑都更新规则，AI 的表现会越来越好。
2. 规则要具体，不要抽象。"注意代码质量"是废话，"修改代码后必须更新对应的 CHANGELOG 和文档"才是有效规则。AI 需要明确的、可执行的指令。
3. 信任但验证。AI 写的代码大部分时候是对的，但关键路径一定要人工审查。特别是数据库操作、安全相关、生产环境部署这些高风险场景。
4. 善用分层。不要把所有规则塞进一个文件。CLAUDE.md 管全局，Steering 文件管细节，按需加载管大文档。分层让配置可维护、可扩展。
5. Agent Team 不是银弹。简单任务用单 Agent 就够了，只有跨项目、大工作量的任务才值得启动 Team。过度使用反而增加协调成本。