#Claude Code

#BestBlogs 【早阅】将 Claude 代码变成自己的超赞 UI 设计师(使用 Playwright MCP ) | 前端早读课 文章详细阐述了如何通过集成 Playwright MCP 赋予 Claude Code 视觉能力,从而解决 AI 在前端 UI 设计中的盲点,实现像素级自校正和迭代优化,大幅提升设计效率和质量。 摘要: 文章深入探讨了 AI 在前端 UI 设计中面临的“盲点”困境,即传统 AI 代理无法“看见”自身代码渲染出的实际界面,导致设计通用且缺乏精度。为解决此问题,文章核心介绍了 Playwright MCP(模型协作协议)如何赋能 Claude Code 直接控制浏览器、截取屏幕截图,从而激活 AI 模型的视觉智能。文章进一步阐述了三个核心概念:作为 AI 工作流基石的“编排层”提供上下文、工具和验证机制;实现设计效率 10 倍提升的“迭代代理循环”允许 AI 自主运行并持续优化设计输出;以及通过屏幕截图“激活模型视觉智能”使其能进行更深层次的设计思考。此外,文章还介绍了 文件作为 AI 记忆、子代理实现自动化与条件逻辑、Git Worktrees 并行开发策略以及视觉上下文提示最佳实践,为开发者提供了构建高效 AI 辅助设计工作流的全面指导。 主要内容: 1. Playwright MCP 赋予 AI 代理视觉能力,解决了 AI 在 UI 设计中的“盲点”问题。 -- 传统 AI 因无法“看见”渲染界面而生成通用 UI,Playwright MCP 通过浏览器控制和截图,让 AI 能进行像素级自校正,显著提升设计精度和质量。 2. 迭代代理循环结合明确规范,使 AI 代理能长时间自主运行并持续优化设计输出。 -- 通过设定样式指南和 UI 模型作为验证器,AI 代理可进行多轮自我校正,大幅减少人工干预,实现设计流程的 10 倍效率提升。 3. 强大的编排层和 文件是构建高效 AI 工作流的关键基石。 -- 编排层为 AI 提供全面的上下文、工具和验证机制; 文件作为 AI 记忆,自动化加载设计原则和工作流配置,确保上下文一致性和工作流可移植性。 4. 激活模型视觉智能是提升 AI 设计深度的关键,通过屏幕截图充分利用其多模态能力。 -- Claude Code 等模型通过图像数据训练,Playwright MCP 提供的视觉反馈能激活其视觉智能,使其从实际视觉而非抽象代码层面思考设计,实现更精准的像素级优化和创意改进。 文章链接:
宝玉
4天前
卧槽,我真解决了让 Codex 连续工作 8 小时的问题,上下文都不会爆掉! 方案就是让 Claude Code 去当监工监督 Codex 干活,大概的步骤如下: 1. 首先要让 Codex 生成一个任务的 TODO List,就是那种能一步步完成的 2. 然后让 Codex 更新 Agents md 文件,加上说明,如果输入 continue,要读取 TODO 文件,去选取任务,执行后更新 TODO 3. 让 Claude Code 去执行命令: > export TERM=xterm && codex exec "continue to next task" --full-auto 也就是 Claude Code 去启动 codex 并传入提示词 "continue to next task" 并且监控 codex 的执行,如果当前任务完成了,就杀掉进程,重新执行上面的指令下一个任务。 由于每次都是新的 session,所以 codex 的上下文每次用的不多,不会爆掉。 那么怎么保证 Claude Code 的 Context 不爆掉呢?毕竟codex输出的信息也不少 答案就是让 Claude Code 每次去启动 codex 和监控 codex 执行的时候,都起一个子 Agent,这样每个子 Agent 都有独立的上下文,主 Agent 只有子Agent完成的上下文,占用空间极小。 完整的提示词和运行效果在图1可以看到: > 帮我在当前目录下,新开一个agent,使用 export TERM=xterm && codex exec "continue to next task" --full-auto 命令开启一个 codex 进程, 注意观察任务执行情况,如果当前任务完成(任务运行时间较长,可以多等一会),就结束进程,然后重新开个agent运行相同指令让它继续 > 注意每次打开codex和监控它运行都调用一个新agent (Task Tool)来执行这个操作以避免主agent上下文太长 BTW: 监控 codex 执行这任务理论上来说 Gemini cli和 Codex cli 也能做,但是我没成功。
Designing Claude Code —— Claude Relations 负责人 Alex Albert 与 Claude Code 设计负责人 Meaghan Choi 一起探讨了 Claude Code 的设计理念、终端界面的演变,以及它如何赋能非技术人员如设计师。探讨的焦点在于 Claude Code 如何将 LLM 的力量无缝融入开发者日常工作流中,强调简洁、集成和创新。 起源与设计核心:为什么选择终端? 对话从 Claude Code 的独特“栖息地”—— CLI 终端开始。Meaghan 解释,这源于 Anthropic 早期工程师的热情:终端开发速度快、迭代灵活,且它是每个开发者的“标配”。出乎意料的是,这个选择让产品如鱼得水——无论你是 IDE 重度用户还是 Vim 爱好者,终端都是工作流的核心。它避免了引入新工具的摩擦,直接嵌入现有习惯。 Alex 补充,终端是软件开发的“基石”,Claude Code 则将其推向新高度。Meaghan 生动比喻:终端是人类与计算机的“第一界面”——纯文本、命令驱动。从早期命令行到如今的富媒体 Web UI,我们一度远离了这种简约。但 LLM 的出现让一切回归本质:输入文本、输出文本,无需繁复按钮。Claude Code 正是这种“完美婚姻”——它让模型的聊天式智能在终端中绽放,同时解决痛点,如从 Web 界面复制粘贴代码的烦恼。现在,提示一发,模型就能直接编辑本地文件。 终端的演变与开发者工作流升级 Meaghan 分享了她对终端历史的热情:从文本命令的“超级工具”到 Web 时代的动画盛宴,再到 LLM 驱动的“聊天回归”。Claude Code 不是简单回溯,而是跃进——它将工作流从“逐行编码”提升到“全文件/任务级”变更,甚至未来可能到“项目级”协作,涉及多智能体协调。 他们讨论了最近推出的 subagent 功能:通过斜杠命令和配置文件(如 settings.json 和 CLAUDE. md),用户能轻松切换提示、工具和设置。这借鉴了软件开发的经典架构(如 README),让终端从静态命令行变成动态智能体平台。Meaghan 坦言,早期设计挑战巨大——如窗口缩放时输入框的“轮廓线”会乱套,但通过库和迭代,他们克服了这些,实现了流畅的“提示分离”。 设计过程:发明与精炼 新功能的诞生很“Anthropic 式”:小团队(1-2名工程师)快速原型,内部全员测试(Anthropic 员工几乎人人用 Claude Code),然后迭代 UX。Meaghan 强调两大原则: · 保持简洁:CLI 空间有限,别淹没用户于信息洪流。 · 让模型闪耀:终端是最薄的“包装纸”,直达 Claude 的核心能力。 例如,subagent 从 idea 到上线仅几周,焦点是视觉区分(如 subagent vs. 主 Claude)。Meaghan 的最爱是 ASCII艺术的“思考中”动画和模式指示(如规划模式或自动接受模式)——这些小触感注入个性,让编码从“机械敲击”变成生动互动,缓解编程的单调感。 非技术人员的“解锁”:设计师的实战 Tips 视频高光是 Meaghan 作为设计师的亲身分享。她自嘲代码是 vibe-coding,但 Claude Code 让她从“求助工程师”转向自给自足,开启“新技能树”。关键益处: · 零成本脑暴:新功能设计时,先问 Claude 常见用例、边缘场景,或“如果你设计,会怎么做?” · 时间估算:拖入设计图,求模型评估开发时长,便于与工程师“友好辩论”。 · 收尾打磨:产品上线后,她能独立修复那些“P2 级”小瑕疵(如 UI 微调),无需排队。 这不只提升效率,还加强跨角色协作:设计师的初步尝试,能让工程师对话更高效。Alex 赞叹,这模糊了“设计师 vs. 工程师”的界线,催生“设计工程师”时代。 整体洞见 这个视频不仅是 Claude Code 的设计解剖,更是 AI 时代工具哲学的缩影:回归简约、拥抱集成、赋能人人。Meaghan 的乐观显而易见——终端可能不是终点,但它证明 LLM 能重塑工作流,让编码从孤立任务变成协作冒险。对于开发者或设计师,这是个启发:试试 Claude Code,或许下一个 idea,就从终端一键落地。Anthropic 的风格一如既往:务实、热情,少点华丽,多点实用。
#BestBlogs Claude Code 深度拆解:一个顶级 AI 编程工具的核心架构 | 大淘宝技术 文章深度拆解了 Anthropic 的 AI 编程工具 Claude Code 的核心架构、执行流程与关键技术细节,并介绍了心流团队基于其理念开发的 iFlow CLI 2.0。 摘要: 文章对 Anthropic 开发的终端 AI 编程工具 Claude Code 进行了深度技术拆解。首先,它介绍了 Claude Code 以交互层、执行层和核心引擎为核心的系统架构,并详细阐述了从用户提交命令到结果渲染的完整执行流程。随后,文章深入分析了各个关键组件:交互层如何处理用户输入并渲染 AI 响应;核心引擎如何管理消息、查询 AI 模型和调度工具;强大的工具系统如何通过统一接口与外部环境交互;以及上下文管理如何利用 LRU 缓存、按需加载和结果截断等策略,在有限的上下文窗口内提供最相关的信息。文章还分享了 Binary Feedback 测试机制、MCP 工具分层管理、AI 辅助安全检测、上下文压缩和高效文件系统策略等技术启发。最后,文章介绍了心流团队受 Claude Code 启发,基于 Gemini CLI 改造并融合其特性的 iFlow CLI 2.0,详细说明了其安装方式、多运行模式、SubAgent 功能、开放市场资源以及在代码开发、网站制作和 DeepResearch 等场景的应用。 主要内容: 1. Claude Code 的模块化架构是 AI 编程工具高效运行基石 -- 其交互层、执行层和核心引擎的清晰划分,确保了用户指令处理、AI 模型交互与工具调度的流畅与高效。 2. 上下文管理策略有效应对 LLM 长对话窗口限制 -- 通过 LRU 缓存、按需加载和结果截断等机制,智能管理代码上下文,保障 AI 在复杂项目中的理解力与响应速度。 3. 工具系统与 MCP 分层管理是 AI 编程工具扩展性核心 -- 统一的工具接口及全球/项目级配置管理,使 AI 能灵活调用外部能力,实现复杂任务并促进生态构建。 4. iFlow CLI 2.0 融合 Claude Code 特性提升国内开发体验 -- 基于 Gemini CLI 改造,引入多运行模式、SubAgent、上下文压缩及开放市场,为国内开发者提供高效 AI 辅助。 文章链接: