一句话看懂：一位用 Claude Code 做生产项目一年多的开发者，把自己从”不断换更强模型”转向”用工程约束压住概率输出”的经验整理成三层手册，核心观点是：Claude Code 不是问答系统，而是概率性执行系统，真正有效的是运行时强制检查，而非模型能力。
事件核心：发生了什么
2026 年 9 月 23 日，掘金作者”挖掘狂人”发布一篇关于 Claude Code 生产实践的长文。作者称自己在真实项目中用 Claude Code 超过一年，最初以为瓶颈在模型，频繁更换更强模型后 bug 依旧，后来把注意力从”让模型更聪明”转向”让约束更硬”，效果比换三次模型更明显。
文章提出三层结构：规则层用 CLAUDE.md、.claude/rules/、Skills 和 Slash Commands 回答”它知不知道项目规矩”；分工层用 SubAgent 和工具白名单回答”谁被允许做什么”；反馈层用 Hooks、MCP、Checkpoint 和验收脚本回答”改好了由谁验证”。作者强调只有第三层具备真正的强制力，因为 Hooks 由运行时触发，模型无法在某次采样中”忘记遵守”。
为什么重要
这篇内容的价值不在某个新功能发布，而在于它点出了一个被普遍忽视的问题：当前基于大模型的编程工具，本质上仍是概率性推理系统，同一需求每次产物都可能不同。围绕”提示工程”的讨论已很多，但把软性约定翻译成可被 grep、可被脚本拦截的硬约束，是更接近软件工程的做法。
对 AI 编程工具生态而言，这意味着竞争焦点可能从”模型参数和跑分”部分转向”工程约束能力”。谁能提供更可靠的 Hooks、权限白名单、隔离上下文的 SubAgent 编排，谁就更容易进入企业级生产场景。开源与闭源工具在这条路线上都需要回答同一个问题：如何让概率输出变得可验收。
对用户/开发者/创作者的影响
对开发者，文中最可直接借鉴的是几个具体做法：CLAUDE.md 里的条款必须可判定，”高质量、规范”这类无法 grep 的描述约束力接近于零；禁止条款比倡导条款有效；超过两百行后规则被注意到的概率下降，应按领域拆分到 .claude/rules/。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
在权限配置上，作者建议禁掉 git push、对 Bash 使用 Bash(pnpm:*) 这类白名单粒度、数据库 MCP 一律用只读账号、filesystem 路径必须绝对、改完配置必须重启。这些建议针对的是实际事故风险，而非风格偏好。
对团队和创作者，SubAgent 的关键设计是让 reviewer 只读、用小模型换系列以避免同模型自我审查的”过度认同”，并要求每条问题带文件行号、0-100 置信度和具体后果，置信度低于 70 不输出。作者直言，AI 审查让人弃用的原因不是漏报，而是误报淹没有效信息。
值得关注的后续
一是这套三层方法是否会被 Claude Code 或同类工具吸收为产品化能力，例如官方级的 Stop Hook 模板、权限预设和 SubAgent 编排；二是企业团队在实践中能否形成可复用的验收脚本标准，而不依赖个人经验；三是当前编排可靠性”来自 prompt 写得够硬，不是引擎级保证”，官方是否会在引擎层补上确定性支持，值得继续观察。
来源：juejin
