Claude Code 系列视频第 1 期

作者：Paul Goldsmith-Pinkham
发布于：2026-03-29
原文：https://paulgp.substack.com/p/getting-started-with-claude-code

这是“AI 编程工具如何服务实证研究”系列的第 1 篇，也是我在 Markus Academy 视频系列的配套文章。2025 年 12 月，我曾与 Ben Golub 一起制作过一套 Markus Academy 迷你系列，介绍如何使用 Cursor 和他开发的 Refine.ink，借助大语言模型开展理论经济学研究。本文延续了那个系列。

这些博客文章与我同 Markus 录制的视频配套使用。

过去一两年，我一直在研究工作流中使用 AI 编程工具。去年秋天开始使用 Claude Code 后，这一进程明显加快。到了现在，你很可能已经听说过智能体式 AI，以及它如何改变编程和研究。声称“我让 AI 在 30 分钟内写完了一整篇论文！”的帖子越来越多，让人感觉脚下的世界正在发生变化。

AI 编程工具概览

如果你从事实证研究，却还没有使用这些工具，就等于放弃了不少机会。我认为你有两个理由应该认真接触它们：

  1. 你可以完成更多工作、思考更多主题，也能学习新知识。从研究想法到实际结果之间的距离大幅缩短。AI 直接生成的原始想法并没有让我觉得特别惊艳，但执行想法的速度和效率确实高了很多。数据清洗、调试、格式转换和网页抓取等繁琐工作都会明显加快。

    它也会推动我们采用可复现性更好的编程方式。由于计算机在快速完成工作的同时记录了整个过程，你会更自然地保留完整路径。

  2. 即使你不打算使用这些工具，理解它们能做什么、不能做什么也非常重要。跟进工具发展，至少能帮助你分辨哪些是 AI 胡扯，哪些是真正可能实现的能力。无论作为审稿人、导师还是合作者，你都应该准确把握正在发生的变化。

这些文章及配套视频主要面向三类人：a）不熟悉 AI 工具的人；b）偶尔使用，但尚未形成习惯的人；c）已经积极使用这些工具，希望获得更多思路和背景知识的人。

Claude Code 是什么

Claude Code 是一款运行在终端里的 AI 助手。你用自然语言提出要求，它会读取文件、编写代码、执行脚本，并与整个项目交互。可以把它想成一位能力很强、恰好住在你电脑里的研究助理。

它与浏览器中的 ChatGPT 或 Claude 最关键的区别，在于 Claude Code 能访问本地文件系统。它可以查看项目结构、打开数据集、修改脚本、运行代码并展示结果。

如果要类比，网页版就像与一位精通技术的人交换邮件，或者在 Stack Overflow 上发帖、搜索答案；在电脑上使用 Claude Code，则像让这个人坐在你旁边，你们一边讨论一边写代码。正如后面会看到的，这可以极大提升速度，尤其当你终于可以毫无愧疚地说：“看起来很好，我先去做别的，你把代码写完吧！”

AI 编程工具的能力阶梯

我的好友 Kyle Jensen 总结过一套很实用的层级，用来描述人们使用这类工具所处的位置，像是一条有不同台阶的“开悟之路”。

  • **第 0–1 级：**在浏览器中使用 ChatGPT，把代码复制下来，粘贴进编辑器，运行后遇到错误，再把错误复制回网页，如此循环。或者使用带有 GitHub Copilot 等行内补全功能的 IDE。它们确实有帮助，但本质上仍接近聊天界面。

    （Markus 在这里问到了 Microsoft Copilot。需要澄清的是：GitHub Copilot 是运行在 VS Code 中的编程工具，与 Word 或 Bing 中看到的 Microsoft Copilot 不同，虽然两者都属于 Microsoft，底层也都使用大语言模型。）

  • **第 2 级：**使用智能体式 IDE，例如非常强调 AI 智能体的 Cursor。你告诉大语言模型要做什么，它便在屏幕上修改文件、阅读代码和查找资料，也能自行分派任务，不过仍局限在编辑器环境中。

  • **第 3 级：**使用专门的编程智能体，例如 Claude Code、OpenAI 的 Codex、Gemini CLI，以及 Open Code 等开源替代品。它们在终端中运行，可以访问完整的计算环境，能够思考任务、读写文件、调用工具、执行代码、制订计划，并且比 IDE 智能体更自主地完成工作。

  • **第 4 级：**通过 MCP（Model Context Protocol，模型上下文协议）添加工具，编排并改进智能体的工作方式，把它连接到数据库、API 和其他服务。

  • **第 5 级：**创建一个容器，告诉智能体需要完成什么，然后让它独立运行一个半小时，直至自主完成任务。社交媒体上所谓 AI“半小时写完一整篇论文”，通常指的就是这种方式。它不一定天然更好，只是前期配置要多得多。

必须强调：所有层级使用的底层大语言模型都一样。无论怎样划分 AI 模型，核心思路最终还是相同，只不过在模型外围增加了不同的工具和结构。

AI 编程工具的能力阶梯

安装

有两种选择。

方案一：使用 npm（电脑上已安装 Node.js）

npm install -g @anthropic-ai/claude-code

方案二：使用独立安装程序

从 Claude Code 文档下载安装程序，支持 Mac、Linux 和 Windows（通过 WSL）。

安装完成后，先用 cd 进入项目目录，再输入 claude。接下来需要完成身份验证，可以使用订阅会员，也可以通过 API 密钥按调用付费。订阅分为三档：Pro（每月 20 美元）、Max（每月 100 美元）和 Max 20x（每月 200 美元）。我使用 Max，是因为用量很大。如果你已经每月支付 20 美元使用 Claude 聊天功能，就已经拥有 Claude Code 的访问权限，现在就可以试试。

刚入门时，我建议选择 20 美元或 100 美元档，完全不必直接升级到 200 美元。按量付费的 API 也是一个选择，不过订阅套餐得到了很大程度的交叉补贴，对大多数人通常更划算。

有一点非常重要：文件仍保存在本地。对话会经过 API，但不会持久化存储在 Anthropic 的服务器上。不过，只要 Claude 读取了文件，其中的内容就会成为发送给 Anthropic 的上下文。这与把文件上传到任何聊天机器人网站没有本质区别。

因此，高度敏感的研究数据一定要隔离。IRB 数据、个人身份信息，以及任何应该存放在符合 HIPAA 要求的服务器上的内容，都不要让 Claude 接触。也尽量不要粘贴 API 密钥或密码；即使 Claude 经常会发出警告，最好一开始就不要这么做。我的粗略判断标准是：如果数据可以放在 Dropbox 上，风险水平大致相近；如果你绝不会把它放进 Dropbox，也不要交给 Claude。

后续文章中，我会讨论如何通过容器和沙箱处理更敏感的工作流。

什么是上下文窗口，它如何工作

要高效使用这些工具，需要对底层过程建立一个基本的思维模型。理解得越多越好，但目前先解释一下上下文窗口。

向 Claude 或其他大语言模型发送消息时，你并不是像与人说话一样进行对话。实际过程更像双方不断传递一份很长的文档。每当你发送消息，全部历史内容——你的提示词、Claude 的回复、它读取的每个文件、调用的每个工具以及所有代码输出——都会打包成一份巨大的输入。模型读取全部内容、生成回答，再把这次回答追加进去。

下一轮交互时，整份内容会再次发送。如果你曾经在一个无关问题上钻了 10 分钟牛角尖，那些内容依然留在里面，并在双方之间来回传输。

这整个信息包就是上下文窗口。它具有固定大小，以 Token 计量，一个 Token 大约相当于四分之三个英文单词。Claude 当时的窗口约为 20 万个 Token，听起来很多，但填满的速度比想象中快。

一次对话在底层的真实结构

上图展示了单次“对话”在底层真正包含的内容。通常你只看到自己的提示词和模型回答，但两者之间还有系统提示词（Anthropic 的指令）、开发者消息（工具定义）、模型内部推理、工具调用（网页搜索、文件读取和代码执行）以及工具结果。它们全都存在于上下文窗口中，也都会占用额度。

为什么这很重要？因为 AI 编程的效果大致遵循这样一条规律：

上下文越大——读取的文件越多、对话历史越长、代码输出越多——模型表现越差。它需要同时追踪的信息增加，渐渐就会失去主线。这是使用 AI 编程工具时最重要的一条认知。

上下文增长与性能下降

达到上限后会发生什么：上下文压缩

对话填满上下文窗口后，Claude Code 会自动压缩：把对话历史总结成更短的形式，然后携带这份摘要和系统指令重新开始。（Markus 把它比作“睡觉时进行训练”。面对这些工具很难完全避免拟人化；这个类比并不精确，但直觉有些相似。）

Claude Code 上下文压缩

这种方法能够工作，但模型可能忘记三个步骤前做出的具体决定，或者丢失你在早期提出的某项约束。

更好的方式，是主动压缩，而不是等上下文溢出。可以在 Claude Code 中输入 /compact 手动触发，甚至告诉它应该记住什么。例如，执行 /compact 记住我们刚才研究的所有非线性规划相关内容，会引导摘要重点保留你真正关心的信息。

核心思路是：定期让 Claude 把进度和计划写入磁盘文件，然后开始一段读取这些文件的新对话。

开始新会话前把进度写入文件

例如，数据分析进行到一半时，可以说：“把目前完成的工作和剩余事项写入 progress.md。”然后启动新的 Claude Code 会话，说：“读取 progress.md，从上次停止的位置继续。”新会话拥有完整、干净的上下文预算，同时又能从文件中加载全部相关信息。

这个习惯值得尽早养成。下面是一些实际建议。不过，随着 Claude Opus 4.6 等近期改进的出现，这些建议已经不像以前那么重要；我注意到新版模型会主动完成其中很多工作，而且性能下降得似乎也更慢。

  • **长会话会退化。**如果已经来回交流 20 轮以上，又产生了大量代码输出，可以考虑重新开始。模型在第 30 轮的表现会明显弱于第 3 轮。

  • **把状态写入文件。**不要让关键信息只存在于对话中。如果 Claude 做出重要设计决策，让它写进 README 或计划文件。文件可以长期保留，对话上下文不行。

  • **把工作拆成小块。**不要进行一场马拉松式会话，而应该开展目标明确、每次 5 到 10 轮的短会话。例如：“这次只让数据清洗脚本正常工作。”绘图则放到一段新会话中。

终端配置为什么重要

你完全可以在默认终端中运行 Claude Code。但既然以后会在这里投入很多时间，花 15 分钟改善配置很值得。我推荐两款工具。

Ghostty

Ghostty 是一款使用 GPU 加速的现代终端。实际体验就是：速度快、文字渲染清晰，面对大量代码输出也不会卡顿。安装命令如下：

brew install ghostty

Zellij

Zellij 是一款终端复用器，可以把它理解成更容易使用的 tmux。它最有价值的功能是分屏：左侧运行 Claude Code，右侧查看文件。反复调整分析过程时，同时看到 Claude 的代码和产生的结果非常实用。

brew install zellij

一项配置提示：

  • **快捷键：**在 Zellij 中依次按 Ctrl+p 和 d 可以拆分面板，使用 Alt+方向键 在面板之间切换。

Oh My Zsh

配置终端时，也值得再花五分钟改善 Shell。如果使用 Mac，你很可能已经在用 zsh，因为从 macOS Catalina 开始它就是默认 Shell。Oh My Zsh 是一个能显著改善 zsh 使用体验的框架。安装命令如下：

sh -c "$(curl -fsSL https://raw.githubusercontent.com/ohmyzsh/ohmyzsh/master/tools/install.sh)"

为什么值得折腾？下面几项能力与我们的工作流直接相关：

  • **更好的自动补全。**文件路径、Git 命令和 Python 环境的 Tab 补全会顺畅很多。当你频繁切换 Claude 生成的脚本时，快速导航很重要。

  • **在提示符中集成 Git 信息。**Oh My Zsh 会直接在终端提示符里显示当前 Git 分支和状态。之后我们会大量使用 Git 追踪 Claude 的修改，因此一眼看到是否存在未提交工作很有价值。

  • 插件生态。z 插件会学习最常访问的目录，并允许模糊跳转，例如 z markus 可以进入 ~/repos/markus-ai-talk。virtualenv 插件则会显示当前激活的 Python 环境。这些细小的体验改善会不断累积。

不必深入定制，默认配置已经比裸 zsh 好很多。选择一个主题——我使用只显示目录和 Git 分支的简单主题——再启用几个插件（git、z、virtualenv），然后继续工作即可。

Claude Code 与 Cowork 对比

还需要介绍一下 Cowork。它是一种基于网页的替代方案，下载 Claude 桌面应用后会与普通聊天界面一起提供。下面做一个简单比较：

Claude Code Cowork
界面 终端 网页浏览器（基于 Chromium）
文件访问 完整的本地文件系统 沙箱环境
互联网 完整网络访问 IP 地址受限
最适合 完整项目、高级用户 快速探索、分享协作
学习曲线 中等 较低

理解 Cowork 的沙箱限制很重要。它会限制智能体可以访问的 IP 地址：虽然必须访问 Anthropic 来获取大语言模型回答，但它连接广泛互联网的能力非常有限。你可以调整权限，例如在桌面应用中允许它联网，并放宽数据进出限制；不过在默认状态下，它远不如 Claude Code 自主。

这也有好处，因为风险更低。但不要仅仅试用 Cowork，觉得能力有限，就得出“AI 没那么强”的结论。那将是错误的认知更新，因为你给大语言模型施加了很多限制。

我大约 90% 的工作使用 Claude Code，因为我希望完整访问文件、Git 和终端工具。不过，Cowork 很适合快速制作原型或提出一些问题。

基本交互循环

下面看看 Claude Code 的真实使用方式。进入项目目录，启动会话，然后开始对话：

> 这个项目中有哪些文件？请总结目录结构。

Claude 会读取目录，用自然语言给出概览。接手合作者的代码时，仅这一点就非常有用。

> 阅读 clean_data.py，并逐步解释它的作用。

它会打开文件、梳理逻辑，并指出潜在问题。

> 加载 data/employment.csv，显示前几行，
  并计算汇总统计量。

Claude 会编写脚本、运行脚本，然后直接在终端展示输出。

循环就是这样：描述需求，Claude 编写并执行，你再继续迭代。习惯之后，整个过程非常自然。

入门技巧

下面是我总结的几点经验：

  1. 表达要具体。“分析这份数据”很差；“加载 employment.csv，按行业计算月度增长率，并用 BLS 风格绘制时间序列”则很好。

  2. **持续迭代并做好备份，同时管理上下文窗口。**输出不完全正确时，直接指出即可。“把图例调大，移到左上角”就是很好的后续要求，不必重新说明全部背景。不过，不要与大语言模型争论。另一种选择是按 ESC 回退，再重新运行命令，这会把上下文恢复到之前的状态。

  3. **尽早纠正。**如果 Claude 正朝错误方向前进，立即打断。一句“实际上，请使用 R 而不是 Python”就能节省很多时间。

  4. **信任，但必须验证。**对研究代码而言尤其如此。Claude 很强，但也会犯错，特别是统计方法的边界情况。始终根据预期检查输出。就像与研究助理合作一样：助理可以产出结果，但你仍需要验证，因为它最终会成为你的工作。

Markus 提出的一个问题值得澄清：如果希望 Claude 编写并运行 R 或 Python 代码，电脑上必须已经安装 R 或 Python。代码是在本机执行的，不会被 Claude 拿到某个云端环境中运行。如果没有安装 R，可以让 Claude 改用 Python，也可以让它帮你安装 R，但实际计算仍发生在你的硬件上。

这正是 Claude Code 相比沙箱替代方案的一项优势——它可以使用电脑上已经存在的一切。