Claude Code 工程实践专区

Claude 很强大，但真实工作需要流程性知识和组织上下文。介绍 Agent Skills：一种使用文件和文件夹构建专门化智能体的新方式。

上下文是 AI 智能体的一项关键但有限的资源。在本文中，我们探讨如何有效筛选和管理驱动智能体运作的上下文。

这是一份关于三个 bug 的技术报告，这些 bug 曾间歇性降低 Claude 的响应质量。下文会解释发生了什么、为什么修复花了时间，以及我们正在改变什么。

智能体的效果取决于我们提供给它们的工具。我们分享如何编写高质量工具和评估，以及如何使用 Claude 为自己优化工具来提升性能。

几周前，我从 Cursor 的智能体转向了 Claude Code，而且不准备再回去了。这篇文章介绍我的实际使用方式和最实用的技巧。

Desktop Extensions 让安装 MCP 服务器变得像点击按钮一样简单。我们分享其技术架构，以及创建优秀扩展的建议。

我们的 Research 功能使用多个 Claude 智能体，更有效地探索复杂主题。我们分享了构建这一系统时遇到的工程挑战和经验教训。

从配置环境到扩展并行会话，介绍充分发挥 Claude Code 能力的技巧和模式。

一种能提升 Claude 复杂问题解决表现的新工具

SWE-bench 是一个 AI 评估基准，用于评估模型完成真实软件工程任务的能力。

我们曾与数十个跨行业构建 LLM 智能体的团队合作。最成功的实现始终使用简单、可组合的模式，而不是复杂框架。

要让 AI 模型在特定语境中真正有用，它通常需要访问背景知识。