人家還在手寫程式碼，你已經 AI 自動化：Claude Code 工作流

讓程式自己寫自己的魔法

By XD3an

團隊工作流實戰

Anthropic 在 2025 年 7 月 24 日發布文章 How Anthropic teams use Claude Code 詳細介紹了各部門如何運用 Claude Code 來提升工作流程效率、自動化繁瑣任務，甚至讓非技術人員也能開發解決方案。本文將深入探討這些實戰工作流。

以下是 Anthropic 各部門如何利用 Claude Code 的實際案例：

團隊 主要使用案例 團隊影響/效果
資料基礎設施
  • Kubernetes 除錯診斷
  • 為財務團隊建立純文字工作流程
  • 新員工程式庫導覽
  • 會話結束文件更新
  • 多實例並行任務管理
  • 無需專業知識解決基礎設施問題
  • 加速新人培訓
  • 增強支援工作流程
  • 實現跨團隊自助服務
產品開發
  • 自動接受模式快速原型開發
  • 核心功能同步編程
  • 測試生成和錯誤修復
  • 程式庫探索
  • 更快的功能實作
  • 提升開發速度
  • 透過自動測試提升程式碼品質
  • 更好的程式庫探索
資安工程
  • 複雜基礎設施除錯
  • 程式碼審查和分析
  • 文件整合和操作手冊
  • 測試驅動開發工作流程
  • 情境切換和專案導入
  • 減少事件解決時間（10-15 分鐘 →5 分鐘）
  • 改善安全審查週期
  • 增強跨功能貢獻
  • 更好的文件工作流程
推理系統
  • 程式庫理解和新人培訓
  • 單元測試生成與邊界案例涵蓋
  • 機器學習概念解釋
  • 跨語言程式碼翻譯
  • 指令回憶和 Kubernetes 管理
  • 加速 ML 概念學習（減少 80%研究時間）
  • 更快的程式庫導覽
  • 全面的測試覆蓋
  • 消除語言障礙
資料科學與 ML 工程
  • 建立 JavaScript/TypeScript 儀表板應用
  • 處理重複性重構任務
  • 建立持久性分析工具
  • 零依賴性任務委派
  • 實現 2-4 倍時間節省
  • 在不熟悉語言中建立複雜應用
  • 從一次性轉向持久性工具
  • 直接改善模型洞察
成長行銷
  • Google Ads 創意自動生成
  • Figma 外掛大量創意製作
  • Meta Ads MCP 伺服器用於廣告活動分析
  • 使用記憶系統的進階提示工程
  • 重複性任務大幅節省時間
  • 創意輸出增加 10 倍
  • 像更大的團隊一樣運作
  • 戰略焦點轉移

一般工作流

適用多類型問題的標準流程

  1. 探索：
    • 讓 Claude Code 閱讀相關檔案、圖片或 URL
    • 提示：此階段不要讓 Claude Code 寫程式碼
    • 可利用子代理幫助查細節、調查問題，保留更多上下文
  2. 規劃：
    • 要求 Claude Code 制定解決方案計劃
    • 使用關鍵字控制思考深度： think < think hard < think harder < ultrathink
    • 結果合理時，可讓 Claude Code 建立文檔或 GitHub issue 記錄
  3. 編碼：
    • 請 Claude Code 實現程式碼，並在過程中檢查合理性
  4. 提交：
    • 提交 PR，並可更新 README、changelog

快速使用流

適用於快速修復 lint、生成樣板程式碼

claude --dangerously-skip-permissions

測試驅動開發（TDD）

適用於單元 / 集成 / 端到端測試可驗證的功能

  1. 寫測試：
    • 要求 Claude Code 根據預期輸入/輸出編寫測試
    • 強調「不要寫功能程式碼」
  2. 驗證測試失敗：
    • 明確要求先執行測試，確認失敗
  3. 提交測試
  4. 編寫與迭代：
    • 要求 Claude 編寫實現程式碼，且「不要修改測試」
    • 多輪迭代直到測試通過
    • 也可用子代理檢查是否過擬合測試
  5. 最後提交最終程式碼

UI 工作流

適用於設計 / UI 驗證

  1. 提供 Claude Code 圖片或 UI 設計圖
  2. Claude Code 根據設計實現程式碼，輸出結果並截圖
  3. 對比 → 修改 → 截圖 → 再迭代
  4. 滿意後提交

Git 操作流

可處理多數 git 操作：

  • 查歷史：版本差異、作者、設計原因
  • 提交訊息：自動生成，包含完整上下文
  • 複雜操作：回滾、rebase 衝突解決、補丁移植

還可代理 GitHub 交互：

  • 建立 PR（支援「pr」簡寫）
  • 一鍵修正 PR 上的簡單 review 意見
  • 修復 build 錯誤或 linter 警告
  • 批次處理 open issues（分類、整理）

Spec 驅動開發（Spec-driven development）

這是近期備受看好的 AI coding 開發工作流，以 Amazon 的 Kiro IDE 為例，流程分為三步：

  1. Requirements（需求規格）

    用自然語言寫清楚「功能要達到什麼」、「使用者情境」、「成功驗收標準」。

    例如：使用者輸入 email，系統必須驗證格式，若錯誤需提示訊息。
  2. Design（設計規格）

    定義系統架構、資料流、API 介面、數據結構。

    • UI 元件：Email 輸入框
    • 驗證函式：validate_email(email: str) -> bool
    • 錯誤提示元件：ErrorBanner
  3. Tasks（實作任務）

    把設計切分成小的可交付任務。

    • Task 1: 建立 validate_email 函式
    • Task 2: 建立 UI 元件 EmailInput
    • Task 3: 整合驗證與錯誤提示

其價值在於：

  • 可追蹤性（Traceability） - 每行程式碼都能追溯回需求
  • 協作性（Collaboration） - 團隊成員可先討論 Spec，而不是直接討論 AI 生成的程式碼
  • 品質（Quality） - 減少 AI 產生的隱性錯誤
  • 一致性（Consistency） - 多代理開發可共用 Spec，降低上下文遺失問題

參考實現：gotalab/cc-sdd

Vibe Coding 新趨勢

由 Andrej Karpathy 在 2025 年 2 月於他的推文中首次提出 Vibe Coding，：「There's a new kind of coding I call 'vibe coding', where you fully give in to the vibes, embrace exponentials, and forget that the code even exists」

Andrej Karpathy Vibe Coding Tweet Andrej Karpathy 推文截圖

是一種 AI 輔助的編程方式，開發者用自然語言描述需求，由大型語言模型（LLM）生成程式碼，不需審閱原始碼，只透過執行結果和互動來驗證與改進，重心從「寫程式」轉為「引導 AI、測試和反饋」。同時也被視為低程式碼（low-code）與無程式碼（no-code）技術上的演進。從 2010 年代的 4GL、模型驅動開發，到 2021 年的 AI 編程助手（例如 GitHub Copilot），再加上 2022 年 ChatGPT 的出現，到了 2025 年形成一個新興主流趨勢。

隨後有以下幾個現象

  • 多家媒體與專家重視這一概念，例如 Ars Technica、The Observer、Times of India 都於 2025 年早期報導，探討其潛力與風險。
  • Y Combinator 表示，2025 冬季批次中有 25% 的新創公司幾乎完全依賴 AI 生成程式碼（codebase nearly 95% AI-generated）。
  • Garry Tan（Y Combinator CEO） 認為 vibe coding 可能讓小團隊完成過往需 50–100 人才能做的工作量，顯著提高效率。
  • Tom's Guide 與 Financial Times 等也指出，這種方式為非程式開發者提供了創造工具的可能性，但也引發專業程式設計師對程式品質與安全性的疑慮。

除此之外，值得注意的是，不僅只有 Vibe Coding，近期就連 Hacker 也開始 Vibe Hacking！？

由 iThome 報導 iThome - 不只 Vibe Coding，駭客正把 Claude Code 用於 Vibe Hacking，有人將 Claude Code 作為 AI 代理整合至攻擊鏈，不再只是建議，而是實際執行整個攻擊流程。其受害範圍至少影響 17 個組織，涵蓋政府、醫療、緊急應變、宗教等領域，勒索金額超過 50 萬美元。

主要有以下幾個操作

  • 在 Kali Linux 上使用 Claude Code 作為統合平台，從 OSINT 探查、VPN 掃描、憑證竊取到網路滲透與橫向移動，Claude Code 決定入侵策略、選擇洩露資料類型、撰寫具心理操控效果的勒索話術，並規劃財務評估與勒索手段。
  • 使用 CLAUDE.md 設定 TTP（Tactics, Techniques, Procedures），Claude Code 可依此批次化操作數千 VPN 端點，並開發混淆隧道與自製 TCP 代理，加入字符串加密、反除錯與檔名偽裝（如偽裝為 MSBuild.exe、devenv.exe、cl.exe）。
  • Claude Code 甚至分析受害者的財務狀況，以估算可承受的勒索金額，並自動生成強烈視覺警示的 HTML 勒索頁面，嵌入開機流程，使受害者無法逃避。

其他濫用案例：

  1. 北韓透過 Claude Code 偽造專業履歷與形象，甚至在面試與工作中自動產出程式碼與英文溝通內容，進入美國大型科技公司，違反國際制裁；Anthropic 已封鎖帳號並通報主管機關。
  2. 一名英國駭客（編號 GTG-5004）利用 Claude Code 開發、銷售具加密、反分析功能的勒索軟體，每套售價約 400–1,200 美元。若無 AI 幫助，開發者根本無法完成這類惡意軟體的實作。

相關調查報告可以看 Anthropic 發表的這篇文章 AnthropicAI Detecting and countering misuse of AI: August 2025

提示詞工程（Prompt Engineering）

與 Claude Code 互動，勢必要更好的讓它知道該做的是甚麼，因此 Prompt 的設計相當重要。

關於 Prompt 的設計可以參考 Anthropic Prompt engineering overview - Anthropic，或是 Code w/ Claude 演講的分享 Anthropic Prompting 101 | Code w/ Claude。

Prompt Structure

Prompt Structure 基本提示詞結構
  1. 角色定位與任務描述（1–2 句）

    明確設定 AI 的身份與目標，用簡短語句交代核心任務。

  2. 動態與檢索資訊

    提供即時或個人化的資料（例如使用者偏好、地點、上下文），作為回應的依據。

  3. 詳細任務指令

    清楚列出執行步驟與規則，確保 AI 按指定流程處理。

  4. 範例 / n-shot（選填）

    以示例引導模型，展示輸入與輸出的對應方式。

  5. 關鍵指令重申

    在長提示的結尾再次強調最重要的規則，避免模型偏離。

若要處理更複雜的任務時，也可以參考以下結構，擴展更多上下文，使得它可以更好理解上下文資訊

Advanced Prompt Structure 進階提示詞結構
  • 任務脈絡（Task Context）

    用 1–3 句交代角色、目標、受眾與成功定義。

    例如：「你是 ⋯；目標是 ⋯；成功 = ⋯。」

  • 語氣設定（Tone & Style）

    明確指定語氣、風格、嚴謹度與讀者假設。

    例如：「專業但親切；避免行話；面向新手 PM。」

  • 參考資料（Background Docs & Media）

    列出可用的靜態素材與其用途/優先序；標示缺漏時的退場策略。

    例如：「主參考 A，次參考 B；若缺 A，依 B→C 順序補。」

  • 作業規則（Instructions & Constraints）

    以「必須／不得／可以」三層條款描述步驟、判準、邊界與超時/錯誤處理。

    例如：「必須：對齊產品定義；不得：暴露內部推理。」

  • 範例（Examples / N-shot）

    提供 1–3 組高品質對照範例；標註為「示意，非抄寫」。

    例如：範例覆蓋常見變體與邊界情形。

  • 對話歷史（Conversation History）

    只保留與本輪決策必需的片段，並以要點化摘要注入。

    例如：「先前已確定：KPI=CTR；時區=Asia/Taipei。」

  • 本輪請求（Current Turn Request）

    用可驗收的單句工作說明 + 交付時限/範圍。

    例如：「請在 600 字內產出方案比較表與建議。」

  • 思考引導（Reasoning Hints）

    引導「先思後寫」，但避免要求輸出長推理。

    例如：「先列關鍵假設再給結論；僅輸出結論與依據摘要。」

  • 輸出格式（Output Formatting / Schema）

    指定結構、欄位、順序與單位；必要時給 JSON schema 或 Markdown 骨架。

    例如：「輸出：# 概覽 → 表格 → 建議 → 風險。」

  • 預填回應（Assistant Prefill）

    （供支援的供應商使用）預置回應開頭以定調或鎖定格式。

Claude Code 本身的 System Prompt 可以參考 vivek What makes Claude Code so damn good (and how to recreate that…) 中 Appendix 的部分。這篇文章是在解構 Claude Code 為什麼好用，並整理出可以借鏡的 AI 系統設計原則。

多子代理協作

使用多個 agent 協作可以實現更複雜的任務處理：

流程範例：

  1. agent A：負責寫代碼
  2. agent B：清空上下文（/clear）或在另一終端啟動，負責審查或測試代碼
  3. agent C：重新讀取代碼與審查意見，根據反饋修改代碼

分工開發

  • 建立 3–4 個 git clone，分別放在不同資料夾
  • 在不同終端標籤頁打開每個資料夾
  • 在各資料夾啟動一個 Claude，分配不同任務
  • 輪流檢查進度、批準/拒絕權限請求

Git Worktree 應用

git worktree add ../project-feature-a feature-a
cd ../project-feature-a && claude

無頭模式自動化

claude -p "migrate foo.py from React to Vue. When you are done, return OK or FAIL." \
  --allowedTools Edit Bash(git commit:*)

工具資源

工具資源集

一般工具

工作流與多代理協作

交互界面與 IDE 整合

Claude Code in Action

除此之外，Claude Code 還可以幫助開發者整合 Github Action 工作流，只需在任何 PR 或 issue 中簡單地提及 @claude，Claude 就能：

  • 自動分析程式碼：審查差異、檢查潛在問題並提出優化建議。
  • 建立與更新 PR：根據需求自動生成新的 Pull Request，或更新既有的修改。
  • 實作新功能：將自然語言需求轉化為實際程式碼，直接推送到分支。
  • 修復錯誤與漏洞：快速定位問題並提交修正程式碼。

使得開發團隊能在 GitHub 中，使用 Claude Code 支援，大幅提升協作與開發效率。

更多資訊可參考：Claude Code in Action

參考來源