EP11. "Agents：Claude Code 与 Computer Use"
🔒 登录后可标记已读- Claude Code 不只是写代码，能贯穿从项目初始化、规划、实现、测试到部署维护的整个开发流程——效果好不好，很大程度取决于你给它多少上下文和结构
- 两套最见效的工作流是「先规划再动手写」和「测试驱动开发」，两者共同点都是先明确禁止 Claude 直接写代码，逼它先想清楚再动手
- Claude Code 能接 MCP Server 扩展能力（比如接 Sentry 抓生产环境错误、接 Jira 拿票据需求），也能用 Git worktrees 让多个 Claude Code 实例平行跑在各自独立的工作区，互不冲突
- Computer Use 让 Claude 能像人一样操作桌面环境——截图、点击、打字、切应用，本质上还是标准的 tool use，只是这次的"工具"模拟的是鼠标键盘操作,不是查数据库
- 有效的 agent 有四个共同特质：专注的工具集 + 循环执行、上下文靠工具主动获取（Claude 对你的环境没有天生认知）、适合高价值/低错误成本的任务、靠严格测试持续验证
- 前置知识：EP04/EP05 的 tool use（Computer Use 底层复用同一套机制）
重点内容
Claude Code：贯穿整个开发周期的搭档
新项目最先用的是 /init 命令——Claude Code 会检查你的代码库，记录项目结构、依赖、常用命令、代码风格,汇总写进一份 CLAUDE.md 文件，之后的对话会自动参照这份文件。
可以维护多份不同范围的 CLAUDE.md：
| 范围 | 用途 |
|---|---|
| Project | 存在 git 里，团队成员共享 |
| Local | 不进 git，自己给 Claude 的私人笔记 |
| User | 套用到你所有的项目 |
💡 跑 /init 时可以指定要 Claude 重点关注哪些地方；用 # 这个快捷键能快速把一条笔记附加进 CLAUDE.md。
📌 Claude 更多是一个「效果倍增器」——给的上下文和结构越充分，产出质量提升得越明显。
两个高效工作流
先规划再写（Planning-First Workflow），适合复杂功能，三步：
- 喂上下文给 Claude——找出跟这个功能相关的文件，分享给它
- 让 Claude 先规划方案——说清楚需求，但明确要求 Claude 先不要写代码
- 让 Claude 实现方案——有了扎实的规划，Claude 能基于已经理清的上下文和计划来写代码
举例：做一个文档转换工具，可以先让 Claude 看现有的工具范例和辅助函数，再让它列出实现步骤，最后才要求它真正写代码。
测试驱动开发（Test-Driven Development Workflow），前期投入更多,但能大幅提升效果，四步：
- 喂上下文给 Claude——分享跟这个功能相关的文件
- 让 Claude 先想测试用例——同样明确要求先不要写任何代码
- 让 Claude 实现这些测试——挑出看起来跟这个功能相关的测试
- 让 Claude 写能通过测试的代码——Claude 会反复迭代,直到测试全部通过
这套方法有助于确保代码可靠、顾及到你可能没想到的边界情况。
📌 除了写代码，Claude 还能处理：环境搭建和依赖安装、暂存/提交改动并写有意义的 commit message、跑测试套件并分析结果、用 /clear 清掉对话历史重置上下文。
由于 Claude Code 会自动读取 CLAUDE.md，任何写进去的编码规范、项目专属笔记、架构决策，都会持续影响它之后的每次互动——积累得越多，Claude 对项目的理解就越到位。
接 MCP Server 扩展 Claude Code
MCP server 能让 Claude Code 连接外部服务，每个 server 能提供工具、prompts、resources 来扩展 Claude 能做的事。
加一个 MCP server：先停掉正在跑的 Claude Code session，再执行：
claude mcp add documents uv run main.py
需要两个参数：server 名字（自己取，比如 "documents"）、启动这个 MCP server 的命令。加完后重启 Claude Code 就会自动连上这个 server。
课程示例：接一个自定义的文档转换 MCP server，让 Claude 能读取并把 PDF、Word 文档转成 markdown。
几个热门的开发用 MCP server：
| MCP Server | 用途 |
|---|---|
sentry-mcp | 找出并修复 Sentry 记录的 bug |
playwright-mcp | 浏览器自动化测试 |
figma-context-mcp | 把 Figma 设计暴露给 Claude |
mcp-atlassian | 访问 Confluence 和 Jira |
firecrawl-mcp-server | 加上网页抓取能力 |
slack-mcp | 发消息或回复 Slack 讨论串 |
💡 真正的威力在于把多个 MCP server 组合起来,贴合自己的开发需求——比如同时接 Sentry（拿生产环境错误详情）+ Jira（拿票据需求）+ Slack（团队通知）+ 自定义 server（特定工具/流程），这种灵活性让 Claude Code 能适应各种不同的开发环境。
平行跑多个 Claude Code：Git Worktrees
📌 同时跑多个 Claude Code 实例是能拿到的最大生产力提升之一。
主要挑战：多个实例同时改同一批文件会冲突。解法：给每个 Claude 实例一个独立的工作区。
Git Worktrees：Git 分支机制的延伸，能在同一台机器的不同目录下,建出项目的完整副本——每个 worktree 对应一个独立分支，可以互不干扰地各自开发不同功能。
Claude Code 能自动化整个流程：在指定文件夹建新的 git worktree、给未纳入版本控制的依赖建符号链接、在那些目录里启动新的 VS Code 实例。
自定义命令：在 .claude/commands 下加 markdown 文件就能建自定义斜杠命令，用 $ARGUMENTS 占位符接收动态输入，例如 /project:create_worktree feature_a。
平行开发工作流示例：多个 Claude 实例同时各自处理独立任务——更新文档测试、加日志、加笔记功能、加减法工具。改动完成后,自动化流程负责合并，基于 Claude 对各分支改动的理解处理冲突。
效果：这套做法能随着并行实例数量扩展，有效地把开发产能乘上去。
自动化除错：生产环境错误自动修
问题：在开发环境跑得好好的应用，部署到生产环境却可能出问题。课程举例：一个能生成表格的聊天机器人，本地跑得完美，部署到 AWS Amplify 后却静默失败。
传统流程：手动翻 CloudWatch 日志、解析错误堆栈、找出根本原因、写修复、重新部署——非常耗时。
自动化方案：一个每天跑一次的 GitHub Action workflow，步骤：
- Checkout 代码库、装依赖
- 拉过去 24 小时的 CloudWatch 日志
- Claude 分析错误、去重
- Claude 自动修代码
- 建 pull request 给人复核
真实案例：Claude 找出生产环境配置里一个无效的 model identifier，自动改正并附上说明文档。
好处：主动监控、省时间、修复过程有据可查、走正常复核流程、能持续改进。
⚠️ 落地注意事项：要有合适的 AWS 权限、要有错误去重逻辑、要管理好上下文窗口大小、workflow 跑的时机要仔细考虑。
Computer Use：控制电脑界面
Computer Use 让 Claude 能像人一样操作桌面环境，解锁了超越文字生成的自动化、测试、复杂工作流可能性。
Claude 能做到：截图观察屏幕内容、点击按钮和链接、在表单/应用里打字、在不同应用/浏览器分页间切换、执行需要视觉反馈的多步骤流程。特别适合需要跟用户界面互动、验证功能是否正常的 QA 测试场景。
真实案例：自动化 QA 测试——一个 React 组件带自动完成功能（打 @ 提及文件/资源），表面看起来能用，但想彻底测边界情况。给 Claude 具体测试用例：
- 验证打「Did you read @」会显示自动完成选项
- 测试按 Enter 能正确把 mention 加进文本框
- 检查加了 mention 后按 backspace,自动完成列表位置是否正确
Claude 系统化地逐条测试、截图、跟界面互动、记录结果。示例里前两个测试通过，第三个测试失败——backspace 后自动完成下拉框出现的位置不对。
测试流程：打开浏览器、导航到你的应用 → 逐条执行测试用例 → 截图验证视觉行为 → 每次测试之间刷新页面保持干净状态 → 记录具体的通过/失败细节 → 给出带可执行建议的总结报告。
📌 主要优势：Claude 能抓到人工测试时容易漏掉的问题，而且每次代码改动后都能跑一样的测试、结果稳定一致。
环境搭建（出于安全考虑要隔离运行）：一个跑桌面环境的 Docker 容器、一个 Claude 能控制的浏览器实例、给你下指令的聊天界面、跟主系统完全隔离。
最佳实践：明确说清楚要 Claude 测什么/完成什么；给每个任务清楚的成功标准；复杂流程拆成小步骤；一定在隔离环境里跑；Claude 的发现要人工复核重要结果。
Computer Use 怎么运作：本质还是 Tool Use
Computer Use 建立在跟标准 tool use 一样的基础原理上——不是呼叫外部 API 或数据库，而是让 Claude 发请求去控制电脑界面。
Tool Use 流程回顾：把问题和工具 schema 一起发给 Claude → Claude 判断要不要用工具 → Claude 回传工具调用请求（工具名+参数）→ 你的 server 执行工具函数、拿结果 → 把结果送回给 Claude。例如问旧金山天气，Claude 会调用 get_weather 函数并带上地点参数,你的 server 去查数据再回传。
Computer Use：同一套流程，换了个工具。这次"工具"模拟的是电脑交互：鼠标移动和点击、键盘输入和组合键、截图、滚动等界面操作。开启后，Claude 会拿到一个特殊的工具 schema，背后自动展开成一整套完整界面操作能力，开发者不用手动逐一定义。
技术实现：需要一个能真正执行 Claude 请求动作的运算环境。参考实现用的是跑 Firefox 的 Docker 容器，配上模拟按键和鼠标移动的代码。Claude 发工具调用请求，server 在容器环境里执行对应动作——点按钮、打字、截图。
📌 重要认知：Claude 不是直接在控制电脑，它是在发工具请求，你的基础设施负责把这些请求转译成真正的电脑操作。
上手准备：不用从零搭基础设施，Anthropic 提供参考实现。需要：本机装好 Docker runtime、本机配置好 AWS profile（通常叫 "default"）、从 Anthropic quickstarts 仓库拿参考实现。准备好之后一条命令就能启动 Docker 容器，界面左侧是聊天界面、右侧是浏览器环境，Claude 在里面跟网页和应用互动。完整搭建指南在 Anthropic quickstarts 的 GitHub 仓库里。
有效 Agent 的四个关键特质
有效的 agent 会展示一种系统化的解题方式：专注的工具使用、对环境的持续感知、反复迭代执行。课程举例：Claude 处理某任务时用了四次工具调用——两次读现有文件、一次更新文件、一次跑测试——其中三次纯粹是在收集信息,才轮到真正动手改，这是一种「先观察、再行动」的方法论。
Claude Code 和 Computer Use 共享这些特征：工具驱动的循环执行、透过工具互动获取环境上下文、专注且定义清楚的工具集、高价值且错误成本可控的任务、持续的反馈循环。
四个关键特质：
- 专注的工具集 + 循环执行：持续执行工具，直到达到迭代上限、遇到错误，或满足成功标准才停
- 上下文就是一切：Claude 对你的具体环境没有天生认知,必须靠工具去了解当下系统状态
- 高价值、低错误成本的任务：最适合复杂、知识密集型的工作,出错也不会造成重大损失的场景
- 持续评测：打造有效 agent 唯一可靠的方式就是严格测试
学完你会
- ✅ 用「先规划再写」或「测试驱动」两套工作流，让 Claude Code 在复杂功能上发挥更大效果
- ✅ 给 Claude Code 接上 MCP server（Sentry、Jira、自定义工具）、用 Git worktrees 让多个实例并行开发
- ✅ 理解 Computer Use 本质上是 tool use 的延伸，能用它做自动化 QA 测试等需要真正操作界面的任务
- ✅ 判断一个任务适不适合交给 agent——专注工具集、够多上下文、错误成本低、有持续评测机制,才是靠谱的组合
Sources
官方文档：
- Claude with Amazon Bedrock（Claude Academy 课程）— https://academy.claude.com/courses/claude-with-amazon-bedrock