关注「索引目录」公众号，获取更多干货。
为什么默认的 Claude 代码还不够
Claude Code 开箱即用，功能强大。但它是通用型的，并不了解你的项目结构、部署流程、代码模式或团队偏好。
技能可以解决这个问题。它们是通过 YAML 配置的行为，可以为 Claude Code 添加特定领域的知识。你可以把它们想象成插件，让 Claude 了解你的团队是如何工作的。
我们安装了 30 项技能。这听起来可能有点过头，但其实不然。每项技能都针对特定领域，这意味着 Claude 能更快地做出更明智的决策，因为它掌握了任务所需的正确信息。
我们的30项技能库：完整参观指南
以下是我们使用的所有技能，按领域分类：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
最令人惊喜的技能是：技能生成器。它是一种元技能，可以创建新技能。当 Claude 注意到我们开发过程中的某种重复模式时，它可以自动生成一项新技能来应对这种模式。
SuperClaude：30+ 条万能指令
除了技能之外，我们还运行 SuperClaude 框架——一组用于激活特定行为的斜杠命令：
- /sc:analyze
— 对代码进行深度分析，涵盖质量、安全性、性能和架构等方面。 - /sc:implement
— 智能角色激活的功能实现 - /sc:brainstorm
— 通过苏格拉底式对话发现需求 - /sc:design
— 系统架构和 API 设计 - /sc:test
— 测试，包含覆盖率分析和自动报告 - /sc:workflow
— 从产品需求文档 (PRD) 生成实施工作流 - /sc:troubleshoot
— 问题诊断和解决 - /sc:git
— 使用智能提交消息的 Git 操作 - /sc:pm
— 项目管理代理，用于编排
强大的功能在于将它们串联起来。一个典型的功能构建过程如下所示：
/sc:brainstorm "new learn section for educational guides"
→ /sc:design (architecture from brainstorm output)
→ /sc:implement (code from design)
→ /sc:test (validate implementation)
→ /sc:analyze --focus security (security review)
→ /pr (commit, push, create PR)每个命令都会激活特定的角色和工具。例如，/sc:analyze 命令可能会同时激活安全、性能和架构角色，每个角色都会提供特定领域的反馈。
克劳德-弗洛 MCP：主干
所有操作都通过同一个 MCP 服务器claude-flow进行。以下是我们的配置：
{
"mcpServers": {
"claude-flow": {
"command": "npx",
"args": ["-y", "@claude-flow/cli@latest", "mcp", "start"],
"env": {
"CLAUDE_FLOW_MODE": "v3",
"CLAUDE_FLOW_HOOKS_ENABLED": "true",
"CLAUDE_FLOW_TOPOLOGY": "hierarchical-mesh",
"CLAUDE_FLOW_MAX_AGENTS": "15",
"CLAUDE_FLOW_MEMORY_BACKEND": "hybrid"
}
}
}
}
主要配置选项：
- 分层网格拓扑结构
——代理之间有一个协调器，但也可以进行点对点通信。兼具两者的优点：结构严谨而无瓶颈。 - 混合内存
——结合了快速的内存存储和持久的磁盘支持内存。代理程序可以跨会话记住模式。 - 最多 15 个代理
——这是我们测试过的最佳数量。超过这个数量，协调开销会超过并行处理带来的好处。 - 启用钩子
— 任务前和任务后钩子，用于记录模式、验证输出和触发学习。
自学习系统
这部分最让我兴奋。我们的钩子系统不仅能自动化，还能学习。
我们有 40 多个辅助脚本，在开发周期的各个阶段运行：
- intelligence.cjs
— 追踪工具使用模式、代码更改和结果。学习哪些方法适用于哪些类型的任务。 - learning-optimizer.sh
— 根据任务复杂度调整模型路由。简单任务路由到速度更快的模型；复杂任务路由到 Opus 模型。 - pattern-consolidator.sh
— 定期巩固学习到的模式，消除噪声并增强可靠的见解。 - security-scanner.sh
— 每次编辑后运行，在漏洞到达 git 之前将其捕获。 - checkpoint-manager.sh
— 在复杂的多代理任务期间创建检查点，以便我们在出现问题时可以回滚。
结果是：与两周前相比，该系统在任务路由、方案推荐和问题检测方面都有显著提升。它能从每次会话中学习。
最强大的开发工具并非任何单一模型或技能，而是它们之间的反馈循环。当你的人工智能助手能够从自身的错误和成功中学习时，你就能避免重复犯错，并开始积累经验。
如何自行设置
如果您想要类似的配置，以下是最快的方法：
步骤 1：安装 claude-flow
claude mcp add claude-flow -- npx -y @claude-flow/cli@latest mcp start
npx @claude-flow/cli@latest init --wizard第二步：先从3项技能开始，而不是30项。
不要一次性安装所有程序。先安装以下程序：
- sparc 方法论
——为您的开发提供结构 - 集群编排
— 支持并行代理 - 质量验证
——发现质量问题
步骤 3：启用钩子
学习过程就发生在钩子函数中。在 MCP 配置中启用它们，并在进行调优之前让它们运行几个会话。
第四步：根据需要添加技能
遇到具体问题时再添加（例如，需要代码审查自动化？那就添加 github-code-review）。不要随意添加技能。
关注「索引目录」公众号，获取更多干货。