最近在做数据库优化器的并行查询支持，需要新增好几个算子。
这几个算子的开发，我开始尝试用 Claude Code 辅助完成，两天时间，三个算子基本完整实现，每个涉及 30 多个文件、1500 行以上的代码改动。
使用几天之后有一些真实的感受和经验，这里聊聊，也给想尝试 AI 编程工具的同学一些参考。
先说背景
我们项目中用的优化器叫 ORCA，是一个 C++ 写的独立查询优化器，代码量大概 90 多万行。给这种大型 C++ 项目加功能，最大的挑战不是某个算法有多难，而是流程太长、涉及的模块太多。
加一个算子，需要改十几个文件：算子定义、转换规则、中间表示、序列化、反序列化、代价模型、最终翻译……每一步都有自己的规范和约束，漏掉任何一步都会编译失败或者运行时出问题。
如果纯手写，一个算子少说得两三天起步，还得反复翻已有的代码做参照，并且不断学习新的概念。
这是我想尝试 Claude Code 的原因——看看它能不能在这种"大项目、长流程"的场景里真正帮上忙。
它实际帮了哪些忙
快速理解陌生代码
这个优化器的代码我之前只看过一部分，很多模块并不熟悉。
以前碰到不熟悉的模块，我的做法是 grep 关键词、顺着调用链一个文件一个文件地看，90 万行代码里找上下文，经常花很长时间。
现在我直接问 Claude Code：“这个 Class 是做什么的”、“这个方法的调用链是怎样的”，它能直接读源码、定位到关键代码位置给出解释。
**这是我觉得 Claude Code 最有价值的能力之一，**它不是凭记忆回答（那样大概率会编），而是实时去读你项目的代码，基于实际代码来回答，这一点和在网页端使用 ChatGPT 这种 AI 工具有本质区别。
参照已有模式生成代码
我的功能实现场景有一个好处——已经有一个类似的算子作为参考模式。
所以我告诉 Claude Code"参照这个已有算子的模式，新增一个类似的算子"，它能把整条链路的代码都生成出来：新文件、新类、注册逻辑、序列化代码、构建文件修改，一次性覆盖完整流程。
当然不是说生成完就直接能用，新算子和参考算子之间有不少差异，Claude Code 生成的第一版代码，有些差异处理得不完全正确，我需要逐个文件 review 然后修正。
但即便如此，它帮我省掉了大量"脚手架"代码的编写——那些模式固定、但写起来繁琐且容易遗漏的部分。毫不隐瞒地说，如果纯手写这十几个文件，我大概率会在某个环节漏掉什么，然后花半天 debug。
而 Claude Code 至少把完整流程都覆盖到了，我只需要集中精力在核心逻辑的正确性上。
编译报错直接扔给它
C++ 大项目的编译错误有时候信息量很大，一个错误刷出几十行。直接把报错信息扔给 Claude Code，大部分情况它能准确定位问题并修复——类型不匹配、头文件缺失、虚函数没实现等等。
有一次遇到一个运行时断言失败，报错位置和我改的代码完全没关系，我自己看了半天没头绪。把报错信息给 Claude Code，它分析后判断是构建缓存导致的问题，建议 clean rebuild，果然就好了。
更有意思的是，它会记住这种经验。后面我再做类似修改的时候，它主动提醒我"这种改动需要先 clean 再 rebuild"，不用我再踩同样的坑。
辅助学习和梳理架构
除了写代码，我还用 Claude Code 来学习和理解系统架构。
它的做法是直接去读源码，然后结合我的问题给出结构化的解释。比如我问某个概念是什么意思，它会去找到对应的基类和几个典型子类的实现，用真实代码来解释，而不是给一段泛泛而谈的定义。
这种**“基于实际代码的学习”**效率非常高，尤其适合那些文档不完善、设计细节都藏在代码里的项目。
我甚至让它帮我生成了一份完整的学习计划，按阶段组织，每个阶段标注对应的源码文件和学习重点。这个对后面新人上手很有帮助。
几个可以复用的使用技巧
用了一段时间之后，我总结了一些自己觉得比较有效的使用方式，供大家参考。
1. 人来设计，AI 来实现
这是我觉得最重要的一条。不要指望 AI 替你做设计决策，而是你想清楚要做什么、核心逻辑是什么，然后让它来写具体代码。
具体来说就是：我自己想清楚新算子的语义、和已有算子的差异点、需要修改哪些模块，然后给 Claude Code 一个明确的指令，指令越清晰，生成的代码质量越高。
反过来，如果你说"帮我实现一个 xxx 功能"但自己都没想清楚要怎么做，生成的代码大概率不能用。
2. 给它一个参照物
如果你的项目里已经有类似的代码，一定要指明参考哪个文件、哪个类。比如"参照 A 类的模式来写 B 类"，这比从头描述需求要高效得多。AI 很擅长"照葫芦画瓢"，它能精确复制已有代码的风格、命名规范和架构模式。
这也是大型项目用 Claude Code 的天然优势——项目越大，可参照的模式越多，AI 能发挥的空间越大。
3. 逐文件 review，不要一把梭
生成完代码不要直接提交。我的做法是每个文件过一遍，重点看：
- 核心逻辑是否正确（这是 AI 最容易出错的地方）
- 边界条件有没有漏处理
- 和已有代码有没有冲突
模板化的代码（序列化、注册、构建文件等）一般问题不大，重点盯核心逻辑就行。
4. 善用它的记忆能力
Claude Code 有一个持久化的 memory 机制——它会把关键经验、项目约束记录下来，后续对话自动参考。
你也可以主动让它记住一些东西，比如"我们项目用的是 Autotools 构建系统，不是 CMake"、“修改枚举头文件后必须 clean rebuild”。记住一次，后面就不用反复提醒了。
这一点是 Claude Code 相比网页端 ChatGPT/Claude 最大的区别之一——它是有"项目记忆"的，不是每次对话从零开始。
5. 当成代码搜索引擎和学习助手
除了写代码，Claude Code 作为代码阅读工具的价值可能被低估了。
想了解某个模块怎么工作的？直接问它，比自己 grep 来 grep 去快得多。想搞清楚一个复杂的调用链？让它帮你追踪。想快速上手一个不熟悉的代码库？让它帮你梳理架构、生成学习路线。
在大型项目中，这种"随时可问的代码助手"能显著降低认知负担。
6. 复杂任务先让它做计划
对于涉及多个文件、多个步骤的复杂任务，不要上来就让它开始写代码。可以先让它分析需要改哪些文件、每个文件改什么，确认计划没问题后再动手。
这样做的好处是：你能在动手之前就发现遗漏或者方向性错误，避免写了一半发现思路不对。
什么场景下效果最好
用下来的感受是，Claude Code 在以下场景效果最明显：
- 代码量大的项目：上下文越多，人越难全局掌控，AI 的辅助价值越大
- 有模式可循的开发：参照已有代码做变体，这是 AI 最擅长的
- 跨文件、跨模块的改动：一个需求涉及十几个文件，人很容易遗漏，AI 能帮你保证完整性
- 流程化/脚手架代码：序列化、反序列化、注册、配置文件这类机械性代码
相对来说，以下场景它帮助有限：
- 从零设计全新架构：这需要对系统有深入理解和全局思考，AI 目前做不到
- 性能调优：需要 profiling 数据和对硬件特性的理解
- 需要深入理解业务语义的 bug 修复：AI 能帮你定位代码位置，但理解为什么这样做是错的，还是得靠人
写在最后
工具终究是工具，它不会替代你对系统的理解和设计能力。但不得不说，对于大型 C/C++ 项目这种代码量大、模式化程度高的开发场景，Claude Code 确实能帮不少忙。
我之前折腾过不少 AI 编程工具，包括 GitHub Copilot、Cursor 等等。
Claude Code 给我最大的不同感受是——它不只是补全几行代码，而是能理解整个项目的上下文，真正参与到跨文件、跨模块的开发任务中来。加上记忆能力和命令行的工作方式，它更像一个能读懂你项目的"结对编程"搭档，而不只是一个代码补全工具。
当然了，前提是你自己得清楚自己在做什么。AI 最擅长的是加速执行，而不是替你思考。
如果你也在做系统级的开发工作，不妨试试，可能会有惊喜，后续我也会分享更多的 vibe coding 的相关经验。