Claude Code 七招鲜吃遍天：从钩子系统到模型路由的终极效率手册

Claude Code 藏着七个让工作效率原地飞升的骚操作，从自动拦截工具调用的钩子系统到路径专属规则文件，从实时数据注入到低成本模型路由，再到 PR 会话恢复和模块化知识导入，这些功能把 AI 编程助手从"高级自动补全"变成了真正的团队基础设施，让代码审查、安全管控、异步协作和成本控制全部自动化，堪称程序员的外挂级装备。

Claude Code 内置了一套钩子机制，能在每次工具调用前后插入自定义脚本，这相当于给 AI 装上了安检门和质检员。

{
  "hooks": {
    "PostToolUse": [{
      "matcher": "Edit|Write",
      "hooks": [{ "type": "command", "command": "./scripts/lint.sh" }]
    }],
    "PreToolUse": [{
      "matcher": "Bash",
      "hooks": [{ "type": "command", "command": "./scripts/security-check.sh" }]
    }]
  }
}

PostToolUse 钩子可以在文件编辑后自动跑代码检查，PreToolUse 钩子能在执行危险命令前做安全扫描，脚本通过标准输入接收 JSON 格式的工具调用详情，返回退出码 2 就能直接阻断操作。这套机制把人工审核变成了自动 guardrails，你不再需要盯着 Claude 的每一步操作，系统会在后台默默把关，既保证了安全性又解放了注意力，让 AI 编程从" babysitting "模式进化成" trust but verify "模式。

配置方式简单到离谱，只需要在项目根目录创建 .claude/settings.json 文件，按照 JSON 格式定义匹配规则和对应的命令脚本。匹配器支持正则表达式，可以针对 Edit、Write、Bash 等不同类型的工具设置不同的处理流程。你的脚本拿到的是完整的工具输入参数，这意味着你可以做任意复杂的验证逻辑，从简单的代码风格检查到复杂的依赖关系分析都能搞定。这套系统的威力在于它的通用性，不管是个人项目还是企业级代码库，都能通过这套机制建立起适合自己的自动化工作流，而且完全不需要修改 Claude Code 本身。

传统的 CLAUDE.md 文件越写越长，最后变成了一本没人愿意读完的技术圣经，Claude Code 的规则目录机制彻底解决了这个痛点。

.claude/rules/
├── api.md         # Only loads for src/api/<strong>
├── frontend.md    # Only loads for src/components/</strong>
└── security.md    # Always loads (no paths: field)

你可以在 .claude/rules/ 目录下创建多个 Markdown 文件，每个文件通过 YAML frontmatter 指定适用的文件路径，Claude 只会在操作匹配文件时加载对应的规则。

---
paths:
  - "src/api/<strong>/*.ts"
<hr>
#API Rules
- All endpoints must validate input
- Use standard error format

api.md 专门管 src/api/ 目录下的代码规范，frontend.md 只影响前端组件，security.md 因为没有 paths 字段所以会全局生效。这种模块化的设计让上下文保持清爽，AI 不会因为 irrelevant 的规则而分心，响应质量自然提升。

每个规则文件都是标准的 Markdown 格式，前面用三个横线包裹的 YAML 配置指定适用范围，后面跟着具体的规则描述。路径匹配支持 glob 语法，可以用 src/api//*.ts 这样的模式批量指定文件类型。这套机制的真正价值在于团队协作，不同的模块负责人可以维护自己的规则文件，不需要互相合并冲突，代码审查时也能清楚看到每条规则对应的适用范围。当你的项目规模扩大时，这种分散式的规则管理比单一文件要可持续得多，而且规则文件本身就可以作为文档，新员工通过阅读这些文件就能快速了解项目的编码规范。

Skills 系统支持一种神奇的 !command 语法，可以在发送 prompt 给 Claude 之前先执行 shell 命令，然后把命令输出直接替换到 prompt 里。

---
name: pr-review
context: fork
<hr>
##Current Changes
!<code>git diff --stat</code>

##PR Description  
!<code>gh pr view --json body -q .body</code>

Review these changes for issues.

这相当于给 Claude 装上了实时数据接口，git diff --stat 能看到当前改动的统计信息，gh pr view 能拉取 PR 的详细描述，这些动态数据会变成 prompt 的静态内容，Claude 收到的是处理后的结果而不是命令本身。这种预处理机制特别适合代码审查场景，你可以让 Claude 在分析代码前先看到完整的变更统计和相关背景信息。

这个功能的应用场景远不止 git 操作，任何能输出文本的命令都可以集成进来。curl 请求 API 获取实时数据，cat 读取日志文件，psql 查询数据库状态，甚至自定义的 Python 脚本分析代码复杂度，全部都能变成 prompt 的一部分。关键在于这些命令是在本地执行的，不涉及 Claude 的工具调用权限，所以你可以访问任何本地资源而不需要担心 AI 的权限边界。对于需要频繁查阅外部信息的任务，这种自动化的数据注入能节省大量复制粘贴的时间，而且保证了信息的时效性，每次调用 skill 拿到的都是最新数据。

Claude Code 允许创建使用不同模型的子代理，这对于控制 API 成本简直是神器。

---
name: quick-search
description: Fast codebase search
model: haiku
tools: Read, Grep, Glob
<hr>
Search the codebase and report findings. Read-only operations only.

你可以定义一个名为 quick-search 的 skill，指定使用 haiku 模型，只赋予 Read、Grep、Glob 等只读工具权限，专门用来在代码库里快速搜索和探索。当需要查找所有跟认证相关的文件时，直接让 quick-search 去干活，haiku 的速度快成本低，探索完把结果交给主会话里的 Opus 做深度实现。这种分工让昂贵的 Opus 调用集中在真正需要创造力的环节，探索性工作交给便宜的模型。

配置方式是在 skill 文件的 YAML frontmatter 里指定 model 字段，可选值包括 haiku、sonnet、opus 等不同级别的模型。tools 字段可以限制该 skill 能使用的工具集合，给搜索类 skill 只开只读权限既安全又省钱。这种模型路由策略对于大规模代码库特别有效，探索阶段可能需要遍历成千上万个文件，用 Opus 做这种事就是烧钱，haiku 完全够用。当你的团队开始规模化使用 Claude Code 时，这种精细化的成本控制策略能把月度账单砍掉一大半，同时不影响实际的工作效率。

使用 gh pr create 创建 PR 时，Claude Code 会自动把当前会话链接到 PR，这个设计彻底改变了异步协作的玩法。

之后任何人都可以通过 claude --from-pr 123 命令恢复那个会话，完整的上文全部保留，就像按下了暂停续播按钮。你的同事提交了一个 PR，你不需要从头理解上下文，直接恢复会话就能看到 Claude 当时的工作状态，继续推进或者做代码审查都极其顺畅。这对于分布式团队来说是革命性的，时区差异不再是协作的障碍。

这个功能背后的实现是把会话状态序列化存储，通过 PR 编号作为索引。恢复时会话里的文件修改、对话历史、工具调用记录全部还原，Claude 能立即理解之前的工作进展。想象一下这种场景：深夜你让 Claude 实现一个功能，早上创建 PR 后去睡觉，同事在另一个时区恢复会话继续做优化，24 小时不间断开发成为了可能。而且这种模式天然适合代码审查，审查者可以恢复作者的 Claude 会话，直接询问 AI 关于实现细节的考虑，比阅读静态代码要高效得多。

CLAUDE.md 支持 @ 语法的文件导入，这让知识管理变得异常灵活。

#Project Instructions
@README for project overview
@docs/architecture.md for system design

#Team-wide standards (from shared location)
@~/.claude/company-standards.md

#Individual preferences (not committed)
@~/.claude/my-preferences.md

你可以 @README 引入项目概述，@docs/architecture.md 引入系统设计文档，甚至 @~/.claude/company-standards.md 引入团队共享的标准规范。导入支持递归，最多嵌套 5 层，而且支持家目录路径，个人偏好设置可以放在 ~/.claude/my-preferences.md 里不提交到仓库。这套机制让团队可以把共享知识集中管理，每个人又能保留个性化配置。

导入系统的真正威力在于知识复用，公司级别的编码规范只需要维护一份文件，所有项目通过 @ 语法引用即可，更新一处全局生效。项目特定的文档和团队共享的标准可以清晰分离，避免了 copy-paste 导致的版本混乱。对于咨询顾问或者开源维护者这种需要频繁切换项目的人来说，个人偏好文件能保证在不同项目里都有一致的交互体验。这种分层的设计理念既保证了团队一致性又尊重了个人习惯，是基础设施设计的典范。

给 skill 加上 context: fork 配置，Claude 会在完全独立的子代理里执行该技能，这相当于开了一个沙箱环境。

---
name: deep-research
description: Thorough codebase analysis
context: fork
agent: Explore
<hr>
Research $ARGUMENTS thoroughly:
1. Find all relevant files
2. Analyze dependencies  
3. Map the call graph
4. Return structured findings

主会话的上下文不会被污染，子代理完成任务后只返回总结性结果。对于深度代码分析这类需要大量探索但不需要保留中间步骤的任务，这种隔离机制能保持主会话的上下文窗口留给真正重要的实现工作。Explore 代理的只读工具组合也保证了安全性，不用担心 fork 出来的子代理会意外修改代码。

这种设计解决了大模型编程中的一个核心痛点：上下文窗口是有限的，探索性工作会快速消耗宝贵的 token 配额。把研究任务 fork 出去，主会话始终聚焦在当前实现目标上，子代理在海量代码里探索完后带回结构化发现。你可以放心地让子代理去读几十个文件做依赖分析，不用担心这些细节挤占主会话的上下文。对于复杂项目的重构工作，这种"侦察兵"模式能大幅提升效率，先派便宜的 haiku 子代理摸清情况，再用 Opus 主会话执行精确打击。

这七个功能的真正价值在于组合使用，单一技巧只是便利，组合起来就是降维打击。钩子系统自动触发代码审查子代理，路径规则根据目录注入不同编码标准，团队共享的钩子配置通过导入机制统一分发，昂贵的研究任务路由给 haiku，关键实现留给 Opus，PR 会话恢复让协作无缝衔接，fork 上下文保持环境整洁。这套组合拳打下来，Claude Code 从一个智能编辑器变成了完整的 AI 原生开发平台，自动化程度堪比 CI/CD 流水线。

一个典型的工作流：你提交代码后，PostToolUse 钩子自动触发安全扫描和代码风格检查，检查通过后 fork 一个子代理做影响范围分析，分析结果回到主会话，你用 Opus 实现修复，创建 PR 时自动链接会话，同事第二天恢复会话做审查，审查过程中路径规则自动注入该模块的特定规范。整个过程行云流水，人工干预点被压缩到最小，创造力集中在真正需要人类判断的环节。