📘 09-15 讲进阶篇总复习版

Advanced Review Notes for Lessons 09–15

这份笔记不是逐讲复述，而是把 09～15 讲作为一个整体，帮你建立一套完整的 AI 原生开发进阶能力地图。
如果说 01～08 讲解决的是“怎么和 Claude Code 高效协作”，那么 09～15 讲解决的就是：

如何让 AI 协作变得安全、自动化、可扩展、可编排、可集成。

一、09-15 讲到底在讲什么？

What Are Lessons 09–15 Really About?

这 7 讲合起来，核心不是“多学了几个功能”，而是在逐步完成 Claude Code 的工程化升级。

可以概括成一句话：

把 Claude Code 从一个会聊天、会写代码的交互式助手，升级为一个安全可控、事件驱动、可连接外部系统、可加载专家能力、可编排多智能体、可接入自动化流水线的工程系统。

这 7 讲的主线

09 讲：安全边界

让 AI 不再“野生运行”，而是带着权限、沙箱和审批机制行动。

10 讲：可反悔与恢复

让 AI 的行动不再“一改就不可回头”，而是具备 checkpoint 和恢复能力。

11 讲：事件驱动自动化

让 AI 行动之后，系统能自动响应，不再依赖你手工补动作。

12 讲：连接外部世界

让 AI 不再只在本地代码世界里工作，而能连接 GitHub、知识库、内部 API 等。

13 讲：专家能力封装

让 AI 不只是有工具，还能按领域加载专业能力。

14 讲：多智能体分工

让复杂任务不再由一个 Agent 硬扛，而是拆给多个独立上下文专家协作完成。

15 讲：自动化接口化

让 AI 不再只能“对话式使用”，而是能被脚本和 CI/CD 调用。

二、09-15 讲可以压缩成哪 6 个关键词？

Six Keywords to Compress Lessons 09–15

这 7 讲可以压缩为 6 个核心主题：

1. 安全
2. 可恢复
3. 自动化
4. 扩展
5. 编排
6. 集成

三、整体思维导图

Overall Mental Map

Claude Code 进阶篇
├── 09 安全边界
│   ├── Permissions
│   ├── Sandbox
│   └── 最小权限原则
├── 10 可恢复
│   ├── Checkpointing
│   ├── undo/restore
│   └── 安全试错
├── 11 自动化
│   ├── Hooks
│   ├── PreToolUse
│   ├── PostToolUse
│   └── Notification
├── 12 外部扩展
│   ├── MCP
│   ├── Host / Client / Server
│   ├── Tools / Resources / Prompts
│   └── stdio / http
├── 13 专家能力
│   ├── Agent Skills
│   ├── SKILL.md
│   ├── description
│   └── Progressive Disclosure
├── 14 多智能体
│   ├── Subagent
│   ├── 独立上下文
│   ├── 专属 Prompt
│   └── 链式编排
└── 15 自动化接口
    ├── Headless
    ├── claude -p
    ├── stdin/stdout
    ├── json / stream-json
    └── Shell / CI / GitHub Actions

四、从“会用 AI”到“工程化驾驭 AI”的升级路径

The Upgrade Path from “Using AI” to “Engineering AI”

这 7 讲真正完成的是一次角色升级。

第一层：你不再只是 AI 使用者

前面课程更多是：

• 怎么提问
• 怎么给上下文
• 怎么下命令
• 怎么优化协作

这是“使用 AI”。

第二层：你开始管理 AI 的边界和风险

09、10 讲开始，你要考虑：

• 权限怎么给
• 哪些命令要拦
• 改错了怎么回滚
• 怎么让试错安全

这是“治理 AI”。

第三层：你开始让 AI 自动流动起来

11 讲开始，你要考虑：

• 什么时候自动格式化
• 什么时候自动提醒
• 什么时候自动阻止危险动作

这是“编排 AI”。

第四层：你开始让 AI 接入外部生态

12 讲开始，你要考虑：

• 怎么接 GitHub
• 怎么接内部系统
• 怎么让 AI 查知识库、查指标、建工单

这是“扩展 AI”。

第五层：你开始给 AI 构建专家大脑

13、14 讲开始，你要考虑：

• 哪些能力要做成 Skills
• 哪些复杂任务要拆成 Subagents
• 怎么让 AI 自主加载能力
• 怎么让 AI 团队协作

这是“设计 AI 能力系统”。

第六层：你开始把 AI 变成基础设施

15 讲开始，你要考虑：

• 怎么让 Shell 调 AI
• 怎么让 CI 调 AI
• 怎么让 AI 审查结果驱动流水线状态

这是“集成 AI”。

五、逐讲总复习

Lesson-by-Lesson Review

09 讲：安全基石——权限、沙箱与最小权限原则

Lesson 09: Security Foundations — Permissions, Sandbox, and Least Privilege

核心问题

AI 很强，但如果它可以毫无限制地：

• 改文件
• 执行 Bash
• 操作系统

那风险就非常高。

所以 09 讲的核心是：

让 AI 的能力运行在可治理的安全边界内。

核心概念

Permissions

AI 调用工具前是否需要你批准。

Sandbox

把 AI 的一些高风险操作限制在安全环境中。

最小权限原则

不要默认给 AI 全部能力，而是：

只给它完成当前任务所需的最小工具权限。

方法论价值

这一讲确立了一个底层原则：

AI 不是越自由越好，而是越强越要有边界。

10 讲：Checkpointing——让 AI 协作可反悔、可恢复

Lesson 10: Checkpointing — Making AI Collaboration Reversible and Recoverable

核心问题

AI 改代码不是问题，问题是：

• 改错了怎么办？
• 改乱了怎么办？
• 想回到之前状态怎么办？

核心结论

Checkpointing 的本质是：

让 AI 协作从“一次性冒险”，变成“可安全试错”的过程。

方法论价值

09 讲给 AI 上了“刹车”，
10 讲给 AI 装了“倒车挡”。

学霸记忆

• 09 讲：不让 AI 胡来
• 10 讲：即使胡来也能回去

11 讲：Hooks——事件驱动自动化

Lesson 11: Hooks — Event-Driven Automation

核心问题

前面协作还是“一问一答”：

• AI 改完文件
• 你再手工 gofmt
• AI 完成任务
• 你再自己来看
• AI 等你批准
• 你却不知道它卡住了

核心结论

Hooks 的本质是：

当 AI 发生某个关键事件后，系统自动执行预设动作。

最重要的两个 Hook

PreToolUse

工具执行前触发
适合：

• 安全拦截
• 策略控制
• 禁止危险操作

PostToolUse

工具执行后触发
适合：

• 自动格式化
• 自动 lint
• 自动日志
• 收尾工作

方法论价值

这讲完成的升级是：

从人工串联流程，升级为事件驱动编排。

12 讲：MCP——让 AI 连接任何系统

Lesson 12: MCP — Letting AI Connect to Any System

核心问题

Claude Code 再强，如果只能：

• 读写文件
• 跑本地命令

那还是被困在本地世界里。

但工程世界还有大量外部系统：

• GitHub
• Jira
• 内部知识库
• 数据库
• 监控系统
• Figma

核心结论

MCP 本质上是：

把外部系统包装成 AI 可发现、可调用、可治理的标准能力接口。

必背三角色

Host

Claude Code，本质是总调度者

Client

Host 内部连接某个 Server 的专属连接器

Server

能力提供方，本地或远程服务

必背三类能力

Tools

动作，如创建 issue

Resources

数据，如读取 issue 内容

Prompts

工作流模板，可变成 Slash Commands

方法论价值

这讲让 AI 完成一次边界突破：

从本地开发工具，升级为技术生态连接中枢。

13 讲：Agent Skills——为 AI 植入专家能力

Lesson 13: Agent Skills — Implanting Expert Capabilities into AI

核心问题

通用 AI 很强，但不代表它天然懂你的领域知识。
而这些知识又不适合：

• 重新训练模型
• 全塞到 CLAUDE.md

核心结论

Agent Skills 的本质是：

把领域知识做成 AI 可自主发现、按需加载、可组合复用的能力胶囊。

与 Slash Commands 的根本区别

Slash Commands

用户调用

Skills

模型调用

Skill 的最小结构

<skill-name>/
└── SKILL.md

最关键字段

description

Skill 的发现入口
决定 AI 是否能在合适场景想起并激活它。

最重要机制

Progressive Disclosure（渐进式披露）

• Level 1：只加载 metadata
• Level 2：命中后加载 SKILL.md
• Level 3+：执行中再按需加载辅助文档和脚本

方法论价值

这一讲最大的升级是：

你开始不再只是给 AI 下命令，而是在为 AI 建专家能力库。

14 讲：Subagents——多智能体专家分工

Lesson 14: Subagents — Multi-Agent Expert Collaboration

核心问题

一些复杂任务，不适合由一个 Agent 把所有角色都扮演完。
因为这会带来：

• 上下文污染
• 角色冲突
• 线性推理负担过重

核心结论

Subagent 的本质是：

拥有独立上下文、独立 Prompt 和独立工具权限的专家分身。

最关键价值

独立上下文

这是它和 Skills / Commands 最大的区别。

• Skills 运行在主会话上下文中
• Subagent 运行在独立上下文中

三种调用模式

隐式调用

AI 根据语义自动委托

显式调用

用户直接点名某个 Subagent

链式编排

多个 Subagent 串联工作

方法论价值

这一讲完成的升级是：

从“与一个 AI 协作”，升级为“管理一个 AI 专家团队”。

15 讲：Headless——把 AI 变成自动化接口

Lesson 15: Headless — Turning AI into an Automation Interface

核心问题

前面所有能力虽然很强，但主要还是通过终端对话使用。
而工程里还有大量：

• 无人值守
• 周期执行
• 可脚本化
• 可集成 CI/CD

的场景。

核心结论

Headless 模式的本质是：

把 Claude Code 变成一个能吃 stdin、吐结果、可输出 JSON、可被脚本和流水线调用的 AI 函数接口。

核心开关

claude -p "..."

两类输入

参数输入

适合短 Prompt

stdin 输入

适合日志、diff、长文本

三类输出

text

给人看

json

给程序处理，适合审计和自动化

stream-json

给长任务实时反馈

方法论价值

这讲是整个进阶篇的“最后一公里”：

前面构建的是 AI 能力体系，这一讲构建的是 AI 能力的自动化接入接口。

六、09-15 讲之间的逻辑关系

The Logical Relationship Across Lessons 09–15

这 7 讲不是并列知识点，而是层层递进的系统。

第一步：先控制风险

• 09 权限与沙箱
• 10 checkpoint 与恢复

如果没有这两讲，后面所有自动化都不敢落地。

第二步：再提高自动化程度

• 11 Hooks

当 AI 行动越来越多，必须把重复动作自动化。

第三步：再扩张能力边界

• 12 MCP

让 AI 进入外部生态。

第四步：再增强认知方式

• 13 Skills
• 14 Subagents

一个负责“能力封装”
一个负责“角色分工”

第五步：最后把一切集成进工程系统

• 15 Headless

把前面所有能力统一通过自动化接口输出到脚本和 CI/CD。

七、最重要的对比总结

The Most Important Comparison Summary

1. Slash Commands vs Hooks vs Skills vs Subagents vs Headless

2. Skills vs Subagents

3. MCP vs Hooks

八、工程实践中的组合用法

How They Work Together in Real Engineering

最强大的地方不是单独使用某一项功能，而是把它们组合起来。

典型组合场景 1：安全代码审查流水线

• 09：限制 AI 工具权限
• 11：在修改后自动格式化
• 13：加载 go-code-reviewer Skill
• 14：委托 go-code-security-reviewer Subagent
• 15：在 GitHub Actions 中自动运行

典型组合场景 2：PR 自动化

• 12：用 GitHub MCP 访问 PR / issue
• 13：加载项目代码规范 Skill
• 14：让安全专家 / 测试专家分工审查
• 15：通过 Headless 在 CI 中触发并回评论

典型组合场景 3：日志分析与故障排查

• 12：接监控系统 / 内部知识库的 MCP
• 13：加载日志分析 Skill
• 14：拆给“日志专家”“性能专家”“安全专家”
• 15：在定时任务中自动执行分析脚本

九、09-15 讲真正建立的能力模型

The Capability Model Built by Lessons 09–15

这 7 讲真正让你掌握的，不是 7 个功能，而是一套 AI 工程能力模型：

1. 治理能力

• 权限
• 沙箱
• 最小权限
• checkpoint
• 恢复

2. 流程能力

• Hooks
• 自动收尾
• 事件响应
• 通知

3. 扩展能力

• MCP
• 外部 API
• 内部平台接入

4. 认知能力

• Skills
• 专业知识封装
• 渐进式披露

5. 组织能力

• Subagents
• 多智能体分工
• 链式编排

6. 基础设施能力

• Headless
• Shell / CI/CD 集成
• AI 接口化

十、考试 / 面试 / 复盘最值得背的 10 句话

Ten Sentences Most Worth Memorizing

1. 09 讲的核心是：AI 越强，越需要安全边界。
2. 10 讲的核心是：AI 协作必须可反悔、可恢复。
3. 11 讲的核心是：Hooks 让 AI 工作流从交互式升级为事件驱动。
4. 12 讲的核心是：MCP 把外部系统包装成 AI 可发现、可调用的能力接口。
5. 13 讲的核心是：Skills 把领域知识做成 AI 可自主发现和按需加载的能力胶囊。
6. 14 讲的核心是：Subagent 用独立上下文实现专家分工。
7. 15 讲的核心是：Headless 把 Claude Code 变成可编程函数接口。
8. Skills 解决的是“AI 该会什么”，Subagents 解决的是“复杂任务该由谁去做”。
9. Hooks 负责自动响应事件，MCP 负责连接外部世界，Headless 负责接入自动化系统。
10. 09-15 讲整体上是在把 Claude Code 从助手升级为工程基础设施。

十一、学霸速记总表

Top-Student Quick Review Table

十二、最终总总结

Final Summary

09-15 讲是 Claude Code 进阶篇的真正核心。
它们共同回答了一个问题：

如何把 AI 从一个“会话型助手”，升级为一个真正可落地、可治理、可扩展、可集成的工程系统。

这套升级路径非常清晰：

1. 先保证安全
   没有边界的 AI 不可落地。

2. 再保证可恢复
   没有反悔能力的自动化不值得信任。

3. 再推进自动化
   把手工尾活变成事件响应。

4. 再扩展到外部世界
   让 AI 接入你的整个技术生态。

5. 再植入专家知识与专家分工
   让 AI 不只是会工具，而是会按领域思考、按角色协作。

6. 最后把这一切接口化
   让 AI 能进入脚本、定时任务和 CI/CD 流水线。

所以，这 7 讲合起来，真正让你完成的，不只是“Claude Code 高级功能学习”，而是一次开发者角色的持续升级：

• 从 AI 使用者
• 到 AI 治理者
• 到 AI 工作流编排者
• 到 AI 能力系统设计者
• 到 AI 基础设施集成者

这就是 09-15 讲的真正价值。

十三、一句话总记忆

One-Sentence Master Memory Hook

09-15 讲整体上，是在把 Claude Code 从“对话式开发助手”升级为“安全可控、可恢复、可扩展、可编排、可自动化集成的 AI 工程系统”。