Context Engineering · 惰者集

本文实际来自于2025年11月份在北京办公室的一次基于Claude Code的Coding Agent分享「从Jira ticket到MR」内容，聚焦于编码环节的AI和LLM使用方式，其实就是Context Engineering。

时至今日(2026)已经又有很多细节过期了，白驹过隙，尤其是Claude Opus 4.6的发布进一步强化底层模型能力后，2月份甚至都有Harness Engineering的概念了。

AI 编码工具使用现状

目前大多数人用的多的还是Cursor，毕竟是可视化的编辑器工具，无论是查看/修改代码还是review都很符合用户的习惯。

多数人的使用场景

只是在Chat里面问临时随机的问题
- 问某个库/函数的用法
- 提问整体架构的建议
生成代码
- 临时的脚本
- 某个功能的部分代码
- 调试或者单元测试

不够好用

生成的代码质量不高
- 生成的代码没有项目的上下文
- 完全是错误的解决方案
不够聪明
- 每次都需要描述一遍项目的背景
- 生成的代码不可控，有时候很多有时候很少

开发流程的变化

Spec驱动的开发

软件开发周期一般是

需求分析
系统设计
开发
测试
部署

更具体的，比如后端开发

读取Jira里面的开发内容
计划这次任务的开发和配置环境
更新接口文件
创建执行数据库DDL
实现增删改查代码
实现业务逻辑
写单元测试
本地运行测试
代码review
提交Merge Request

新的开发流程

在 Jira ticket 里编写 prompt
启动Claude Code，输入「实现需求 JIRA-xxxx」
在GitLab查看Merge Request

AI 编码工具的发展

在Claude Code之前，已经有过好多个编码工具了，包括

写prompt到ChatGPT，把生成的代码复制回来
利用GitHub Copilot在编辑器里面看代码补全加快开发速度
在代码的上下文里和AI对话，比如SourceGraph的一个工具，可以省去不少上下文的输入
Cursor，在编辑器中可以跨行甚至跨文件自动补全，对于在chat对话中生成的代码提供可视化的review和追踪

Claude Code

Claude Code和前面的工具最大的区别就是，它不依赖于整个代码库的索引或者RAG来寻找和读懂代码，而是利用最原始的CLI工具，像人一下去查找去读代码，反而比用索引要好得多，因为内部的LLM知道在看完一行代码后下一行去哪里继续找，再综合解析后算是读懂了。

flowchart TB
     %% 利用隐形外框强制分成上下两行，解决过宽的问题
     subgraph Row1 [" "]
         direction LR

         subgraph InputLayer ["Input Layer"]
             UserRequest(["User Request<br>Fix login bug"])
         end

         subgraph SearchLayer ["Search Layer - Find Code"]
             direction TB
             Glob["Glob<br>Filename search"]
             Grep["Grep<br>Content search"]
         end

         subgraph ContextLayer ["Context Layer - Read Code"]
             Read["Read<br>Read files in parallel"]
         end

         subgraph AILayer ["AI Reasoning Layer - Core Intelligence"]
             Claude["Claude Model<br>Analyze -> Design -><br>Generate"]
         end

         %% 第一行的内部连线
         UserRequest --> Glob
         UserRequest --> Grep
         Glob --> Read
         Grep --> Read
         Read --> Claude
     end

     subgraph Row2 [" "]
         direction LR

         subgraph GenLayer ["Generation Layer - Write"]
             direction TB
             Edit["Edit<br>Precise replacement"]
             Write["Write<br>Create files"]
         end

         subgraph VerifLayer ["Verification Layer - Test"]
             direction BT
             RunTests["Bash<br>Run tests"]
             Pass{"Pass?"}
             RunTests --> Pass
         end

         subgraph CommitLayer ["Commit Layer - Save"]
             GitOps["Bash<br>Git operations"]
         end

         subgraph OutputLayer ["Output Layer"]
             TaskCompleted(["Task Completed"])
         end

         %% 第二行的内部连线
         Edit --> RunTests
         Write --> RunTests
         Pass -- "Success" --> GitOps
         GitOps --> TaskCompleted
     end

     %% 跨行连线 (AI 到生成层，以及测试失败打回 AI)
     Claude --> Edit
     Claude --> Write
     Pass -- "Fail" --> Claude

     %% 隐藏 Row1 和 Row2 的外边框，使其在视觉上无缝衔接
     style Row1 fill:none,stroke:none,color:transparent
     style Row2 fill:none,stroke:none,color:transparent

     %% 原图节点颜色还原
     style UserRequest fill:#8df5ad,stroke:#000,stroke-width:1px
     style TaskCompleted fill:#8df5ad,stroke:#000,stroke-width:1px
     style Glob fill:#61ccf2,stroke:#000,stroke-width:1px
     style Grep fill:#61ccf2,stroke:#000,stroke-width:1px
     style Read fill:#61ccf2,stroke:#000,stroke-width:1px
     style Edit fill:#61ccf2,stroke:#000,stroke-width:1px
     style Write fill:#61ccf2,stroke:#000,stroke-width:1px
     style Claude fill:#ff5cd1,stroke:#000,stroke-width:1px
     style RunTests fill:#facc14,stroke:#000,stroke-width:1px
     style GitOps fill:#facc14,stroke:#000,stroke-width:1px
     style Pass fill:#fff,stroke:#000,stroke-width:1px

CLAUDE.md

使用 /init 命令分析新代码库，并将常用的 Bash 命令、核心文件、代码风格指南、测试说明和环境配置等信息写入 CLAUDE.md，Claude Code在每个session启动时都会载入 CLAUDE.md，让 AI 持续记住这些背景知识，避免每次重复输入。

同时我们可以在这里定义整体的运行流程

使用MCP读取Jira的内容
初始化这个需求的开发环境
修改接口文件
修改MQTT协议文件
实现业务逻辑
编写单元测试
提交代码和Merge Request
更新CLAUDE.md文件

Claude Code Tools

Claude Code 几乎纯粹依赖这些tool来搜索/读取/理解/生成代码，包括Bash, Edit, Glob, Grep, Read, Write, SlashCommand…

除了原生（其实是Linux CLI）命令之外，我们也可以利用slash commands来简化常用命令，比如说push-MR，checkout分支初始化代码环境

更进一步的，Anthropic也提出了MCP的概念，也就是远端/本地的提供Tool的服务，比如让AI agent可以读取wiki或者jira内容，查看/创建Merge Request，创建/执行/查询数据库脚本。

对于没有MCP的场景，我们需要「曲线救国」，在agent和目标软件之间找到一种两者都能懂的格式，比如画图表时优先用Mermaid/PlantUML/Graphviz来表达，利用脚本来生成目标软件的文件，这样远比提供一个流程图图片好懂得多

Subagents

前面我们都是在做加法，把各种工具和能力加到 Claude Code上面来，但是一个agent session的context是有限的，因为它的底层本质仍然是一个LLM，比如Claude的一般是200K的长度，一味的增加工具只会塞满context窗口或者让agent找不到预期的tool。

所以Anthropic提出了Subagents的概念，既然主agent的context有限，那么就把一些简单的或者说不关心中间流程的任务拆出来在新的context里面完成，也就是让主agent把子任务发给subagent，每个subagent可以定义为某种任务的专家，subagent完成后把结果返回给主agent，每个子代理拥有独立的上下文窗口、专门的工具权限和自定义系统提示词。

比如我们可以构建这些

读取jira ticket内容并完成git pull & checkout -b
调用公司框架来生成接口文件
storage层代码生成
代码总结和提交gitlab

Agent Skills

除了分解任务启动一个新的agent context以外，对于上面的提到的CLAUDE.md我们如果把所有想到的信息和东西都塞进去，也是会影响到主agent 的context，而且行数多了以后，其实反而会记不住所有的信息，所以我们需要一种按需加载的信息挂载方式，也就是agent skills。

在skill中，首先描述何时被会触发调用，然后既可以是单纯的知识描述，也可以是某个脚本加上脚本的作用和使用方法。

不仅仅是编码

在上述的 AI 参与的开发流程中，我们已经用MCP或者subagent来完成大多数步骤的工作了，其实我们还可以把编码之前和之后的工作也用agent来实现，打通更多的环节。

从PM的需求文档中生成工程Spec
从工程文档拆分子任务生成jira

读取Jira里面的开发内容
计划这次任务的开发和配置环境
更新接口文件
创建执行数据库DDL
实现增删改查代码
实现业务逻辑
写单元测试
本地运行测试
代码review
提交Merge Request

Review Merge Request
部署到测试环境
测试环境测试

当下的局限

编写准确的Prompt不简单

这会很大程度上决定了后面的代码生成质量

在某些环节会消耗大量时间

和大量的token，比如反复编写和运行单元测试

Context不够用

当一个任务很大时，要么触发上下文窗口的限制，被动运行/compact指令；要么在后面会忘掉最开始的所有定义和要求。

AI生成代码的清理

尽管我们在代码合入环节会做Code Review来一定程度保证代码质量，但是仍然会在很多地方有冗余或者不足，需要工程师再次修改优化。

总结

简单说对于AI agent开发，作为工程师，和古法编程时期相比，我们需要去构建一个AI-Friendly的仓库和流程

维护代码的Memory文件和知识背景文件
对每一个需求编写准确的prompt
运行Claude Code session
Review代码

从那些P1/P2或者看起来比较小的需求开始，慢慢的优化到这个流程和思路来。
但是永远要准备好充足的准确的信息背景，找到合适的工具，控制好上下文窗口。