在2025年的今天，Anthropic团队已经全面拥抱了Claude Code，这款工具不仅赋能了开发者，也让非技术人员能够自信地应对复杂的项目、自动化日常任务，并弥合了技能差距，从而显著提升了整体的生产力。通过对Anthropic内部多个团队的深入访谈，我们得以一窥Claude Code在实际应用中的强大功能和深远影响。
数据基础设施团队：效率与创新的双重引擎
Anthropic的数据基础设施团队负责管理公司所有业务数据，他们利用Claude Code实现日常数据工程任务的自动化，解决复杂的基础设施问题，并为技术和非技术团队成员创建易于访问和操作的数据工作流。
Kubernetes调试的利器：当Kubernetes集群出现故障时，团队成员不再需要手动排查，而是将仪表板截图输入Claude Code，它能够引导他们逐步诊断问题，并提供精确的命令来解决，大大缩短了故障排除时间。
为财务团队打造的“傻瓜式”工作流：财务团队成员现在只需用简单的文本文件描述数据工作流，就可以通过Claude Code实现自动化执行。无需任何编程经验，他们就可以轻松完成诸如“查询仪表板、获取信息、运行查询、生成Excel输出”等复杂任务。
新员工的“代码地图”：对于新加入团队的数据科学家，Claude Code就像一本代码地图，帮助他们快速熟悉庞大的代码库，了解数据管道的依赖关系，并找到与特定任务相关的文件。这种方式比传统的数据目录和发现工具更加高效。
持续改进的闭环：在完成每个任务后，团队会要求Claude Code总结工作会话，并提出改进建议。这形成了一个持续改进的闭环，Claude Code能够根据实际使用情况不断优化文档和工作流指令。
多实例并行任务管理：在处理耗时的数据任务时，团队会在不同的代码仓库中打开多个Claude Code实例，每个实例都保持完整的上下文，从而实现真正的并行工作流管理，避免了上下文切换带来的效率损失。
产品开发团队：加速创新与迭代
Claude Code产品开发团队自身也在使用这款产品来构建更新，不断扩展其企业功能和智能代理循环功能。
“光速”原型设计：工程师们通过启用“自动接受模式”并设置自主循环，让Claude Code自动编写代码、运行测试和迭代，从而实现快速原型设计。他们只需提供抽象的问题，让Claude自主工作，然后审查完成度达到80%的解决方案，再进行最后的完善。
核心功能的协同编码：对于涉及应用程序核心业务逻辑的关键功能，团队会与Claude Code同步工作，提供详细的提示和具体的实施说明，实时监控代码质量、风格指南的合规性以及正确的架构，同时让Claude处理重复性的编码工作。
Vim模式的成功案例：一个成功的异步项目是为Claude Code实现Vim键绑定。团队要求Claude构建整个功能，最终实现的约70%来自Claude的自主工作，只需几次迭代即可完成。
测试生成与缺陷修复：团队使用Claude Code在实现功能后编写全面的测试，并处理在Pull Request审查中发现的简单缺陷。他们还使用GitHub Actions让Claude自动处理Pull Request评论，例如格式问题或函数重命名。
代码库探索：当处理不熟悉的代码库时，团队使用Claude Code快速了解系统的工作方式。他们可以直接向Claude询问解释和代码引用，而无需等待Slack上的回复，从而节省了大量的时间。
安全工程团队：守护代码安全
安全工程团队专注于保护软件开发生命周期、供应链安全和开发环境安全，他们广泛使用Claude Code来编写和调试代码。
复杂基础设施调试：在处理事件时，他们将堆栈跟踪和文档输入Claude Code，要求它跟踪代码库中的控制流。这大大缩短了生产问题的解决时间，使他们能够在约5分钟内理解通常需要10-15分钟手动代码扫描才能解决的问题。
Terraform代码审查与分析：对于需要安全批准的基础设施变更，团队会将Terraform计划复制到Claude Code中，询问“这将做什么？我会后悔吗？”这创建了更紧密的反馈循环，并使安全团队可以快速审查和批准基础设施变更，减少开发过程中的瓶颈。
文档合成与Runbook：Claude Code可以摄取多个文档来源，并创建Markdown Runbook、故障排除指南和概述。团队使用这些精简的文档作为调试实际问题的上下文，从而创建比搜索完整知识库更高效的工作流。
测试驱动的开发工作流：他们现在要求Claude Code提供伪代码，引导它完成测试驱动的开发，并定期检查以在遇到困难时进行指导，从而产生更可靠和可测试的代码。
上下文切换与项目入职：当贡献给现有项目时，他们使用Claude Code来编写、审查和执行以Markdown编写并存储在代码库中的规范，从而在几天而不是几周内做出有意义的贡献。
推理团队：弥合知识差距
推理团队管理着在Claude读取您的提示并生成其响应时存储信息的内存系统。团队成员，尤其是那些不熟悉机器学习的成员，可以广泛使用Claude Code来弥合知识差距并加速他们的工作。
代码库理解与入职：在加入复杂的代码库时，团队严重依赖Claude Code来快速理解架构。他们不再手动搜索GitHub存储库，而是要求Claude查找调用特定功能的文件，在几秒钟内获得结果，而不是询问同事或手动搜索。
具有边缘案例覆盖的单元测试生成：在编写核心功能后，他们要求Claude编写全面的单元测试。Claude自动包含遗漏的边缘案例，在几分钟内完成通常需要大量时间和脑力才能完成的任务，就像一个他们可以审查的编码助手。
机器学习概念解释：没有机器学习背景的团队成员依靠Claude来解释特定于模型的功能和设置。现在需要一小时的Google搜索和阅读文档才能完成的任务现在需要10-20分钟，从而将研究时间减少了80%。
跨语言代码翻译：当以不同的编程语言测试功能时，团队会解释他们想要测试的内容，Claude会以所需的语言（例如Rust）编写逻辑，从而无需仅出于测试目的而学习新语言。
命令回忆和Kubernetes管理：他们不再记住复杂的Kubernetes命令，而是向Claude询问正确的语法，例如“如何获取所有Pod或部署状态”，并获得基础设施工作所需的精确命令。
数据科学与ML工程团队：构建强大的可视化工具
数据科学和ML工程团队需要复杂的可视化工具来理解模型性能，但是构建这些工具通常需要不熟悉的语言和框架方面的专业知识。Claude Code使这些团队能够构建生产质量的分析仪表板，而无需成为全栈开发人员。
构建JavaScript/TypeScript仪表板应用程序：尽管他们“对JavaScript和TypeScript知之甚少”，但团队使用Claude Code来构建整个React应用程序，以可视化强化学习（RL）模型性能和训练数据。他们允许Claude控制从头开始编写完整的应用程序，例如一个5,000行的TypeScript应用程序，而无需自己理解代码。这至关重要，因为可视化应用程序的上下文相对较低，不需要理解整个monorepo，从而可以快速原型化工具来理解训练和评估期间的模型性能。
处理重复的重构任务：当面临合并冲突或半复杂的代码重构时，他们使用Claude Code，提交他们的状态，让Claude自主工作30分钟，然后接受解决方案或重新开始。
创建持久的分析工具而不是一次性笔记本：团队现在让Claude构建可以在未来的模型评估中重复使用的永久性React仪表板，而不是构建会被丢弃的一次性Jupyter笔记本。
零依赖任务委派：对于完全不熟悉的代码库或语言中的任务，他们将整个实现委派给Claude Code，利用其从monorepo收集上下文和执行任务的能力，而无需他们参与实际的编码过程。这使他们在专业知识以外的领域提高了生产力，而无需花费时间学习新技术。
产品工程团队：消除上下文切换的开销
产品工程团队致力于PDF支持、引用和Web搜索等功能，这些功能将更多知识带入Claude的上下文窗口。跨大型复杂代码库工作意味着不断遇到不熟悉的代码段，花费大量时间来理解要检查哪些文件才能完成任何给定的任务，并在进行更改之前构建上下文。Claude Code通过充当可以帮助他们理解系统架构、识别相关文件和解释复杂交互的指南来改善这种体验。
第一步工作流规划：团队使用Claude Code作为任何任务的“第一站”，要求它识别要检查哪些文件以进行错误修复、功能开发或分析。这取代了传统的手动导航代码库并在开始工作之前收集上下文的耗时过程。
跨代码库的独立调试：团队现在有信心解决不熟悉的代码库中的错误，而不是向其他人寻求帮助。他们可以问Claude“你认为你能修复这个错误吗？这就是我看到的行为”，并且经常会立即取得进展，这在以前是不可行的，因为需要投入大量时间。
通过Dogfooding进行模型迭代测试：Claude Code自动使用最新的研究模型快照，使其成为他们体验模型更改的主要方式。这使团队可以在开发周期中直接获得有关模型行为更改的反馈，这是他们在以前的发布中没有体验过的。
消除上下文切换开销：他们可以直接在Claude Code中提问，而无需收集其他上下文，从而大大减少了精神开销。
增长营销团队：自动化与智能的融合
增长营销团队专注于在付费搜索、付费社交、移动应用商店、电子邮件营销和SEO中构建效果营销渠道。作为一个非技术团队，他们使用Claude Code来自动化重复的营销任务，并创建通常需要大量工程资源的智能代理工作流。
自动化的Google Ads创意生成：该团队构建了一个智能代理工作流，该工作流处理包含数百个现有广告及其效果指标的CSV文件，识别效果不佳的广告以进行迭代，并生成符合严格字符限制的新变体。使用两个专门的子代理（一个用于标题，一个用于描述），该系统可以在几分钟内生成数百个新广告，而无需跨多个广告系列手动创建。这使他们能够大规模地测试和迭代。
用于批量创意制作的Figma插件：他们开发了一个Figma插件，该插件通过交换标题和描述来识别框架并以编程方式生成多达100个广告变体，从而减少了将花费数小时的复制粘贴到每个批次半秒钟的时间。
用于广告系列分析的Meta Ads MCP服务器：他们创建了一个与Meta Ads API集成的MCP服务器，以直接在Claude桌面应用程序中查询广告系列效果、支出数据和广告效果，从而无需在平台之间切换进行效果分析。
具有记忆系统的高级提示工程：他们实现了一个基本的记忆系统，该系统记录了广告迭代中的假设和实验，允许系统在生成新变体时将先前的测试结果拉入上下文中。
产品设计团队：设计与工程的无缝衔接
产品设计团队为Claude Code、Claude.ai和Anthropic API提供支持，专门从事AI产品的构建。即使是非开发人员也可以使用Claude Code来弥合设计与工程之间的传统差距，从而可以直接实现其设计愿景，而无需与工程师进行广泛的来回迭代。
前端优化和状态管理变更：工程师注意到他们正在进行“通常不会看到设计师进行的大型状态管理变更”，使他们能够实现他们所设想的精确质量。
GitHub Actions自动化票务：他们只需提交描述所需更改的问题/工单，Claude就会自动提出代码解决方案，而无需打开Claude Code。
快速交互式原型设计：通过将模型图像粘贴到Claude Code中，他们生成了工程师可以立即理解和迭代的完整功能原型，从而取代了传统的静态Figma设计周期，这些设计需要广泛的解释和翻译为有效的代码。
边缘案例发现和系统架构理解：该团队使用Claude Code来绘制错误状态、逻辑流程和不同的系统状态，从而使他们能够在设计期间识别边缘案例，而不是在以后的开发中发现它们。
复杂的副本更改和法律合规性：对于诸如删除整个代码库中的“研究预览”消息之类的任务，他们使用Claude Code查找所有实例，审查周围的副本，与法律部门实时协调更改并实施更新。
RL工程团队：实验与迭代的完美结合
RL工程团队专注于RL中的高效采样和整个集群中的权重转移。他们主要使用Claude Code来编写中小功能、调试和理解复杂的代码库，并采用迭代方法，包括频繁的检查点和回滚。
具有监督自主的功能开发：该团队让Claude Code编写中小功能的大部分代码，同时提供监督，例如为权重转移组件实施身份验证机制。他们以交互方式工作，允许Claude发挥主导作用，但在偏离轨道时对其进行指导。
测试生成和代码审查：在自己实施更改后，团队要求Claude Code添加测试或审查他们的代码。这种自动化的测试工作流程节省了大量时间。
调试和错误调查：他们使用Claude Code来调试错误，结果好坏参半。有时它可以立即识别问题并添加相关测试，而有时它很难理解问题，但总的来说，在它工作时会提供价值。
代码库理解和调用堆栈分析：他们工作流程中最大的变化之一是使用Claude Code来快速总结相关组件和调用堆栈，从而取代了手动代码阅读或广泛的调试输出生成。
Kubernetes操作指南：他们经常向Claude Code询问Kubernetes操作，否则需要大量Google搜索或向基础架构工程中的同行询问，从而立即获得配置和部署问题的答案。
法律团队：探索AI的边界与责任
法律团队通过实验和了解Anthropic产品产品的愿望发现了Claude Code的潜力。此外，一位团队成员有一个与为家庭创建可访问性工具相关的个人用例，并且工作原型展示了该技术对非开发人员的强大功能。
家庭成员的自定义辅助功能解决方案：团队成员为因医疗诊断而导致说话困难的家庭成员构建了沟通助手。仅用一个小时，一个人就创建了一个使用本机语音转文本的预测文本应用程序，该应用程序建议回复并使用语音库说出它们，从而解决了语音治疗师推荐的现有辅助功能工具中的差距。
法律部门工作流程自动化：该团队创建了原型“电话树”系统，以帮助团队成员与Anthropic的合适律师联系，展示了法律部门如何为常见任务构建自定义工具，而无需传统的开发资源。
团队协调工具：管理人员构建了G Suite应用程序，这些应用程序可以自动执行每周团队更新并跟踪跨产品的法律审查状态，从而使律师可以通过简单的按钮单击而不是电子表格管理来快速标记需要审查的项目。
用于解决方案验证的快速原型设计：他们使用Claude Code快速构建功能原型，可以向领域专家展示这些原型，以验证想法并在投入更多时间之前识别现有解决方案。
总而言之，Anthropic的各个团队都通过Claude Code找到了提升效率、加速创新和实现团队协作的新途径。从数据基础设施到产品设计，从安全工程到法律事务，Claude Code正在成为Anthropic不可或缺的一部分，推动着这家AI公司不断向前发展。
