如何从 AI 代码生成中摆脱技术焦虑，真正提升团队效率

用 Claude Code 时，常常被“新技巧”的云端推广误导，导致花费大量时间在“学习”而不是“应用”。实际上，真正高效的使用方式在于围绕成本控制和代码质量验证这两个核心维度，避免被“效率伪造”的提示词技巧误导。

Claude 提供了三种核心能力，但用户必须根据场景选择合适的使用方式：

• Extend（扩展）：对 Claude Code 本身进行配置调整，如调整输出格式、缓存策略等；
• Call（调用）：通过 API 直接处理小规模任务，适用于单次执行需求；
• Embed（嵌入）：将 Claude 作为自定义 Agent 逻辑嵌入到自建系统中，用于高度定制化的流程。

两个避坑经验

1. 盯着实际支出与代码采纳率
仅关注月度订阅费并不足够，必须查看 Claude Code 的 JSONL 日志，以计算缓存命中率。工具 ccusage 可直接读取本地日志，并实时展示花费与效率数据。例如：

npx ccusage@latest daily

但最关键的指标是代码采纳率。如果 Claude 生成的代码频繁被驳回（Reject），则说明上下文设置或指令不够精准，导致“浪费”API 调用。此时应通过 OpenTelemetry 监控采纳率，并在 .claude/settings.json 中配置：

{
 "env": {
  "CLAUDE_CODE_ENABLE_TELEMETRY": "1",
  "OTEL_METRICS_EXPORTER": "otlp"
 }
}

如果 Reject 率过高，应迅速调整系统 Prompt 或上下文结构，避免长期浪费资源。

2. 确保 Prompt Caching 的稳定性
Prompt Caching 是降低成本的重要手段，但容易被动态变量（如时间戳、Session ID）破坏。缓存匹配要求完全一致的前缀，任何变化（例如最顶层的系统 Prompt 更改）都会导致缓存失效，引发重复消耗。为了验证缓存是否有效，可以使用以下 TypeScript 脚本探测：

// cache-probe.ts
import Anthropic from "@anthropic-ai/sdk";
import { readFileSync } from "node:fs";

const client = new Anthropic();
const stablePrefix = readFileSync("sample-context.md", "utf8");

async function call(label: string) {
 const res = await client.messages.create({
  model: "claude-3-5-sonnet-20241022",
  max_tokens: 128,
  system: [
   {
    type: "text",
    text: stablePrefix,
    cache_control: { type: "ephemeral" } // 显式关闭缓存（测试用途）
   }
  ],
  messages: [{ role: "user", content: "Hello" }]
 });
 console.log(`${label} 响应:`, JSON.stringify(res._cache_creation_input_tokens, null, 2));
}

async function run() {
 await call("第一次调用（写入缓存）");
 await call("第二次调用（测试命中）");
}

run();

关键建议：将稳定内容（如系统 Prompt 或文档）放在缓存前缀最前端，并避免在其前面添加任何动态变量。否则，缓存将无法有效重用，导致成本增加。