前几天去面试，三面被问到一个问题：“百万行规模的代码库里Claude Code 怎么用才能用好？”

实际来说，当时心里咯噔一下。平时拿 Claude Code 跑几万行的小模块，确实顺手好使。但真正在巨型 monorepo 里实战过？真没有，于是我老实交代：“几万行的小项目跑过百万行级别的大仓库没碰过要不您给讲讲？”

面完回来越想越不甘心，干脆去把这块功课补上。正好 Anthropic 前不久发了一篇官方博客。专门讲 Claude Code 在大代码库里到底怎么工作，还有真正把它用起来的团队都做对了什么。看完发现，这确实是“小项目使用者”很容易漏掉的知识盲区。百万行级别的代码库，跟几万行完全是两种玩法。

整理出来一是给自己补课。二是万一以后还被问到，至少能接得住话。读完这篇你能搞明白：

• Claude Code 为什么不怕大代码库它不走 RAG 那条路，而是像真正的工程师一样在文件程序里游走。
• harness 五层 点CLAUDE.md、Hooks、Skills、Plugins、MCP，每层的作用和建设顺序。
• LSP 集成和 Subagents符号级导航和探索‑修改分离的高级能力。
• 三个配置模式规模化可导航、主动维护配置、明确责任人。
• 架构师视角的落地取舍什么时候该投入配置建设，什么时候轻量够用。

不管你是准备大厂 Agent 岗面试的候选人。还是正在团队里推广 Claude Code 的工程师，这篇都能直接参考。开整，不过，

一、面试官到底想考什么

这道题根本不是在考“你会不会用 Claude Code”。而是在考你有没有在规模化场景下思考过工具怎么落地。不过，

从第一层考点来看。大规模代码库的挑战在哪

很多人觉得 Claude Code 就是“装上就能用”，在小项目里确实如此。但到了百万行级别的 monorepo，挑战完全不一样：

• 怎么分配？怎么说呢，
• 测试命令怎么限定范围？
• 生成的代码怎么避免破坏既有架构？

能讲出这些挑战的人，面试官知道你不只玩过 Demo。

再看第二层考点，理不理解 harness 的概念

C​laude Code 的能力并非全靠模型本身。围绕模型搭建的整套“脚手架”才决定实际表现——模型是引擎，harness 是底盘和操控程序。

再看第三层考点，有没有配置维护意识

真正把 Claude Code 用得好的团队。都有人专门负责维护配置程序：

• C​LAUDE.md 要分层写；
• Hooks 要继续调整；
• Skills 要按需加载；
• 插件与 MCP 配置要定期复盘。

"我只跑过几万行"本质上是在说"我没思考过规模化场景"，面试官自然不满足。话说回来，这道题的筛选作用就在这里——把“仅会使用工具”的人和“懂得在大规模落地”的人区分开来。

二、为什么 Claude Code 不怕代码库太大

C​ommon AI 编程工具往往采用 RAG方案：

• 把整个代码库做 embedding；
• 建立索引；
• 查询时检索片段。

This works for small projects but breaks down in large,fast‑moving codebases because embedding pipeline can’t keep up with commits. By time a query runs。index may reflect a state that is days old—functions renamed,modules deleted,etc.

C​laude Code 则走另一条路：

• 直接在文件程序里游走：读文件、使用精准 grep 定位、沿引用链追踪；无需预先建立索引，也无需上传代码库；始终面对最新的源码，

The trade‑off:

• If you ask it to find a vague pattern in billions of lines。context window may be exhausted before any useful work starts.
• The AI’s navigation ability hinges on having “enough initial context” to know where to look.

The teams that succeed refore invest heavily in making codebase “AI‑friendly”— very purpose of harness configuration discussed next.

三、决定表现的不只是模型：harness 五层 点

C​laude Code 的真实实力来自于围绕模型搭建的一套环境，而非单纯模型能力。

1. C​LAUDE.md：每次会话自动加载的上下文文件，是整个 harness 的基石。
2. K​eeping Hooks：持续进化脚本，用来防错或自动复盘配置。
3. S​kills：按需加载专业知识，实现渐进式披露。按理说，
4. P​lugins：把 Skills、Hooks 与 MCP 打包成可安装整体。实现“一装即用”，
5. M​CP Servers：让 Claude 能连接内部工具、数据源与 API。

Apart from se five layers。two advanced capabilities deserve separate mention:

LSP 集成：语言服务器协议，使 Claude 能像 IDE 一样精准定位符号定义与引用。
• Sublagents： 将“探索代码库”和“实际改代码”拆分为只读与写入两个 agent，以节约。说起来，

四、第一层：CLAUDE.md 文件

C​LAUDE.md 在每次会话启动时自动读取。它决定了 AI 能看到哪些全局/局部信息。

分层结建立议

根目录放全局信息。
• 子目录放局部约定。
• 保持每个 CLAUDE.md 内容精炼——否则会消耗大量 Token 并拖慢响应速度。
• 根目录添加 “代码库地图”：列出顶层文件夹职责，帮助 AI 快速定位目标区域。

常见坑 & 对策 - 把 CLAUDE.md 当普通文档写。上百行文字导致 Token 爆炸 → 保持在几十行以内，只写主要导航信息。- 忽略子目录 CLAUDE.md → 每个子模块都应该有自己的陷阱提示。- 缺少全局地图 → AI 在大型 monorepo 中容易迷路。

五、第二层：Hooks 钩子

六、第三层：Skills 技能