Claude Code 创业实战五原则：从人人可交付到为重建而建

Claude Code 创业实战的五条原则

ClickHouse、Clay、Omni、Harvey、Cognition 等十余家 AI 原生高速增长创业公司访谈实录，每周 6000 个 PR、效率提升 2–3 倍，怎么做到的？ https://claude.com/blog/claude-code-guide-for-startups

1. 人人都能交付 核心主张：Agentic Coding 降低了编码门槛，"最懂问题的人"可以直接交付第一个版本，而非经过 "提需求 → PM → 设计 → 工程师" 的传话链条（Heidi CEO 称之为"broken telephone problem"的终结）。

关键澄清：这不是取消分工——市场仍做市场，工程师仍做工程。被 democratize 的只是 0→1 的原型阶段。

落地机制（把口号变成制度）： · 连接工具：通过 MCP / CLI 把 Claude 接到团队日常工具与数据源上——"Claude 看不到的东西就无法理解" · 展示通道：Clay 设季度原型评审进正式 roadmap；Omni 设专属 Slack 频道展示 AI 原型，并要求工程师直接面对客户 · 共享 Skills：用 CLAUDE.md 固化编码规范，用 Skills 沉淀可复用的工作流，一家公司的最佳实践可即时复制给全员

2. 自动化那 80% 的机械劳动 核心主张：Agent 接管生命周期中机械性的 80%，工程师只做需要判断力的 20%。

两个层次： · AI 原生 SDLC：ClickHouse 几乎把每个研发环节做成了自治闭环，两个专职 Agent（修 flaky test、补测试覆盖）已是仓库第 2、3 大贡献者；Commure 一名工程师用并行 subagent 同时推进 13 个 ticket · 用 Agent 加速业务流程：自助数据分析是最普遍的切入点（Clay、Heidi），另有法律文档摘要（Crosby）、理赔异常扫描（Commure）、医院财务预警（Translucent）

值得注意的细节：Anthropic 内部用 Claude Tag 担任 CI/CD 故障的第一响应人，15 分钟内产出首份事故分析——这是在用自己的产品做可信度背书。

3. 信任，但必须验证 全文技术含量最高、最值得细读的一章，也是原则 2 的必要前提：没有可靠的验证手段，就没有资格谈自动化。

Cainex 医疗编码案例，闭环值得任何严肃场景借鉴： · Agent 批量处理 → 人工审计员在内部工具中审查，连模型推理过程一起审 · 每条修正按错误类型打标，Claude 定位到产生错误的指令条款并修订 · 铁律："修原则，不修个案"（fix the principle, not the example）——防止靠打补丁堆积过拟合 · 回测用 golden set + 随机抽样，用语义匹配 + LLM judge 区分"真错误"与"另一条合理路径" · 工程师只处理真正困难的少数案例

配套工程手段： · 不可变更的架构红线写进仓库根目录的 CLAUDE.md，每次会话自动加载 · 用 Hooks 做确定性硬门禁（lint 不过禁止写入、测试不过禁止提交、出沙箱前剥离密钥）——用确定性工程约束非确定性模型，这是全文最重要的工程哲学 · 维护并定期更新评估集（golden set），防止能力漂移、支撑模型换代评估

Zingage 的教训很典型：早期给 Claude 完全自主权，结果代码"看起来对但偏离架构"，最终写下 567 行团队思维守则作为不变量。

4. 为重建而建 核心主张：模型能力持续跃迁，今天的基础设施 6–12 个月后可能就要推倒，"可抛弃性"本身就是竞争力。 · Clay 的方法论：同一个东西建四遍，第四遍才真正做对——重建不是浪费，是认知变现 · Commure 把"拆除"也自动化：一条 skill 为所有已全量发布的 feature flag 自动开删除 PR——"重建的终点不是新路径上线，而是旧路径消失" · Harvey 坦言每波模型能力（推理、Agent 自动化、规划编排）都要求平台彻底重构；Cognition 更直白：今天建的东西大概率一年内被废弃，赌注要押在"现在不行、很快就行"的能力上

工程配套：git worktrees 让 v1/v2 并行跑、评估对比后再合并；重大重写先用 plan mode 让 Claude 出方案再动手。

5. 原型、自用、产品化 核心主张：整条方法论的飞轮闭环——用 AI 构建的方式，反哺你用 AI 构建的产品。

标准路径：用 Claude Code 建内部 Agent → 内部 dogfood → 验证后通过 Claude API/SDK 产品化对外。ClickHouse 的 SQL 控制台 Agent 和 AI SRE 就是此路径产物。

附带收益：团队对模型能力与 harness 设计的理解始终站在前沿（Omni 借鉴 Anthropic 的 file-based 方案避开了 RAG 的复杂度；Emergent 能快速区分产品问题是模型行为还是 harness 缺陷）。