多數人用 Claude 的方式停在「問一個問題、拿一段答案」。這份 Claude 使用教學整理的是真正拉開差距的三件事:把需求寫成規格、控制 context 與 token 成本、以及驗收它產出的東西。

這份 Claude 使用教學涵蓋什麼
這份 Claude 使用教學不是功能說明書。每一篇都從一個實際會遇到的問題出發:token 燒太快怎麼辦、產出的程式碼怎麼驗、多個 agent 要怎麼分工。如果你已經用過 Claude 但覺得效果時好時壞,問題通常出在這三個地方。
這份指南整理 hogan.tech 上所有與 Claude 和 AI 輔助開發相關的文章,依照「先建立觀念、再進入實戰、最後談成本與品質」的順序排列。
為什麼需要一份完整的 Claude 使用教學
多數人用 Claude 的方式停在「問一個問題、拿一段答案」。真正拉開差距的是三件事:把需求寫成規格再交給它、控制 context 與 token 成本、以及知道怎麼驗收它產出的東西。下面的文章就是照這三條線整理的。
Claude 使用教學全部文章
依發布時間由新到舊:
- Claude Projects 與記憶功能完整教學:知識庫、RAG 與專案記憶隔離的 9 個關鍵設定
- MCP 是什麼?Model Context Protocol 完整解析(2026 規格大改版、10,000+ server 生態)
- AI Harness 是什麼?用 OpenCode 把失控又燒 Token 的 Vibe Coding,變成可長期駕馭的 AI 開發系統
- Free AI 寫 API Framework: Avoid 5 Common Mistakes
- BDD vs TDD vs SDD:2026 年最佳開發方法選擇
- AI 寫 API 完整指南:Spec-First 工作流避免埋雷
- 2026 前端必學:Claude 寫 React 快速上手
- Vibe Coding PM 設計師完整指南:7步做出產品原型
- Vibe Coding 是什麼?7 個關鍵步驟快速入門
- 如何用 Claude 省 Token?7 個必學技巧
Claude 使用教學的三條主線
- 規格先行——把模糊需求寫成可驗收的規格,這是產出品質最大的變因
- 成本控制——prompt caching、context 管理、文件分段,長期使用的關鍵
- 品質驗收(Claude 使用教學最常被忽略的一塊)——AI 產出的程式碼怎麼 review,哪些錯誤它特別容易犯
延伸資源
- Claude 官方文件——功能說明與 API 參考的第一手資料
- Anthropic Engineering Blog——模型行為與最佳實務的官方說明
- Model Context Protocol——MCP 規格文件,理解 Claude 外掛生態的基礎
建議的閱讀順序
- 先建立心智模型:搞清楚 AI 輔助開發能做什麼、不能做什麼,避免一開始就期待錯誤
- 再進入實戰:挑一個跟你職能最近的主題(前端、API、測試)深入
- 最後處理成本與品質:token 管理與程式碼審查是長期使用的關鍵,也是多數人最晚才注意到的部分
Claude 使用教學的延伸方向
如果你想把 AI 輔助開發套進完整的軟體流程,系統設計完整指南 可以補上架構面的基礎。
英文術語對照表
Claude 官方文件以英文為主,以下整理核心術語。
- Token(詞元)— the unit models read and generate; roughly a word fragment, and the basis for pricing.
- Context Window(上下文視窗)— the maximum amount of text a model can consider at once in a single request.
- Prompt Caching(提示快取)— reusing previously processed input so repeated context is not charged at full price.
- System Prompt(系統提示)— instructions that set behaviour and constraints before the conversation begins.
- Sub-agent(子代理)— a separate task-scoped assistant invoked by a main agent to handle a bounded piece of work.
- MCP(Model Context Protocol)— an open protocol letting models connect to external tools and data sources.
- RAG(檢索增強生成)— retrieving relevant documents and supplying them as context instead of relying on model memory.
- Spec-first(規格先行)— writing a precise specification before asking the model to implement anything.
- Hallucination(幻覺)— confidently stated output that is not grounded in the provided context or in fact.
- Temperature(取樣溫度)— a parameter controlling how deterministic or varied generated output is.
常見問題
日常使用中,真正讓 token 成本變高的是什麼?
是「重複的上下文」,不是輸出長度。長對話每一輪都會把整段歷史重新送出,所以早期只貼過一次的檔案,可能被重複計費好幾十次。善用 prompt caching、並刻意開新對話,就能解決大部分的浪費。
上下文視窗變大,就不需要檢索(retrieval)了嗎?
不會。更大的視窗讓你能塞進更多內容,但「相關性」仍然重要:模型對於埋在超長輸入正中間的資訊,注意力會變得比較不可靠。提供對的那幾份文件,通常比把全部都丟進去更有效。
AI 寫的程式碼該怎麼 review?
每一行都要讀、測試都要跑,並特別留意邊界條件、錯誤處理,以及它自行引入的任何相依套件。那種「看起來合理、在正常路徑也跑得過」的輸出,正是多數缺陷藏身的地方。
什麼時候才值得為了一個任務多開一個 sub-agent?
當任務本身可以明確切割,而且處理它會讓一堆之後再也用不到的細節污染主要上下文時——例如搜尋一個大型程式庫,或在動手前先摘要一份長文件。

這份指南我該先看哪一篇?
從你目前正卡住的問題開始。如果輸出品質時好時壞、難以預測,先看「規格先行(specification-first)」的部分;如果成本上升得比預期快,就先看 token 與快取的部分。從頭一篇篇照順序讀,效果不如直接解決正在擋住你的那件事——因為每篇文章都是可以獨立閱讀的。
隨著模型越來越強,這些內容會不會過時?
戰術會變,原則不會。更強的模型會降低你需要拆解任務的頻率,但不會消除這三件事的必要:把需求講清楚、管理放進上下文的內容、以及在交付前驗證輸出。這三個習慣,至今歷經每一代模型都還站得住腳。
這份指南只適用於寫程式嗎?
大多數範例來自軟體開發,因為那裡的回饋迴圈最緊、錯誤最可衡量。但「先寫規格、控制上下文、驗證輸出」這套底層方法,同樣適用於研究、寫作與分析工作。