大家好我是Tony Bai。这篇来自 X (Twitter) 的深度好文剖析了 Shopify 如何通过 Claude Code 实现工程效率的飞跃。文章不仅分享了其 23,000 名工程师背后的核心配置逻辑还详细介绍了从并行智能体Agents到 MCP 工具包再到“策略优先”的工作流转型。如果你正在思考如何将 AI 真正集成到团队的开发流水线中这份来自“未来视角”的 AI 原生工程实践手册AI-first playbook绝对值得深入研读与复刻。下面是文章译文全文Shopify 的 23,000 名工程师正致力于在今年第三季度实现 96% 的代码自动化。他们同时运行多个 Claude Code 智能体每个智能体处理代码库的不同部分而工程师只需进行审查和合并。Bessemer 发布了他们完整的 AI 优先手册。以下是他们的确切配置你可以在 5 分钟内完成复刻 基础设施层为什么他们的配置能奏效Shopify 没有标准化某一个 AI 工具。他们标准化了底层的架构。他们构建了一个内部 LLM 代理Proxy将每一个 AI 请求路由到同一个网关。无论使用 Claude Code、GitHub Copilot 还是 Cursor它们都流经相同的基础设施。Shopify 的 LLM 代理架构工程师 - Claude Code / Copilot / Cursor ↓ LLM 代理 (集中式网关) ↓ OpenAI / Anthropic / Google 模型 ↓ 使用分析 成本控制 模型路由这赋予了他们集中式的成本控制、使用分析以及在不改变任何工程师工作流的情况下更换模型的能力。给小团队的启示不要只选一个工具就全力投入。先构建基础设施这样你就可以在保持对成本和数据控制的同时试验不同的工具。模式 1并行智能体而非单一对话Shopify 的资深工程师不会把 Claude Code 当作一个简单的“提问-回答”工具。他们会同时启动多个智能体在代码库的不同部分工作。一个智能体负责重构认证模块。另一个负责编写测试。第三个更新文档。工程师负责审查输出丢弃无效内容合并有效内容。bash 示例# 终端 1负责重构认证的智能体 claude -p refactor src/auth/ to use the new session handler # 终端 2负责编写测试的智能体 claude -p write integration tests for the payment flow # 终端 3负责更新文档的智能体 claude -p update API documentation for all changed endpoints工程师的工作职责从“写代码”转变为“审查和合并”智能体的输出。Shopify 工程副总裁 Farhan Thawar 将此称为“编排智能系统”。模式 2扩展批判循环 (Extended critique loops)并非每个任务都能受益于并行化。对于复杂的架构决策Shopify 工程师会让单个智能体运行扩展的批判循环。智能体生成一个答案评估它修改它并在漫长的推理周期中继续精炼。他们不接受第一次输出而是强迫智能体自我辩论。提示词模式针对 [X] 提出一个架构方案。 然后批判你自己的提议在规模化(scaling)时会出现什么问题 根据你的批判进行修改。 再次批判该修订版。 给出最终版本并附带每个决策的置信度水平。这种方式产生的结果比单一提示词好得多因为 Claude 在你发现错误之前就已经抓住了自己的错误。模式 3Shopify AI 工具包 (MCP)在 2026 年 4 月Shopify 发布了一个开源的 MCP (Model Context Protocol) 服务器将 Claude Code 直接连接到 Shopify 的文档、GraphQL API 模式和在线商店操作。只需一条命令即可安装claude mcp add --transport stdio shopify-dev-mcp -- npx -y shopify/dev这赋予了 Claude Code 7 种工具根据实时模式验证 GraphQL 查询通过 Shopify CLI 执行商店操作创建产品、管理元字段metafields、修改主题用自然语言运行批量操作如果没有这些Claude 会产生幻觉、臆造 API 字段或组件模式。有了它Claude 能够处理真实的平台数据。模式 4CLAUDE.md 作为团队基础设施Shopify 不把CLAUDE.md视为个人配置它是提交到 Git 并供 23,000 名工程师共享的团队基础设施。他们的方案示例# CLAUDE.md (Shopify internal pattern) ## Stack Ruby on Rails, React, GraphQL, MySQL ## Commands - Dev: dev up dev server - Test: dev test [path] - Lint: dev style - Type check: bin/srb tc ## Architecture - app/models/ → ActiveRecord models, business logic - app/controllers/ → thin controllers, delegate to services - app/services/ → service objects for complex operations - app/graphql/ → GraphQL types, mutations, resolvers ## Rules - NEVER bypass Sorbet type checking - All new code must have type signatures - Database queries only through established patterns - IMPORTANT: run dev test after every change来自会议的核心见解在CLAUDE.md中塞入每一个标准和规范会让性能变差而非变好。你在每一个环节都要为此付出代价。模式 5策略优先的验证这是 Shopify 的方法与其他团队最不同的地方。在 2024 年工程师将 70% 的时间花在执行写代码上30% 花在策略上。在 2026 年Shopify 翻转了这个比例。因为 AI 处理了大部分编码工作工程师现在将 70% 的时间花在策略上映射用户流、验证市场需求、选择正确的架构。只有 30% 的时间花在执行上。工作流对比2024 工作流策略: 30% → 执行: 70%2026 工作流 (Shopify)策略: 70% → 执行: 30%AI 编写代码。人类负责决定代码存在的意义。模式 6带护栏的安全自主性Shopify 不会让智能体野蛮生长。他们的Claude Code 护栏设置如下json 示例{ permissions: { allow: [ Read, Glob, Grep, LS, Edit, Bash(dev test *), Bash(dev style *), Bash(git status), Bash(git diff *), Bash(git add *), Bash(git commit *) ], deny: [ Read(**/.env*), Bash(git push *), Bash(dev deploy *), Bash(bin/rails db:drop *), Bash(rm -rf *) ], defaultMode: acceptEdits } }智能体可以读取、编写、测试、重构和提交。它们不能推送到远程仓库、部署到生产环境、删除数据库或读取密钥。人类在任何不可逆的操作中保持参与。你今天就能复刻的配置你不需要 23,000 名工程师来使用这些模式。以下是初学者版本步骤 1标准化你的 CLAUDE.md保持在 60 行以内。包含技术栈、命令、架构和规则。提交到 Git与团队共享。步骤 2设置并行智能体针对大型任务在独立的终端运行 2-3 个智能体每个工作在代码库的不同部分。步骤 3安装相关的 MCP 服务器连接你日常使用的工具栈GitHub, Slack, 数据库等。步骤 4添加护栏允许read, write, test, lint, commit。 拒绝push, deploy, delete, secrets。步骤 5翻转比例停止将 70% 的时间花在执行上。让智能体写代码。把时间花在决定哪些代码应该存在上。最重要的数字Shopify 20% 的生产力提升并非来自编写更多的代码而是来自探索 10 种方案而非 2 种、更快的原型设计以及捕捉错误。最能发挥 Claude Code 价值的团队不是那些拥有最强提示词的团队而是那些构建了基础设施让智能体能够安全、并行、在真实代码库上工作的团队。2026 年第三季度实现 90% 的自主编码。这不是愿景宣言而是 23,000 名工程师正在努力达成的最后期限。今日互动探讨Shopify 提出的“70% 策略 30% 执行”模型预示着程序员的定义正在发生根本性位移从“写代码的人”变成“编排智能的人”。面对这种“AI 自动驾驶”式的开发工作流我想听听你的看法你准备好了吗如果明天起 70% 的代码都由 AI 并行完成你认为自己最核心的“策略价值”会体现在哪里最大的担忧是什么是担心代码库变得臃肿无法维护还是担心初级工程师Junior在缺乏“手写代码”锻炼后难以成长现状调研你现在的日常工作中写代码的时间占比是多少你是否尝试过同时开启多个 AI 窗口为你“打工”欢迎在评论区分享你的实战心得我们一起预演 AI 原生时代的工程化未来。如果本文对你有所帮助请帮忙点赞、推荐和转发点击下面标题干货- 还在当“上下文搬运工”我写了一门课帮你重塑AI开发工作流- 告别单打独斗Claude Code 全新“Agent Team”模式当 AI 开始组队干活- Google 开源 AX 与 Agent Substrate构建以 Agent 为核心的云原生计算底座- 大洗牌Google 内部确认Go 正取代 C成为 AI Agent 时代的“通用语言”- 从“Vibe-Coding”到“Agentic Engineering”Andrej Karpathy 的 AI 时代程序员生存法则- 聊聊为什么我要花这么大精力带大家手写 Agent Harness- 都在用 OpenClaw 跑 Skill但你写的“技能”为什么总让 AI 频繁罢工 还在为“复制粘贴喂AI”而烦恼我的新极客时间专栏《AI原生开发工作流实战》将带你告别低效重塑开发范式驾驭AI Agent(Claude Code)实现工作流自动化从“AI使用者”进化为规范驱动开发的“工作流指挥家”扫描下方二维码开启你的AI原生开发之旅。
Shopify 23,000 名工程师背后的 Claude Code 配置方案
发布时间：2026/5/25 23:11:35
大家好我是Tony Bai。这篇来自 X (Twitter) 的深度好文剖析了 Shopify 如何通过 Claude Code 实现工程效率的飞跃。文章不仅分享了其 23,000 名工程师背后的核心配置逻辑还详细介绍了从并行智能体Agents到 MCP 工具包再到“策略优先”的工作流转型。如果你正在思考如何将 AI 真正集成到团队的开发流水线中这份来自“未来视角”的 AI 原生工程实践手册AI-first playbook绝对值得深入研读与复刻。下面是文章译文全文Shopify 的 23,000 名工程师正致力于在今年第三季度实现 96% 的代码自动化。他们同时运行多个 Claude Code 智能体每个智能体处理代码库的不同部分而工程师只需进行审查和合并。Bessemer 发布了他们完整的 AI 优先手册。以下是他们的确切配置你可以在 5 分钟内完成复刻 基础设施层为什么他们的配置能奏效Shopify 没有标准化某一个 AI 工具。他们标准化了底层的架构。他们构建了一个内部 LLM 代理Proxy将每一个 AI 请求路由到同一个网关。无论使用 Claude Code、GitHub Copilot 还是 Cursor它们都流经相同的基础设施。Shopify 的 LLM 代理架构工程师 - Claude Code / Copilot / Cursor ↓ LLM 代理 (集中式网关) ↓ OpenAI / Anthropic / Google 模型 ↓ 使用分析 成本控制 模型路由这赋予了他们集中式的成本控制、使用分析以及在不改变任何工程师工作流的情况下更换模型的能力。给小团队的启示不要只选一个工具就全力投入。先构建基础设施这样你就可以在保持对成本和数据控制的同时试验不同的工具。模式 1并行智能体而非单一对话Shopify 的资深工程师不会把 Claude Code 当作一个简单的“提问-回答”工具。他们会同时启动多个智能体在代码库的不同部分工作。一个智能体负责重构认证模块。另一个负责编写测试。第三个更新文档。工程师负责审查输出丢弃无效内容合并有效内容。bash 示例# 终端 1负责重构认证的智能体 claude -p refactor src/auth/ to use the new session handler # 终端 2负责编写测试的智能体 claude -p write integration tests for the payment flow # 终端 3负责更新文档的智能体 claude -p update API documentation for all changed endpoints工程师的工作职责从“写代码”转变为“审查和合并”智能体的输出。Shopify 工程副总裁 Farhan Thawar 将此称为“编排智能系统”。模式 2扩展批判循环 (Extended critique loops)并非每个任务都能受益于并行化。对于复杂的架构决策Shopify 工程师会让单个智能体运行扩展的批判循环。智能体生成一个答案评估它修改它并在漫长的推理周期中继续精炼。他们不接受第一次输出而是强迫智能体自我辩论。提示词模式针对 [X] 提出一个架构方案。 然后批判你自己的提议在规模化(scaling)时会出现什么问题 根据你的批判进行修改。 再次批判该修订版。 给出最终版本并附带每个决策的置信度水平。这种方式产生的结果比单一提示词好得多因为 Claude 在你发现错误之前就已经抓住了自己的错误。模式 3Shopify AI 工具包 (MCP)在 2026 年 4 月Shopify 发布了一个开源的 MCP (Model Context Protocol) 服务器将 Claude Code 直接连接到 Shopify 的文档、GraphQL API 模式和在线商店操作。只需一条命令即可安装claude mcp add --transport stdio shopify-dev-mcp -- npx -y shopify/dev这赋予了 Claude Code 7 种工具根据实时模式验证 GraphQL 查询通过 Shopify CLI 执行商店操作创建产品、管理元字段metafields、修改主题用自然语言运行批量操作如果没有这些Claude 会产生幻觉、臆造 API 字段或组件模式。有了它Claude 能够处理真实的平台数据。模式 4CLAUDE.md 作为团队基础设施Shopify 不把CLAUDE.md视为个人配置它是提交到 Git 并供 23,000 名工程师共享的团队基础设施。他们的方案示例# CLAUDE.md (Shopify internal pattern) ## Stack Ruby on Rails, React, GraphQL, MySQL ## Commands - Dev: dev up dev server - Test: dev test [path] - Lint: dev style - Type check: bin/srb tc ## Architecture - app/models/ → ActiveRecord models, business logic - app/controllers/ → thin controllers, delegate to services - app/services/ → service objects for complex operations - app/graphql/ → GraphQL types, mutations, resolvers ## Rules - NEVER bypass Sorbet type checking - All new code must have type signatures - Database queries only through established patterns - IMPORTANT: run dev test after every change来自会议的核心见解在CLAUDE.md中塞入每一个标准和规范会让性能变差而非变好。你在每一个环节都要为此付出代价。模式 5策略优先的验证这是 Shopify 的方法与其他团队最不同的地方。在 2024 年工程师将 70% 的时间花在执行写代码上30% 花在策略上。在 2026 年Shopify 翻转了这个比例。因为 AI 处理了大部分编码工作工程师现在将 70% 的时间花在策略上映射用户流、验证市场需求、选择正确的架构。只有 30% 的时间花在执行上。工作流对比2024 工作流策略: 30% → 执行: 70%2026 工作流 (Shopify)策略: 70% → 执行: 30%AI 编写代码。人类负责决定代码存在的意义。模式 6带护栏的安全自主性Shopify 不会让智能体野蛮生长。他们的Claude Code 护栏设置如下json 示例{ permissions: { allow: [ Read, Glob, Grep, LS, Edit, Bash(dev test *), Bash(dev style *), Bash(git status), Bash(git diff *), Bash(git add *), Bash(git commit *) ], deny: [ Read(**/.env*), Bash(git push *), Bash(dev deploy *), Bash(bin/rails db:drop *), Bash(rm -rf *) ], defaultMode: acceptEdits } }智能体可以读取、编写、测试、重构和提交。它们不能推送到远程仓库、部署到生产环境、删除数据库或读取密钥。人类在任何不可逆的操作中保持参与。你今天就能复刻的配置你不需要 23,000 名工程师来使用这些模式。以下是初学者版本步骤 1标准化你的 CLAUDE.md保持在 60 行以内。包含技术栈、命令、架构和规则。提交到 Git与团队共享。步骤 2设置并行智能体针对大型任务在独立的终端运行 2-3 个智能体每个工作在代码库的不同部分。步骤 3安装相关的 MCP 服务器连接你日常使用的工具栈GitHub, Slack, 数据库等。步骤 4添加护栏允许read, write, test, lint, commit。 拒绝push, deploy, delete, secrets。步骤 5翻转比例停止将 70% 的时间花在执行上。让智能体写代码。把时间花在决定哪些代码应该存在上。最重要的数字Shopify 20% 的生产力提升并非来自编写更多的代码而是来自探索 10 种方案而非 2 种、更快的原型设计以及捕捉错误。最能发挥 Claude Code 价值的团队不是那些拥有最强提示词的团队而是那些构建了基础设施让智能体能够安全、并行、在真实代码库上工作的团队。2026 年第三季度实现 90% 的自主编码。这不是愿景宣言而是 23,000 名工程师正在努力达成的最后期限。今日互动探讨Shopify 提出的“70% 策略 30% 执行”模型预示着程序员的定义正在发生根本性位移从“写代码的人”变成“编排智能的人”。面对这种“AI 自动驾驶”式的开发工作流我想听听你的看法你准备好了吗如果明天起 70% 的代码都由 AI 并行完成你认为自己最核心的“策略价值”会体现在哪里最大的担忧是什么是担心代码库变得臃肿无法维护还是担心初级工程师Junior在缺乏“手写代码”锻炼后难以成长现状调研你现在的日常工作中写代码的时间占比是多少你是否尝试过同时开启多个 AI 窗口为你“打工”欢迎在评论区分享你的实战心得我们一起预演 AI 原生时代的工程化未来。如果本文对你有所帮助请帮忙点赞、推荐和转发点击下面标题干货- 还在当“上下文搬运工”我写了一门课帮你重塑AI开发工作流- 告别单打独斗Claude Code 全新“Agent Team”模式当 AI 开始组队干活- Google 开源 AX 与 Agent Substrate构建以 Agent 为核心的云原生计算底座- 大洗牌Google 内部确认Go 正取代 C成为 AI Agent 时代的“通用语言”- 从“Vibe-Coding”到“Agentic Engineering”Andrej Karpathy 的 AI 时代程序员生存法则- 聊聊为什么我要花这么大精力带大家手写 Agent Harness- 都在用 OpenClaw 跑 Skill但你写的“技能”为什么总让 AI 频繁罢工 还在为“复制粘贴喂AI”而烦恼我的新极客时间专栏《AI原生开发工作流实战》将带你告别低效重塑开发范式驾驭AI Agent(Claude Code)实现工作流自动化从“AI使用者”进化为规范驱动开发的“工作流指挥家”扫描下方二维码开启你的AI原生开发之旅。
