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 3：Shopify 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 4：CLAUDE.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：

1. 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？

2. 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？

3. 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，阅读更多干货！

-  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。