AI写代码省下的时间，全赔在调试上？Claude官方这套「让AI自己测自己改」的流程，确实解决了我的痛点

用 Claude Code 手搓个小应用的人，多半经历过同一个坑：代码写出来很快，但你成了 AI 客服的全职陪练。回答不准，赶紧补一句提示词；解释太啰嗦，再加一条限制。更崩溃的是，每改一句提示词，都得把常见问题重新问一遍——生怕刚修好一个问题，又把原本答对的给改坏了。于是 AI 写代码省下的时间，又有一大截还给了一轮轮的人工调试。

9月28日，Anthropic 官方发了一份调优指南，核心思路一句话就能说清：反复测试、反复修改这种活，Claude 也能干。让它多接手一些，你就能少当几轮苦哈哈的测试员，把精力用来给 AI 把关。

想让它有方向地改错，得先把「怎样才算做对」讲清楚。平时我们总希望 AI 客服「靠谱一点」，但这话太抽象。官方给的第一个入口是 /claude-api build-eval，能把具体要求变成一套可反复运行的验收题库。题库不能只收「翻车现场」，那些最常见、最普通的问题也要覆盖——偏题、难题堆再多，也测不准普通用户的日常体验。

题选好了，还得说清「怎么判分」。「专业」「智能」「友好」这种颗粒度太粗，要落到具体衡量标准上：哪些信息必须说清楚，哪些错误不能犯，做到什么程度才算过关。Claude 会帮你拟出评分规则，但你要确认按这套规则拿高分的答案，是不是真解决了用户的问题。有些结果能用程序直接检查，开放性问题可以让模型按明确规则打分。评分器自己也要先过关——拿几份已打分的答案对照你的判断，看看有没有「答对了却扣分」「没解决却给过关」的情况。

题库铺好后，轮到第二个入口 /claude-api hillclimb。hillclimb 理解为「爬坡」，让 AI 一点点尝试优化。但这个 KPI 也得定具体，还要说清允许它改什么：让客服更准，允许改提示词；维持质量的前提下省点 API 费，允许调模型配置。接到任务后，Claude 会查看用于迭代的错题，每轮提一处修改，再重新跑评估——确实有改善才保留，改坏了就撤回。

你可能会担心：AI 会不会变成应试教育的做题家，只针对练过的几道题死记硬背？官方考虑到了这一点。这套流程会单独留出一部分题作为不提前公开的「验收考题」，负责提修改的模型看不到题目内容。每轮改完，如果练过的题分数涨了、验收题却原地踏步，就说明过拟合了，Claude 会撤回这轮修改。

Anthropic 用一个内部客服评测展示了效果：在 14 张未参与指导修改的留出测试工单上，最终配置的决策准确率从 78.6% 升到 90.5%，提高了 11.9 个百分点，模型调用成本降到原来的约 1/5。不过这是特定配置、特定小样本下的结果，不代表接上这套流程你的应用也能省八成——这里比较的模型调用成本，也不能当成整个项目的总成本。

但对自掏腰包付 API 费用的个人开发者来说，这仍然很香。便宜的模型老答非所问，逼得用户反复追问还得你人工介入，未必划算；简单问题用昂贵配置又顺带生成一大段废话，同样花冤枉钱。现在你可以把质量和成本放在一起测，让 AI 在满足质量要求的前提下尝试更省钱的方案。调优本身也会消耗模型调用费用，先定好愿掏多少实验费，再决定让 AI 跑几轮，更踏实。

按官方文档，这两个入口都要求 Claude Code v2.1.259 及以上。流程跑起来后，你该做的事变成了三件：把真实用户的困惑补进题库，让下次优化更接地气；盯着评分标准别出漏洞，否则 AI 忙活半天只是分数涨了，用户问题还在；以及拍板质量和成本的取舍——回答精简会不会漏步骤，追求便宜会不会牺牲准确度。

给应用接 AI 初衷是省心，如果最后演变成你全天候陪着它改答案，就本末倒置了。当 Claude 能多接手一些重复调试，普通开发者就能多花点时间打磨自己的小工具、小应用，让那些搁置的想法重新往前走。