分享接入路径、应用方向与已知局限
Claude Code 通过公司 LLM Proxy 稳定可用，安装与配置标准化，新成员可快速上手。
以DTS为例，在质量保证 / 效率提升 / 知识资产沉淀三个方向均已识别出具体抓手与落地路径。
auto 模型实际路由不稳定，最高可用仅 opus 4.6；关键任务需显式选择 auto-max。
在公司 LLM Proxy 页面创建 API Key，绑定仓库并走审批。
sk-xxxxxxxxxxxxx官方安装需代理 / tun 模式，也可直接使用公司封装版本。
curl -fsSL claude.ai/install.sh | bash在 .claude/settings.json 的 env 中注入三个变量即可使用。
auto 或 auto-max# 在文件 ~/.zshrc 中加入： alias dcc='ANTHROPIC_AUTH_TOKEN="sk-xxx" \ ANTHROPIC_BASE_URL="http://llm-proxy.intra.companyxxx.com" \ ANTHROPIC_MODEL="auto" claude' alias dccmax='... ANTHROPIC_MODEL="auto-max" claude' alias dccmini='... ANTHROPIC_MODEL="auto-mini" claude' alias dccyolo='... ANTHROPIC_MODEL="auto-max" claude --dangerously-skip-permissions' # 新会话中输入 dcc / dccmax / dccmini 即可切换 # 原生 claude 命令仍保持官方模型可用
/model 命令对公司模型不可用的问题，并保留与官方 Claude 的共存能力。
每次 PR 提交触发 AI review，覆盖常见坏味、规范偏离与潜在缺陷，人审重点关注设计与风险点。
基于既有代码批量生成单测，提升覆盖率并在 CI 中回归；关键逻辑仍优先 TDD 驱动设计。
以 plan → TDD → review 为主干，借助 superpowers 插件将流程固化为可复用 skill。
物理层：git worktree 隔离多个独立需求并行推进；逻辑层：主 agent 分发子任务（研究 / 验证 / 文档）同步执行，充分释放 AI 吞吐。
将典型任务（如迁移校验、数据对比、问题排查）抽象为 prompt 模板，统一团队产出质量。
沉淀项目架构、编码规范、团队约定；每位成员的最佳实践与教训自动被 AI 吸纳。
封装高频排查流程，如 binlog 解析、数据一致性校验 等，排查效率显著提升。
日志显示为 claude-sonnet-4.6，实测中常被路由至其他模型。
auto-max 当前最高仅能路由至 opus 4.6，底层实际为：
— 分阶段落地，保持主动，让工具为团队服务