1. 项目概述为Claude Code打造的智能代码“投喂”技能如果你和我一样日常重度依赖Claude Code这类AI编程助手那你肯定也遇到过这个痛点当你想把本地项目的代码交给网页版的Claude.ai或者ChatGPT进行深度分析、架构评审或者解决一个棘手的Bug时怎么高效地把代码“喂”给它手动复制粘贴文件一多就乱了套而且每次都得重新解释一遍“这是啥项目”、“我想干嘛”。直接丢个压缩包AI看不懂。用IDE插件导出格式乱七八糟关键信息缺失。这就是Code Feeder Skill要解决的问题。它不是一个独立的工具而是一个专门为Claude Code这个“智能体”打造的技能Skill。简单说它把你的Claude Code从一个单纯的代码编写助手升级成了一个智能的上下文收集专家。你只需要告诉Claude Code你的意图比如“帮我收集一下用户认证模块的代码我想重构”它就能自动运行这个技能扫描你的项目智能过滤无关文件提取核心代码并生成一份结构清晰、自带意图说明的Markdown文档。这份文档就是一份完美的“AI口粮”你可以直接复制粘贴到任何网页版AI的对话框中它立刻就能理解上下文和你的目标省去大量重复沟通的成本。我最初是在一个中型全栈项目Next.js前端 FastAPI后端的架构评审中开始使用它的。当时我需要Claude.ai帮我分析几个微服务之间的数据流耦合问题。手动整理涉及十几个文件的代码片段花了将近半小时还漏了关键的工具函数。用了Code Feeder之后整个过程压缩到一次对话“用code-feeder技能收集services目录下所有与‘订单’和‘支付’相关的代码我的意图是分析服务间耦合与潜在的单点故障。”两分钟后一份包含目录树、核心代码块和明确意图的文档就生成了直接喂给Claude.ai分析立刻切入正题。1.1 核心价值为什么需要专门的代码收集技能你可能会问Claude Code本身不就能看到项目文件吗为什么还要额外装一个收集技能这里涉及到几个在实际开发中非常关键的差异点第一环境隔离与纯粹代码洞察。Claude Code作为本地CLI工具其运行环境混杂了各种工具MCP、系统状态和实时交互历史。这些“噪音”有时会干扰模型对纯粹代码逻辑的专注力。而将一份干净的、结构化的代码文档提供给一个“全新”的网页会话往往能激发出模型更深层次的架构分析和逻辑推理能力。这有点像和同事在白板前讨论架构图比在嘈杂的工位上边敲代码边解释要清晰得多。第二利用官方Web端的“隐藏实力”。很多开发者的实测经验包括我自己的表明OpenAI、Anthropic等厂商的官方Web界面如chat.openai.com, claude.ai背后的模型在处理复杂重构、算法优化或深层Bug排查时有时会展现出比API版本更强的推理链Chain-of-Thought能力和“隐藏”的优化。这可能源于服务端更复杂的模型调度与优化策略。用Code Feeder生成文档然后去Web端进行“深度脑暴”成本极低通常是包月制效果却可能更好。第三显著的Token成本节约。在Claude Code中让AI反复读取、分析大型文件消耗的是你账户宝贵的API Token配额。对于复杂的探索性任务这成本不低。Code Feeder的策略是“本地预处理云端深加工”在本地免费生成精确的上下文文档然后利用Web端通常不限次数的对话进行无限次的深度追问和迭代把昂贵的API Token用在刀刃上比如最终的代码生成与验证。2. 核心功能与设计思路拆解Code Feeder的技能设计非常务实完全围绕“如何让AI更好地理解我的代码”这个核心目标展开。它不是简单地把所有文件内容拼接起来而是做了多层智能处理。2.1 意图记录让AI从一开始就“懂你”这是我认为最精髓的功能。普通的代码导出工具只会给你一堆代码块。而Code Feeder在收集开始前会主动询问或让你指定一个“意图”Intent。比如“重构用户登录模块提升安全性”、“分析数据库查询的性能瓶颈”、“为这个React组件添加单元测试”。这个意图会被醒目地插入到生成文档的顶部形成一个任务简报Task Briefing。当你把这份文档发给网页AI时AI第一眼看到的就是“用户需要我分析登录模块的安全性和性能”。它无需再从代码中反向推断你的目的可以直接围绕这个目标进行针对性分析回答的相关性和深度立刻提升一个档次。实操心得意图描述要尽量具体。与其写“优化代码”不如写“优化calculateInvoice函数中的循环减少时间复杂度”。越具体AI的反馈就越精准。2.2 双模式采集应对不同规模的项目项目代码量天差地别Code Feeder提供了两种采集模式来应对2.2.1 批量模式Batch Mode这是最常用的模式适用于中小型项目或收集特定目录的所有代码。工作方式你指定一个项目根路径工具会递归扫描该路径下的所有文件。智能过滤它会自动忽略版本控制目录.git、依赖库node_modules,venv、构建产物dist,build等无关内容。同时它会根据检测到的项目类型如React、Django应用预设的规则优先收集源代码文件如.jsx,.py忽略配置文件、日志等。使用场景收集一个功能模块的所有文件、为一个新接手的项目快速建立全景视图。2.2.2 代码片段模式Snippets Mode这是对付大型项目的利器。当你的项目有几千个文件你只关心其中某个文件的几个特定函数或类时这个模式能精准“狙击”。工作方式你指定一个目标文件然后告诉它你要提取的代码块标识。支持按函数名、类名或精确的行号范围来提取。技术实现工具会解析目标文件的语法支持Python、JS、Java等十几种语言定位到指定函数或类的起始行和结束行包括嵌套结构然后完整地提取出那块代码保持正确的缩进。使用场景从一个庞大的utils.py中只提取send_email和validate_input两个函数从一个复杂的React组件文件中只提取主要的useEffect逻辑块。2.3 项目类型检测与优化策略Code Feeder内置了一个轻量级的项目类型检测器detect_project.py。它会通过检查项目根目录的典型文件如package.json,pyproject.toml,Cargo.toml和目录结构来判断项目类型。检测到的类型关键识别文件收集优化策略React/Next.jspackage.json(含react依赖),next.config.js优先收集src/下的.jsx/.tsx忽略public/静态资源Vue/Nuxtpackage.json(含vue),vue.config.js优先收集.vue单文件组件忽略dist/Djangomanage.py,requirements.txt优先收集apps/下的models.py,views.py忽略migrations/目录下的旧迁移文件FastAPImain.py(含FastAPI导入),pyproject.toml优先收集routers/,models/,schemas/目录RustCargo.toml,src/main.rs收集src/下的.rs文件忽略target/构建目录通用Python.py文件,requirements.txt收集所有.py文件忽略虚拟环境目录这个功能的意义在于自动化最佳实践。它确保收集到的代码是“核心逻辑”而非“项目杂物”让生成的文档更聚焦AI分析起来也更高效。3. 安装与配置详解3.1 安装步骤全局 vs 项目级Code Feeder作为Claude Skill安装方式很灵活。全局安装推荐这是最方便的方式安装一次在所有项目中都能调用。定位Claude Skills目录macOS/Linux: 打开终端输入cd ~/.claude/skillsWindows (PowerShell): 打开PowerShell输入cd $env:USERPROFILE\.claude\skills如果这个目录不存在就手动创建它mkdir -p ~/.claude/skills(Linux/macOS) 或mkdir $env:USERPROFILE\.claude\skills(Windows)。克隆技能仓库在刚刚进入的skills目录下执行克隆命令。git clone https://github.com/Ecrypted-Data/Code_Feeder_Skill.git code-feeder这里将仓库克隆到本地并命名为code-feeder目录。验证安装重启你的Claude Code终端。然后在Claude Code中直接问它“What skills do you have available?” 或者 “你有哪些可用的技能” 如果返回的列表里出现了code-feeder恭喜你安装成功。项目级安装如果你只想在某个特定项目中使用这个技能可以在项目根目录下操作# 在项目根目录下 mkdir -p .claude/skills cd .claude/skills git clone https://github.com/Ecrypted-Data/Code_Feeder_Skill.git code-feeder这种方式下该技能只对当前项目可见。注意事项安装后务必重启Claude Code终端新的技能才会被加载到Agent的技能列表中。3.2 配置文件解析安装目录下的config.json和project-types.json控制着工具的行为通常无需修改但了解它们有助于应对特殊情况。config.json核心配置项{ max_file_size_kb: 500, default_ignore_patterns: [.git, node_modules, __pycache__, *.pyc, dist, build, .next, .nuxt, target, venv, .venv, env, .env, *.log, *.tmp], core_files_priority: [README.md, package.json, pyproject.toml, Cargo.toml, docker-compose.yml], output_template: { header: # Project: {project_name}\n**Date**: {date}\n**Purpose**: {intent}\n\n, structure_section: ## Directory Structure\n\n{tree}\n\n\n, content_section: ## Code Content\n\n, footer: \n## Intent Summary\n{intent}\n**Tip**: The code above has been collected based on this purpose and can be used directly for analysis or development tasks. } }max_file_size_kb: 单个文件的最大处理大小超过此大小的文件会被跳过防止工具因处理一个巨大的日志或数据库文件而卡住。默认500KB对源代码来说完全足够。default_ignore_patterns: 默认忽略的模式列表。你可以在这里添加自己项目特有的垃圾目录比如*.min.js、coverage/测试覆盖率报告。core_files_priority: 在展示目录结构时这些文件会被优先列出或标记因为它们通常是理解项目的入口点。output_template: 控制生成Markdown文档的模板。除非你有特殊的排版需求否则不建议修改。project-types.json项目类型规则这个文件定义了如何检测不同类型项目以及对应的文件收集偏好。例如对于Django项目它定义了要寻找manage.py文件并且建议忽略migrations/目录下的.py文件除非特别指定。高级用户可以在这里为内部框架添加自定义规则。4. 实战使用指南4.1 在Claude Code中直接对话使用这是最自然的使用方式。安装好技能后你就像多了一个懂代码收集的助手。基本对话流程在Claude Code终端中直接提出你的需求。“使用code-feeder技能帮我收集当前项目的API路由部分代码我想优化一下响应结构。”Claude Code会识别出你要使用code-feeder技能并可能会追问一些细节来明确意图“好的我将使用code-feeder技能。为了生成更精准的上下文请再详细描述一下你的意图例如是优化性能、规范格式还是修复某个bug”你给出更具体的意图后Claude Code便会调用该技能开始分析项目结构、类型并执行收集。整个过程会在终端中显示进度。完成后Claude Code会直接输出生成好的Markdown文档内容。你可以直接复制全部内容。一个完整的实战对话示例我 用code-feeder收集src/components/Button和src/hooks/useToggle相关的代码我的意图是为它们编写完整的单元测试覆盖所有边界情况。 Claude Code: 明白。我将使用code-feeder技能以“编写单元测试覆盖所有边界情况”为意图精准收集src/components/Button目录下的所有文件以及src/hooks/useToggle.js文件中的代码片段。 开始检测项目类型为React... 开始扫描... 发现Button组件包含index.jsx, styles.module.css, PropTypes.js三个文件... 定位到useToggle钩子函数... 收集完成以下是生成的上下文文档你可以直接复制给Web端的AI助手来设计测试用例。 # Project: my-react-app **Date**: 2023-10-27 **Purpose**: 为Button组件和useToggle钩子编写单元测试覆盖所有边界情况。 ## Directory Structure src/ ├── components/ │ └── Button/ │ ├── index.jsx │ ├── styles.module.css │ └── PropTypes.js └── hooks/ └── useToggle.js ## Code Content // src/components/Button/index.jsx import React from react; import styles from ./styles.module.css; import PropTypes from ./PropTypes.js; ... 后续是完整的代码内容 ## Intent Summary 需要为Button组件和useToggle钩子编写单元测试覆盖所有边界情况。 **提示**: 以上代码已基于此目的收集可直接用于分析或开发任务。4.2 手动运行Python脚本进行高级控制除了通过Claude Code对话你也可以直接运行技能包里的Python脚本这对于集成到自定义工作流或进行批处理非常有用。脚本位于scripts/code_collector.py。4.2.1 批量模式Batch命令行示例假设你有一个Django项目只想收集users这个app的代码进行安全审计。# 切换到技能目录的scripts文件夹下 cd ~/.claude/skills/code-feeder/scripts # 运行收集脚本 python code_collector.py /path/to/your/django_project \ --mode batch \ --files users/models.py users/views.py users/serializers.py users/urls.py \ --intent 安全审计检查用户模型、视图和序列化器中的潜在安全漏洞如权限绕过、数据泄露等。 \ --output /tmp/django_users_audit_context.md/path/to/your/django_project: 你的Django项目根目录。--mode batch: 指定为批量模式。--files: 指定要收集的具体文件路径列表相对于项目根目录。如果不指定则收集整个项目根目录下经过过滤后的所有文件。--intent: 用双引号包裹你的详细意图描述。--output: 指定生成的Markdown文件保存路径。4.2.2 片段模式Snippets命令行示例假设你有一个庞大的data_processor.py文件你只关心其中的clean_data()和OutlierHandler这个类。python code_collector.py /path/to/your/data_project \ --mode snippets \ --target src/utils/data_processor.py \ --ranges [{\type\: \function\, \name\: \clean_data\}, {\type\: \class\, \name\: \OutlierHandler\}] \ --intent 分析数据清洗函数和异常值处理类的算法效率寻找优化空间。 \ --output /tmp/processor_analysis.md--mode snippets: 指定为片段模式。--target: 指定需要从中提取片段的目标文件。--ranges: 这是一个JSON字符串指定要提取的代码块列表。每个对象包含typefunction或class和name函数名或类名。注意在命令行中传递JSON字符串需要正确转义引号如上例所示。更简单的做法是创建一个config.json文件来配置ranges。其他参数同批量模式。实操心得对于复杂的片段提取需求更推荐在Claude Code中通过对话完成因为你可以用自然语言描述“提取calculate函数和Validator类”让AI帮你构造正确的命令行参数或配置文件避免手动编写容易出错的JSON字符串。5. 生成文档的结构与使用技巧Code Feeder生成的Markdown文档是精心设计过的不仅仅是一份代码清单而是一个即用型分析简报。5.1 文档结构解析我们以一份实际生成的文档为例拆解其每个部分的价值# Project: E-Commerce-Backend **Date**: 2023-10-27 **Purpose**: 重构订单服务OrderService中的折扣计算逻辑当前代码存在重复计算且缺乏对并发场景的处理需要优化并考虑线程安全。 ## Directory Structure src/ ├── main.py ├── models/ │ ├── order.py │ └── product.py ├── services/ │ └── order_service.py -- 核心文件 └── utils/ └── discount_calculator.py ## Code Content // src/services/order_service.py class OrderService: def apply_discount(self, order, coupon_code): # ... 现有复杂且重复的计算逻辑 pass def calculate_final_price(self, order): # ... 调用了apply_discount存在重复计算 pass // src/utils/discount_calculator.py def calculate_percentage_discount(price, percentage): # ... 基础工具函数 pass ## Intent Summary 需要重构订单服务OrderService中的折扣计算逻辑当前代码存在重复计算且缺乏对并发场景的处理需要优化并考虑线程安全。 **提示**: 以上代码已基于此目的收集可直接用于分析或开发任务。标题与元信息清晰标明了项目名称、生成日期和核心意图。这是给AI的第一印象。目录结构以树状图展示相关文件的组织关系。这帮助AI理解代码的模块划分和依赖关系。被识别出的核心文件如order_service.py可能会被高亮或标记。代码内容核心部分。代码块按文件组织并带有语法高亮在支持高亮的Markdown阅读器中。代码是完整的、格式正确的。意图总结再次强调目标并附上一个友好的提示告诉AI或未来的你这份文档的用途。5.2 如何高效使用这份文档与AI协作生成了文档只是第一步如何用好它才是关键。最佳实践流程生成精确上下文使用Code Feeder结合具体的意图描述生成一份聚焦的文档。避免一次性收集整个巨型项目。创建新的AI会话打开claude.ai或ChatGPT新建一个对话。这是一个干净的上下文环境。粘贴与初始化将生成的整个Markdown文档粘贴到AI的输入框中。在第一轮消息中你可以简单加一句“这是项目的相关代码和我的目标请开始分析。” 由于意图已经在文档里AI通常能直接开始工作。进行深度对话基于AI的初步分析展开追问。例如“你指出这里有重复计算请具体说明是哪几行并给出重构后的代码示例。”、“考虑到线程安全如果用Python的threading.Lock应该加在哪个位置请修改代码。”迭代与验证将AI给出的建议或代码放回你的本地环境进行测试。如果遇到问题可以将错误信息和新一轮的代码片段连同之前的上下文文档继续喂给AI进行调试。进阶技巧组合使用你可以为同一个项目的不同模块生成多份上下文文档。例如先让AI基于“订单服务重构”文档给出设计再基于“支付集成模块”文档让其审查API调用是否安全。版本对比如果你在重构可以生成“重构前”和“重构后”两份文档让AI帮你进行代码对比分析改进点和潜在回归。引导AI角色在粘贴文档后你可以直接赋予AI一个角色如“你现在是一位资深的后端架构师请审查这段折扣计算逻辑……”。这能进一步聚焦AI的响应风格。6. 常见问题与排查技巧实录在实际使用中你可能会遇到一些小问题。下面是我和社区遇到的一些典型情况及其解决方法。6.1 技能未找到或无法调用问题在Claude Code中输入指令后Agent回复说找不到code-feeder技能。检查安装路径确认你是否将技能克隆到了正确的~/.claude/skills/或对应Windows目录下并且目录名是code-feeder。重启Claude Code安装技能后必须完全退出并重新启动Claude Code终端新的技能列表才会被加载。检查技能列表在Claude Code中直接输入“list skills”或“what skills do you have?”来查看已加载的技能列表。项目级安装的路径如果你用的是项目级安装确保你当前的工作目录就在那个项目里并且.claude/skills/code-feeder路径存在。6.2 收集到的代码不完整或缺少文件问题生成的文档里预期的某个文件内容为空或根本没出现。检查文件大小默认配置会跳过大于500KB的文件。如果你的源码文件确实很大需要修改config.json中的max_file_size_kb值。检查忽略规则你的文件或目录可能被default_ignore_patterns匹配了。例如如果你的代码在build/或dist/目录下默认是会被忽略的。临时解决方案是在命令行中使用--files参数显式指定文件路径绕过自动过滤。长期方案是在config.json中调整忽略模式。确认文件路径在批量模式下如果不指定--files工具会从你给定的项目根目录开始扫描。请确认你指定的根目录是正确的。6.3 片段模式提取失败问题在片段模式下指定的函数或类没有找到或者提取的代码块不准确。确认语言支持确保目标文件的语言在支持列表中主流程言基本都支持。对于非常冷门的语言或自定义DSL可能无法正确解析语法。检查名称和类型--ranges参数中的name必须与代码中定义的完全一致包括大小写。type必须是function或class。处理嵌套和复杂结构对于嵌套在类内部的函数方法或者非常复杂的装饰器语法解析器有时可能会定位不准。如果遇到这种情况可以退而求其次使用--ranges的行号模式例如{type: lines, start: 50, end: 120}来手动指定范围。查看工具输出直接运行Python脚本时工具会在控制台输出调试信息提示它找到了哪些函数/类以及为什么没找到你指定的那个。根据提示调整参数。6.4 生成的Markdown格式混乱问题粘贴到某些不支持复杂Markdown的Web AI界面时格式错乱代码块无法正常显示。简化粘贴大多数主流AIClaude.ai, ChatGPT对标准Markdown代码块支持良好。如果出现问题可以尝试只粘贴## Code Content部分的核心代码块并在消息开头手动写上意图。使用纯文本备用方案作为备用方案你可以让Code Feeder输出纯文本格式如果脚本支持该选项或者自己手动将代码块标记为纯文本。虽然会失去语法高亮但保证了内容的可读性。检查特殊字符极少数情况下代码中包含的某些特殊字符可能会破坏Markdown解析。可以尝试将文档保存为.md文件后用专业的Markdown编辑器预览。6.5 性能问题处理大型项目缓慢问题项目有成千上万个文件运行收集时感觉卡顿或耗时很长。使用片段模式而非批量模式这是处理大型项目的首要原则。不要收集整个项目而是精确指定你需要分析的那个或那几个文件。优化忽略规则在config.json的default_ignore_patterns中确保添加了你项目中所有大型的、非源码的目录如测试数据目录test_data/、文档目录docs/_build/等。指定子目录即使使用批量模式也尽量通过--files参数将扫描范围缩小到具体的子目录如src/core/而不是根目录。7. 与其他工具链的整合思路Code Feeder本身是一个轻量级技能但它可以成为你AI辅助开发工作流中的关键一环。与版本控制结合在代码评审Code Review前你可以用Code Feeder收集本次提交commit修改的相关文件及其上下文生成一份“变更意图说明文档”然后发给AI让它模拟资深工程师进行预评审提前发现潜在问题。# 假设你刚完成一个功能分支的开发 git diff main...feature/auth-rewrite --name-only # 找出更改的文件列表 # 然后使用code-feeder的片段模式精确提取这些更改文件中的相关函数与文档生成结合你可以将Code Feeder生成的、带有清晰意图的代码上下文作为输入传递给另一个AI技能或脚本让其自动生成函数级别的注释、API文档或设计文档草稿。作为CI/CD的辅助环节在持续集成管道中可以设想一个环节当测试失败时自动用Code Feeder收集失败的测试用例及相关源码生成问题报告上下文并自动提交到一个内部AI助手频道寻求初步的故障分析建议。个人知识库构建定期使用Code Feeder为你的核心模块生成“快照”文档并按日期和意图分类存档。这相当于为你项目的关键部分建立了可搜索的、带注释的代码档案对于后续维护、交接或者复盘架构决策非常有帮助。这个工具的本质是降低认知负载。它把“向AI解释代码上下文”这个繁琐且容易出错的任务自动化、标准化了。经过一段时间的使用你会发现它不仅仅是一个“收集工具”更是一个强迫你在寻求AI帮助前先厘清自己“到底要什么”的思维助手。当你能用一句话清晰描述意图时问题往往已经解决了一半。剩下的就交给强大的AI和你手中的Code Feeder去高效协作吧。