本影片介紹了一個在 GitHub 上獲得超過 3.5 萬星的開源專案 — Hackathon 冠軍分享的 Claude Code 提示詞配置。該專案經過十個月的密集使用與生產環境驗證，將 Agents、Skills、Commands、Hooks 等核心概念整理成規範化目錄，幫助開發者更高效地使用 Claude Code 進行 AI 程式設計。

---

原影片連結：https://www.bilibili.com/video/BV1s76CBwEJB

影片重點

• 介紹 GitHub 3.5 萬星開源專案：Hackathon 冠軍的 Claude Code 提示詞配置
• Hackathon 是一群最會用 AI 的人在一起比賽，冠軍分享了他的最佳配置
• 專案核心組件包含 Agents（代理）、Skills（技能）、Commands（命令）、Hooks（鉤子）
• 與傳統提示詞不同，透過循環學習機制讓 Claude Code 越用越好用
• 提供上下文壓縮腳本，自動抽離使用者的編碼習慣和偏好
• Sub-agent 系統已預先寫好多個子代理，可直接使用
• Hooks 類似生命週期鉤子，可在會話開始和結束時自動處理上下文
• 不建議啟用所有 MCP，應根據需要選擇性啟用

詳細內容

[00:00] 專案介紹與背景

影片開頭介紹了一個名為「Everything Claude Code」的開源專案，目前在 GitHub 上已獲得超過 3.5 萬顆星。這個專案來自 Hackathon（黑客松）冠軍分享的一組 Claude Code 提示詞配置。

所謂 Hackathon，可以理解為一群最會使用 AI 的人聚在一起比賽，類似於馬拉松的概念，只不過是用 AI 來打比賽。這位冠軍選手將自己使用的提示詞配置整理分享出來，就是這個專案的由來。

[00:30] 核心組件與規範化目錄

這個專案提供了開發者經常使用的一些核心概念，包括 Agents（代理）、Skills（技能）、Commands（命令）、Hooks（鉤子）等。與零散的提示詞不同，該專案將這些概念整理成了一個規範化的目錄結構，每個資料夾專門負責一類功能。

例如在 Commands 資料夾中，提供了專門用於 Bug 修復、程式碼檢查、程式碼審查等的命令。這套配置經過十個月的密集使用，在生產環境中進行了實戰驗證，確實能夠有效提升開發效率。

[01:18] 上下文壓縮與循環學習機制

影片解釋了這個專案與傳統提示詞的關鍵區別。當上下文視窗滿了之後（例如模型限制為 128K），新開一個對話視窗時，上下文會被壓縮。為了解決這個問題，專案提供了一個腳本，能夠將使用者的使用習慣自動抽離出來，形成 Skills（技能）。

這就是所謂的「循環學習」與「驗證循環」——透過不斷循環，讓 Claude Code 越用越好用。腳本會自動分析最近的對話上下文，壓縮後抽離出使用者的編碼規範、資料庫偏好等習慣，建立成文件供下次使用參考。

[02:19] Sub-Agent 子代理系統

專案提供了豐富的預寫子代理（Sub-agents），開發者不需要額外撰寫，可以直接使用。每個子代理都有清晰的描述，包括名稱、功能說明、可使用的工具，以及所使用的模型。每個子代理都分門別類，各自有對應的模型配置，構成了完整的子代理系統。

[02:48] Skills 技能與 Commands 命令

在 Skills 部分，專案提供了經過長期驗證的技能配置，使用者可以直接套用而不會出現奇怪的問題，因為這些都是在生產環境中經過長時間驗證的。

Commands 命令方面，講者特別推薦了 Plan（計劃）命令，認為這是他使用最頻繁的功能，比 Cursor 自帶的計劃功能好用很多。

[03:17] Hooks 鉤子機制

Hooks 類似於程式開發中的生命週期概念（如 Spring AOP），提供前置和後置操作。例如可以在壓縮上下文前後執行特定操作，或在會話開始和結束時自動載入和保存上下文。

具體來說，可以在會話結束時自動將上下文中的使用習慣抽離出來保存到文件中，下次執行時直接從文件中讀取，這樣就能智能壓縮上下文，優化 Token 的使用。

[03:50] 安裝使用與注意事項

專案使用非常簡單，只需要複製安裝命令，下載到本地後透過 Claude Code 的功能將其加入。加入後會自動識別專案中的命令、代理、鉤子、技能等配置，一鍵完成配置。

講者特別提醒：不建議啟用所有的 MCP（Model Context Protocol），可以將不需要的 MCP 註解掉或刪除，選擇性啟用才能讓上下文更好用。

我的想法

這個專案的核心價值在於「將個人最佳實踐系統化」——Hackathon 冠軍不只是分享了幾條提示詞，而是建立了一套完整的 Claude Code 工作流程框架。特別值得關注的是「循環學習」機制，它本質上是讓 AI 工具適應個人工作風格，而非讓使用者去適應工具，這與目前 AI 工具個性化的大方向一致。

對於想要嘗試的開發者，建議不要直接照搬全部配置，而是先理解每個模組的作用，選擇與自己工作流程最相關的部分逐步導入。尤其是 MCP 的選擇性啟用這一點非常重要——過多的 MCP 會佔用寶貴的上下文空間，反而降低效率。先從 Agents 和 Commands 開始，再逐步加入 Skills 和 Hooks，會是比較穩妥的上手路徑。