2026 年聊 Java 后端技术栈绕不开两个词Claude Code 和 Codex。这两个命令行 AI 编程工具让“写代码、改代码、查代码”从纯人工操作变成了半自动甚至全自动流程再配合 Agent Skill 和 MCP又能把团队的固定工作流沉淀成可复用的技能包。更现实的是Java AI 大模型方向的面试题正在从“背八股”转向“有没有实际跑通过一个 AI 编程工具有没有自己写过 Skill”。这篇文章就把这条链路完整走一遍装工具、连模型、开发 Skill、跑批量任务、排常见错最后给一份可以照着执行的 3 天学习路线。先说结论这类 CLI 工具本身门槛不高Node.js 环境准备好后几分钟就能跑起来但企业级落地真正花时间的不是安装而是“用 Skill 把流程固化、用 API 把能力接进业务系统、用批量脚本把重复劳动自动化”。所以这篇文章同时覆盖工具使用和 Agent 开发两个层次适合正在准备 Java AI 大模型面试的开发者也适合团队内部想推 AI 编程提效的工程师。全文按“规格速览 → 环境准备 → 安装启动 → Skill 开发 → 功能验证 → API 与批量任务 → 性能观察 → 排错 → 面试路线 → 最佳实践”展开图片生成、语音、视频类内容不在本文范围涉及代码和密钥的合规边界会单独强调。1. 核心能力速览先把三个核心概念放一起对比方便后面定位各自的作用。维度Claude CodeCodex CLIAgent Skill定位命令行 AI 编程助手命令行 AI 编程助手可复用的任务技能包开发商AnthropicOpenAI依附于 AI 编程工具 / Agent 框架主要交互终端对话、自动改码、执行命令终端对话、自动改码、执行命令定义“做什么、按什么顺序做、输出什么格式”扩展机制Skill、MCP、插件MCP、自定义命令与 MCP 互补不冲突适用场景代码审查、重构、CRUD 开发、技术问题排查代码生成、GitHub 集成、自动化任务日报生成、代码审查、测试编写、部署检查等固定流程安装方式npm 全局安装npm 全局安装项目目录内创建技能定义文件是否支持 API支持非交互模式和 API 接入支持非交互模式通过 Agent 框架调用可被批量触发显存要求无推理在远端 API 完成无推理在远端 API 完成无取决于承载它的 Agent 和模型部署方式这里需要明确表格里的“无显存要求”是指 Claude Code / Codex 这类 CLI 工具本身不吃显存模型推理在远端 API 服务完成如果你把模型换成内网本地部署才需要考虑显存和显卡型号具体占用以实际部署环境和推理参数为准不能一概而论。2. 适用场景与使用边界适合谁先想清楚。第一个群体是 Java 后端开发日常有大量重复代码、代码审查、接口联调、历史代码重构工作这类工具能把“读代码-发现问题-改代码-跑测试”的循环明显加快。第二个群体是准备 Java AI 大模型面试的候选人只背集合源码和 JVM 调优已经不够了面试官更想听你讲清楚“你怎么用 AI 工具解决过一个真实工程问题”。第三个群体是技术管理者想在团队里沉淀一套统一的 Agent 工作流那就必须理解 Skill 和 MCP 的边界否则很容易把简单流程做成过度设计。使用边界也要提前说清楚。第一任何公司内部代码、客户数据、未公开的架构资料都不能在没有授权的情况下发送给外部模型企业在部署这类工具前要先过合规评估。第二API 密钥是敏感信息不能写进代码仓库不能出现在截图里建议使用环境变量或密钥管理服务。第三Claude Code 和 Codex 会自动执行命令尤其是带写权限的操作第一次跑的时候要限定工作目录、看清命令再确认。第四如果需要敏感代码不出内网可以考虑本地部署模型再通过兼容接口接入但本地部署的显存需求、推理速度、模型效果都要先用最小环境验证再决定是否推广。3. 环境准备与前置条件先准备环境建议按下面的检查清单过一遍。操作系统Windows 10/11、macOS、主流 Linux 发行版都可以Windows 下推荐使用 PowerShell 或 Windows Terminal。Node.jsClaude Code 和 Codex CLI 通常通过 npm 全局安装需要 Node.js LTS 或更新版本。安装完先验证 Node 和 npm 可用。Git代码仓库管理和部分命令操作需要。终端网络CLI 工具要访问模型 API需要保证终端能正常连到对应接口如果公司网络有额外限制先确认 API 域名可访问。工作目录建议单独创建一个项目目录用来测试不要在用户主目录或系统关键目录里直接让 AI 工具乱跑。node -v npm -v git --version如果命令能正常输出版本号环境基本就绪。如果 npm 全局安装权限不足Windows 下可以用管理员终端macOS/Linux 下可以配置用户级 npm 全局目录不要为了安装去关闭系统安全机制。到这里不需要纠结版本号具体是多少只要 Node 版本不是特别老的维护期外版本通常都能装。4. Claude Code 与 Codex 的安装部署与启动4.1 安装 Claude CodeClaude Code 的常见安装方式是通过 npm 全局安装命令如下npm install -g anthropic-ai/claude-code安装完成后验证版本并启动claude --version claude首次启动会进入登录认证流程需要根据终端提示完成账号授权。如果提示 “your organization has disabled claude subscription access for claude code”说明当前账号或所属组织没有开通 Claude Code 订阅权限需要联系管理员确认不要自己绕过授权。4.2 安装 Codex CLICodex CLI 同样通过 npm 安装具体包名以官方文档为准常见形式是npm install -g openai/codex验证版本并启动codex --version codex启动后按提示完成登录和项目目录绑定。如果在编辑器插件里使用 Codex却报 “unable to locate the codex cli binary. set codex cli path or ensure the executable” 之类的错误说明编辑器找不到codex可执行文件。先在终端里执行which codex或where codex拿到完整路径再把路径配置到插件的 CLI 设置项或者把 npm 全局 bin 目录加到系统 PATH 里。4.3 接入第三方模型这两个工具默认连接各自的官方模型服务但实际开发中经常需要接入 DeepSeek 等第三方模型或内网模型网关。接入方式并不复杂核心是修改环境变量让 CLI 指向兼容的 API 地址。如果是 Codex 接入 OpenAI 兼容接口常见方式如下export OPENAI_BASE_URLhttps://api.deepseek.com/v1 export OPENAI_API_KEYyour-api-key codex上面的地址需要以模型服务方的开放平台文档为准密钥也要换成自己的。如果在切换模型后出现 “model is not a model this version of xxx recognizes” 的提示说明当前工具版本不识别你填的模型名需要改成服务方实际支持的模型标识或者升级工具版本。Claude Code 接入第三方模型时通常需要一个兼容 Anthropic 消息协议的转发层。更稳妥的做法是先去查阅当前版本官方文档确认是否支持自定义模型基址。如果支持一般通过类似下面的环境变量完成配置export ANTHROPIC_BASE_URLhttps://your-gateway.example.com export ANTHROPIC_AUTH_TOKENyour-api-key claude需要区分一个概念环境变量改的是“模型请求地址”不是“绕开任何安全限制”。企业内部接入第三方模型之前一定要确认数据是否允许出网、模型供应商是否签过数据处理协议。4.4 在 VSCode 中使用日常开发很多人习惯在编辑器里操作。Claude Code 和 Codex 都有对应的官方扩展或社区扩展安装方式是在 VSCode 扩展市场搜索名称安装后把扩展指向已安装的 CLI 可执行文件。如果你的扩展始终提示找不到 CLI优先检查两件事第一npm 全局 bin 目录是否在 PATH 中第二扩展设置里的 CLI path 是否填了完整路径。在 VSCode 里第一次运行前建议先在一个测试项目里跑一次终端命令确保 CLI 本身能正常工作再去排查编辑器集成问题。4.5 启动后先跑什么工具启动后不要直接丢一个大型需求进去先做冒烟测试。最简单的做法是让工具读取当前目录的项目结构问一个具体问题比如“这个项目的模块划分是什么”。如果它能正确回答说明代码读取、上下文构建、模型调用都通了。这一步跑通后再进入 Skill 开发和批量任务。5. Agent Skill 开发实战Skill、MCP 与 Agent 的区别进入 Agent Skill 开发前必须先把 Skill、MCP、Agent 三者的概念边界理清。群里和面试里问得最多的就是“Skill 和 MCP 有什么区别”“Skill 和 Agent 有什么区别”这两个问题如果答不清楚工程项目基本没法落地。5.1 Skill 是什么Skill 是一段可复用的任务流程定义。它告诉模型什么时候触发这个技能、需要读取哪些信息、按什么顺序执行、最终输出什么格式。一个“Java 代码审查 Skill”可以规定先扫描指定目录再按空指针、资源未关闭、并发安全、性能隐患分类最后输出带文件位置和修复建议的问题清单。Skill 的价值是可以跨项目复用团队里有人把流程调好后其他人只需要在项目里引入同一个 Skill就能得到一致的输出质量。5.2 MCP 是什么MCP 的全称是 Model Context Protocol是一种开放协议用来连接模型和外部工具、数据源。MCP Server 可以提供工具、资源、提示词三类能力。举例来说一个数据库 MCP Server 可以让模型直接执行查询一个 GitHub MCP Server 可以让模型读取 Issue、创建 PR。MCP 解决的是“模型能调用什么外部能力”的问题它更像是一个标准插座让不同的 AI 工具能接上不同的外部服务。5.3 Skill 与 MCP 的区别维度SkillMCP核心问题这项任务按什么流程做模型能调哪些外部能力表现形式技能定义文件、流程说明、输出模板MCP Server 暴露的工具/资源/提示词是否需要独立服务通常不需要文件加指令即可可能需要独立进程或脚本典型例子代码审查 Skill、日报 Skill、测试生成 Skill数据库查询 MCP、文件系统 MCP、GitHub MCP依赖关系可以使用 MCP 提供的工具不依赖 Skill作为底层能力存在简单理解MCP 是“工具箱”Skill 是“操作手册”。模型先读操作手册知道怎么干活干活时需要工具时再从工具箱里取。两者不是竞争关系而是配合关系。5.4 Skill 与 Agent 的区别Skill 和 Agent 的区别同样关键。Agent 是一个执行体它负责理解目标、拆解步骤、调用工具、根据中间结果调整下一步。Skill 则是一个可复用的能力包是 Agent 可以按需调用的流程模板。一个 Agent 可以挂载多个 Skill根据任务类型选择不同技能一个 Skill 也可以被不同 Agent 复用。用日报场景举例写日报适合做成 Skill因为流程固定读取 Git 提交记录、按日期分类、结合当前分支的改动生成日报而一个“自主跟进 Issue 并提交修复 PR”的复杂任务才需要 Agent 来做多轮决策。5.5 一个 Java 代码审查 Skill 的落地模板不同 AI 编程工具对 Skill 的目录规范有差异但整体思路一致。常见做法是在项目根目录下建立技能目录然后在技能文件里写清楚触发条件、执行步骤和输出格式。下面是一个通用结构示例项目根目录/ ├── .claude/ │ └── skills/ │ └── java-code-review/ │ └── SKILL.mdSKILL.md是一个 Markdown 文件里面描述技能内容。不要把它想象成复杂的编程文件它的本质就是一套给模型看的操作规范# Java Code Review Skill ## 何时使用 当用户要求审查 Java 代码时使用。 ## 执行步骤 1. 读取目标文件或目录理解模块职责。 2. 按以下顺序检查空指针风险、资源未关闭、并发安全、异常处理、性能隐患、可读性。 3. 对每个问题标注文件路径、行号、问题类型、严重级别。 4. 输出 Markdown 表格位置 | 问题描述 | 严重级别 | 修复建议。 5. 如果问题可以在本地直接修复生成修复 diff 供用户确认。 ## 注意事项 - 不修改无关联的业务代码。 - 不输出猜测性的安全问题必须有代码依据。 - 输出使用中文代码部分保留原语言。把这份文件放进项目并让模型加载 Skill 后再提出“审查src/main/java/com/example/OrderService.java”模型就会按 Skill 里定义的流程输出规范结果。这就是 Skill 开发的核心不依赖一次性的提示词而是把流程沉淀成可复用的资产。面试时能讲清楚这个设计思路比背一百个面试题更有说服力。6. 功能测试与效果验证工具装好、Skill 写好之后不能只跑通一次就结束要按功能分维度验证。6.1 Claude Code 对话与代码审查测试测试目的确认 Claude Code 能读取项目代码并输出有效审查结果。操作步骤cd /path/to/java-project claude进入交互界面后输入请审查 src/main/java/com/example/OrderService.java重点关注空指针和事务边界。预期结果模型会读取文件内容列出问题清单并给出修改建议。判断成功的标准是问题清单有具体文件位置、有可执行的修复建议而不是泛泛而谈。如果模型只能给出“代码可以优化”之类的空洞内容说明上下文没传好需要检查项目目录权限和文件读取配置。6.2 Codex 代码生成测试测试目的验证 Codex 能否在 Java 工程里生成符合项目风格的代码。操作步骤cd /path/to/project codex 写一个 Java 方法实现字符串列表去重并保持原有顺序预期结果模型给出具体实现通常会包含LinkedHashSet或stream distinct()等方案并询问是否写入文件。判断成功的标准是代码能编译、测试能通过同时符合项目已有的代码风格。这里不要只测单一方法建议再测一个带上下文的任务比如“为现有 UserService 增加一个分页查询方法”这样能验证模型对项目结构的理解能力。6.3 Skill 触发测试测试目的验证自定义 Skill 能被模型正确加载并执行。操作步骤在测试项目中按上文结构创建java-code-reviewSkill。启动 Claude Code输入“使用 java-code-review 技能审查当前模块”。对比输出是否严格遵循 SKILL.md 定义的格式和步骤。预期结果输出 Markdown 表格包含位置、问题描述、严重级别、修复建议。如果模型没有按 Skill 流程执行先检查技能目录位置是否正确再检查 SKILL.md 里的触发条件是否写清楚。6.4 稳定性与 token 消耗验证在做长代码审查或批量任务前先跑一次长文本任务观察响应是否超时、是否截断、token 消耗是否在预期范围内。模型在远端推理本地不会出现显存不足但 token 会直接变成调用成本。建议先拿一个小模块测试统计平均每次任务消耗的 token再乘以预估任务量就能算出批量执行的成本上限。7. 接口 API 与批量任务工具交互模式适合人工使用但企业级落地离不开 API 和批量任务。Claude Code 和 Codex 都支持非交互模式可以把结果输出到标准输出方便写脚本批量调用。7.1 非交互模式Claude Code 常见的非交互模式是使用-p参数claude -p review the code in src/main/java/com/example/OrderService.java in Chinese, output issue tableCodex 也有类似的非交互执行方式具体命令以官方文档为准整体思路是“传一段指令拿到结果进程退出”。非交互模式的好处是不会卡在对话界面适合在 CI 流程和批处理脚本里使用。7.2 批量代码审查脚本批量任务最容易踩的坑是任务太多、并发太猛、超时没控制、失败没重试。下面给一个 Python 批量调用模板使用前需要改成你自己的项目路径和实际命令import subprocess files [ src/main/java/com/example/OrderService.java, src/main/java/com/example/UserService.java, src/main/java/com/example/PaymentService.java, ] for file in files: print(f processing {file} ) try: result subprocess.run( [claude, -p, freview the code in {file} in Chinese, output issue table], capture_outputTrue, textTrue, timeout180, ) print(result.stdout) if result.stderr: print([stderr], result.stderr[-500:]) except subprocess.TimeoutExpired: print(ftimeout: {file}) except Exception as e: print(ferror: {file}, {e})批量任务建议控制并发数不要在脚本里开几十个进程同时调用每个任务加超时时间失败任务要记录日志后续统一重跑输出结果按文件保存方便 review。7.3 Java 服务接入大模型 API如果要把 AI 能力接进自己的 Java 业务系统比如做一个内部代码分析平台那就不应该直接依赖 CLI而是调用大模型 API。下面的代码是通用模板使用 Java 17 及以上版本的HttpClient调用 OpenAI 兼容接口实际接口路径和请求体格式要以模型厂商文档为准HttpRequest request HttpRequest.newBuilder() .uri(URI.create(https://api.deepseek.com/v1/chat/completions)) .header(Authorization, Bearer System.getenv(LLM_API_KEY)) .header(Content-Type, application/json) .POST(BodyPublishers.ofString(jsonBody)) .build(); HttpClient client HttpClient.newBuilder().connectTimeout(Duration.ofSeconds(10)).build(); HttpResponseString response client.send(request, HttpResponse.BodyHandlers.ofString()); System.out.println(response.body());这里最关键的一点密钥从环境变量读取不要硬编码在代码里。如果公司有统一的大模型网关应该先确认网关协议再决定是走 OpenAI 兼容格式还是 Anthropic 格式。8. 资源占用与性能观察Claude Code 和 Codex CLI 本身是本地 Node 进程启动后会占用一定的内存和 CPU但普通开发机完全扛得住。性能瓶颈通常不在工具本身而在三个地方模型响应延迟、token 消耗、项目文件规模。模型响应延迟取决于远端服务的负载和网络状况本地能做的优化是减少无效上下文。项目文件规模对性能影响很明显如果让工具直接扫描一个几万文件的巨型仓库上下文会很快被撑满响应变慢且结果质量下降。合理做法是用.gitignore或工具的忽略规则排除target、node_modules、dist等目录只让模型读取关键源码。如果你需要把模型部署在本地比如内网合规场景才需要关注显存。本地部署时显存占用取决于模型参数量、量化方式、上下文长度和并发请求数没有统一的“一定够用”的数字。建议先用小参数量模型跑通流程再逐步增大模型同时用nvidia-smi观察显存占用变化。nvidia-smi如果显存不够优先降低上下文长度、减少并发数、使用量化版本模型。这里没有魔法只能以实际测试数据为准。9. 常见问题与排查方法把这段时间社区里出现频率较高的问题整理成一张表遇到问题先按表排查。问题现象可能原因排查方式解决方案编辑器插件提示 unable to locate the codex cli binary编辑器找不到 codex 可执行文件终端执行which codex或where codex查看路径把 npm 全局 bin 目录加入 PATH或在插件设置里填完整路径切换模型基址后报 local proxy failed 相关错误本地转发服务配置与当前环境不一致检查环境变量是否同步更新查看服务日志统一模型服务地址配置重启终端后重试提示某个模型名 not recognized工具版本不识别该模型标识查看当前工具支持的模型列表换成服务方支持的模型名或升级工具版本提示 organization disabled claude subscription access账号/组织未开通订阅权限联系管理员确认订阅状态开通权限或使用有权限的账号调用第三方模型接口返回 401/403API Key 错误或密钥未加载检查环境变量是否在终端会话中生效用echo $OPENAI_API_KEY验证重新配置密钥批量任务跑一会儿就卡住并发过高或单个任务超时查看脚本进程和日志降低并发数增加超时和失败重试模型输出内容包含 HTML 标签或乱码终端编码问题或输出被工具拦截检查终端是否使用 UTF-8切换终端编码关闭影响输出的中间层工具能启动但读不到项目文件工作目录不对或目录被忽略规则排除检查当前目录和配置项切到项目根目录调整忽略规则Java 服务调用大模型时 OOMJVM 堆内存不足或响应体过大查看 JVM 日志和响应大小调整-Xmx限制响应长度使用流式解析排查问题的通用思路是先看终端报错原文再确认环境变量和网络连通性最后用最小复现脚本隔离问题。不要一上来就重装工具那样容易把真正的问题掩盖掉。10. Java AI 大模型面试重点与 3 天学习路线10.1 面试官真正考察什么Java AI 大模型方向的面试已经不满足于“你知道大模型吗”这种开放式问题。面试官通常会从三个角度提问第一Java 工程能力比如集合、并发、JVM、Spring 生命周期这些基础问题第二AI 应用集成能力比如怎么在 Java 服务里调用大模型 API、怎么做流式输出、怎么处理超时重试第三Agent 工程化理解比如 Skill 和 MCP 的区别、Function Calling 的作用、RAG 的基本链路。只背 Java 八股文的候选人在第三类问题上往往答不出实际细节。10.2 3 天学习路线天数学习重点实操任务产出第 1 天安装 Claude Code 和 Codex跑通基础对话、代码生成、代码审查用两个工具各做一次 Java 代码重构和一次代码审查记录每个工具的优缺点和常见报错第 2 天理解 Skill、MCP、Agent 的区别学习 Skill 开发流程在自己的 Java 项目里写一个代码审查 Skill 或日报 Skill一个可以复用的 Skill 文件第 3 天API 调用、批量任务、面试问答整理跑一次批量代码审查脚本整理 10 个高频问题的回答思路批量任务脚本 面试笔记这套路线的核心不是把工具用得多花哨而是建立完整链路会安装、会接入模型、会写 Skill、会写批量脚本、能讲清楚原理。有了这个链路不管面试题怎么换你都有素材可以讲。10.3 面试实操项目建议面试时不要只展示“我用过 Claude Code”这个信息量太弱。更好的展示方式是在 GitHub 上找一个开源 Java 项目用自己写的代码审查 Skill 扫描一遍输出问题清单挑 3 个真实问题提修复 PR。整个过程中的工具安装、Skill 设计、批量脚本、修复验证都可以写进项目说明。面试时把这个项目讲清楚比贴一堆背诵内容有效得多。11. 最佳实践与使用建议第一保留一套最小可运行配置。把 Node 版本、安装命令、环境变量、常用脚本整理成一个文档环境出问题时可以快速重建。第二密钥严格管理。所有 API Key 使用环境变量或密钥管理服务禁止提交到 Git 仓库禁止截图到外部平台。第三批量任务必须加日志和重试。批量跑代码审查时每个任务记录输入文件、输出结果、耗时、失败原因失败任务自动或手动重跑不要把日志只输出到控制台。第四Skill 先窄后宽。先从一个具体任务开始比如“Java 代码审查”跑通后再扩展成“Java 代码审查 单元测试生成”不要第一天就设计一个覆盖所有开发场景的大而全的 Skill。第五输出要人工复核。AI 工具生成的代码只能作为候选人不能直接在主干分支执行高危操作如删除文件、批量修改、推送远端要先经过人工确认。第六涉及代码出网、第三方模型、内部数据的场景先和合规、安全团队对齐再推进。12. 总结Claude Code 和 Codex 这类工具已经过了“尝鲜期”现在更值得做的是把它们的输出沉淀成可复用资产。这篇文章的核心链路是跑通安装和模型接入理解 Skill / MCP / Agent 的边界写一个属于自己的 Java 代码审查 Skill用非交互模式跑批量任务再把这些工程经验整理成面试素材。最容易踩的坑有三个一是密钥管理不到位二是 Skill 设计得过大过空三是批量任务没有超时和重试。建议先选一个小项目按第 4 章和第 7 章的步骤各跑通一遍再往面试和团队推广的方向扩展。后续可以继续深入的方向包括让 Skill 自动调用 MCP 工具、在 CI 流水线里集成代码审查、探索本地部署模型与 CLI 工具的组合。先把第一条链路跑通后面自然会知道下一步该怎么选。
Claude Code与Codex实战：Java后端AI编程与Skill开发指南
2026 年聊 Java 后端技术栈绕不开两个词Claude Code 和 Codex。这两个命令行 AI 编程工具让“写代码、改代码、查代码”从纯人工操作变成了半自动甚至全自动流程再配合 Agent Skill 和 MCP又能把团队的固定工作流沉淀成可复用的技能包。更现实的是Java AI 大模型方向的面试题正在从“背八股”转向“有没有实际跑通过一个 AI 编程工具有没有自己写过 Skill”。这篇文章就把这条链路完整走一遍装工具、连模型、开发 Skill、跑批量任务、排常见错最后给一份可以照着执行的 3 天学习路线。先说结论这类 CLI 工具本身门槛不高Node.js 环境准备好后几分钟就能跑起来但企业级落地真正花时间的不是安装而是“用 Skill 把流程固化、用 API 把能力接进业务系统、用批量脚本把重复劳动自动化”。所以这篇文章同时覆盖工具使用和 Agent 开发两个层次适合正在准备 Java AI 大模型面试的开发者也适合团队内部想推 AI 编程提效的工程师。全文按“规格速览 → 环境准备 → 安装启动 → Skill 开发 → 功能验证 → API 与批量任务 → 性能观察 → 排错 → 面试路线 → 最佳实践”展开图片生成、语音、视频类内容不在本文范围涉及代码和密钥的合规边界会单独强调。1. 核心能力速览先把三个核心概念放一起对比方便后面定位各自的作用。维度Claude CodeCodex CLIAgent Skill定位命令行 AI 编程助手命令行 AI 编程助手可复用的任务技能包开发商AnthropicOpenAI依附于 AI 编程工具 / Agent 框架主要交互终端对话、自动改码、执行命令终端对话、自动改码、执行命令定义“做什么、按什么顺序做、输出什么格式”扩展机制Skill、MCP、插件MCP、自定义命令与 MCP 互补不冲突适用场景代码审查、重构、CRUD 开发、技术问题排查代码生成、GitHub 集成、自动化任务日报生成、代码审查、测试编写、部署检查等固定流程安装方式npm 全局安装npm 全局安装项目目录内创建技能定义文件是否支持 API支持非交互模式和 API 接入支持非交互模式通过 Agent 框架调用可被批量触发显存要求无推理在远端 API 完成无推理在远端 API 完成无取决于承载它的 Agent 和模型部署方式这里需要明确表格里的“无显存要求”是指 Claude Code / Codex 这类 CLI 工具本身不吃显存模型推理在远端 API 服务完成如果你把模型换成内网本地部署才需要考虑显存和显卡型号具体占用以实际部署环境和推理参数为准不能一概而论。2. 适用场景与使用边界适合谁先想清楚。第一个群体是 Java 后端开发日常有大量重复代码、代码审查、接口联调、历史代码重构工作这类工具能把“读代码-发现问题-改代码-跑测试”的循环明显加快。第二个群体是准备 Java AI 大模型面试的候选人只背集合源码和 JVM 调优已经不够了面试官更想听你讲清楚“你怎么用 AI 工具解决过一个真实工程问题”。第三个群体是技术管理者想在团队里沉淀一套统一的 Agent 工作流那就必须理解 Skill 和 MCP 的边界否则很容易把简单流程做成过度设计。使用边界也要提前说清楚。第一任何公司内部代码、客户数据、未公开的架构资料都不能在没有授权的情况下发送给外部模型企业在部署这类工具前要先过合规评估。第二API 密钥是敏感信息不能写进代码仓库不能出现在截图里建议使用环境变量或密钥管理服务。第三Claude Code 和 Codex 会自动执行命令尤其是带写权限的操作第一次跑的时候要限定工作目录、看清命令再确认。第四如果需要敏感代码不出内网可以考虑本地部署模型再通过兼容接口接入但本地部署的显存需求、推理速度、模型效果都要先用最小环境验证再决定是否推广。3. 环境准备与前置条件先准备环境建议按下面的检查清单过一遍。操作系统Windows 10/11、macOS、主流 Linux 发行版都可以Windows 下推荐使用 PowerShell 或 Windows Terminal。Node.jsClaude Code 和 Codex CLI 通常通过 npm 全局安装需要 Node.js LTS 或更新版本。安装完先验证 Node 和 npm 可用。Git代码仓库管理和部分命令操作需要。终端网络CLI 工具要访问模型 API需要保证终端能正常连到对应接口如果公司网络有额外限制先确认 API 域名可访问。工作目录建议单独创建一个项目目录用来测试不要在用户主目录或系统关键目录里直接让 AI 工具乱跑。node -v npm -v git --version如果命令能正常输出版本号环境基本就绪。如果 npm 全局安装权限不足Windows 下可以用管理员终端macOS/Linux 下可以配置用户级 npm 全局目录不要为了安装去关闭系统安全机制。到这里不需要纠结版本号具体是多少只要 Node 版本不是特别老的维护期外版本通常都能装。4. Claude Code 与 Codex 的安装部署与启动4.1 安装 Claude CodeClaude Code 的常见安装方式是通过 npm 全局安装命令如下npm install -g anthropic-ai/claude-code安装完成后验证版本并启动claude --version claude首次启动会进入登录认证流程需要根据终端提示完成账号授权。如果提示 “your organization has disabled claude subscription access for claude code”说明当前账号或所属组织没有开通 Claude Code 订阅权限需要联系管理员确认不要自己绕过授权。4.2 安装 Codex CLICodex CLI 同样通过 npm 安装具体包名以官方文档为准常见形式是npm install -g openai/codex验证版本并启动codex --version codex启动后按提示完成登录和项目目录绑定。如果在编辑器插件里使用 Codex却报 “unable to locate the codex cli binary. set codex cli path or ensure the executable” 之类的错误说明编辑器找不到codex可执行文件。先在终端里执行which codex或where codex拿到完整路径再把路径配置到插件的 CLI 设置项或者把 npm 全局 bin 目录加到系统 PATH 里。4.3 接入第三方模型这两个工具默认连接各自的官方模型服务但实际开发中经常需要接入 DeepSeek 等第三方模型或内网模型网关。接入方式并不复杂核心是修改环境变量让 CLI 指向兼容的 API 地址。如果是 Codex 接入 OpenAI 兼容接口常见方式如下export OPENAI_BASE_URLhttps://api.deepseek.com/v1 export OPENAI_API_KEYyour-api-key codex上面的地址需要以模型服务方的开放平台文档为准密钥也要换成自己的。如果在切换模型后出现 “model is not a model this version of xxx recognizes” 的提示说明当前工具版本不识别你填的模型名需要改成服务方实际支持的模型标识或者升级工具版本。Claude Code 接入第三方模型时通常需要一个兼容 Anthropic 消息协议的转发层。更稳妥的做法是先去查阅当前版本官方文档确认是否支持自定义模型基址。如果支持一般通过类似下面的环境变量完成配置export ANTHROPIC_BASE_URLhttps://your-gateway.example.com export ANTHROPIC_AUTH_TOKENyour-api-key claude需要区分一个概念环境变量改的是“模型请求地址”不是“绕开任何安全限制”。企业内部接入第三方模型之前一定要确认数据是否允许出网、模型供应商是否签过数据处理协议。4.4 在 VSCode 中使用日常开发很多人习惯在编辑器里操作。Claude Code 和 Codex 都有对应的官方扩展或社区扩展安装方式是在 VSCode 扩展市场搜索名称安装后把扩展指向已安装的 CLI 可执行文件。如果你的扩展始终提示找不到 CLI优先检查两件事第一npm 全局 bin 目录是否在 PATH 中第二扩展设置里的 CLI path 是否填了完整路径。在 VSCode 里第一次运行前建议先在一个测试项目里跑一次终端命令确保 CLI 本身能正常工作再去排查编辑器集成问题。4.5 启动后先跑什么工具启动后不要直接丢一个大型需求进去先做冒烟测试。最简单的做法是让工具读取当前目录的项目结构问一个具体问题比如“这个项目的模块划分是什么”。如果它能正确回答说明代码读取、上下文构建、模型调用都通了。这一步跑通后再进入 Skill 开发和批量任务。5. Agent Skill 开发实战Skill、MCP 与 Agent 的区别进入 Agent Skill 开发前必须先把 Skill、MCP、Agent 三者的概念边界理清。群里和面试里问得最多的就是“Skill 和 MCP 有什么区别”“Skill 和 Agent 有什么区别”这两个问题如果答不清楚工程项目基本没法落地。5.1 Skill 是什么Skill 是一段可复用的任务流程定义。它告诉模型什么时候触发这个技能、需要读取哪些信息、按什么顺序执行、最终输出什么格式。一个“Java 代码审查 Skill”可以规定先扫描指定目录再按空指针、资源未关闭、并发安全、性能隐患分类最后输出带文件位置和修复建议的问题清单。Skill 的价值是可以跨项目复用团队里有人把流程调好后其他人只需要在项目里引入同一个 Skill就能得到一致的输出质量。5.2 MCP 是什么MCP 的全称是 Model Context Protocol是一种开放协议用来连接模型和外部工具、数据源。MCP Server 可以提供工具、资源、提示词三类能力。举例来说一个数据库 MCP Server 可以让模型直接执行查询一个 GitHub MCP Server 可以让模型读取 Issue、创建 PR。MCP 解决的是“模型能调用什么外部能力”的问题它更像是一个标准插座让不同的 AI 工具能接上不同的外部服务。5.3 Skill 与 MCP 的区别维度SkillMCP核心问题这项任务按什么流程做模型能调哪些外部能力表现形式技能定义文件、流程说明、输出模板MCP Server 暴露的工具/资源/提示词是否需要独立服务通常不需要文件加指令即可可能需要独立进程或脚本典型例子代码审查 Skill、日报 Skill、测试生成 Skill数据库查询 MCP、文件系统 MCP、GitHub MCP依赖关系可以使用 MCP 提供的工具不依赖 Skill作为底层能力存在简单理解MCP 是“工具箱”Skill 是“操作手册”。模型先读操作手册知道怎么干活干活时需要工具时再从工具箱里取。两者不是竞争关系而是配合关系。5.4 Skill 与 Agent 的区别Skill 和 Agent 的区别同样关键。Agent 是一个执行体它负责理解目标、拆解步骤、调用工具、根据中间结果调整下一步。Skill 则是一个可复用的能力包是 Agent 可以按需调用的流程模板。一个 Agent 可以挂载多个 Skill根据任务类型选择不同技能一个 Skill 也可以被不同 Agent 复用。用日报场景举例写日报适合做成 Skill因为流程固定读取 Git 提交记录、按日期分类、结合当前分支的改动生成日报而一个“自主跟进 Issue 并提交修复 PR”的复杂任务才需要 Agent 来做多轮决策。5.5 一个 Java 代码审查 Skill 的落地模板不同 AI 编程工具对 Skill 的目录规范有差异但整体思路一致。常见做法是在项目根目录下建立技能目录然后在技能文件里写清楚触发条件、执行步骤和输出格式。下面是一个通用结构示例项目根目录/ ├── .claude/ │ └── skills/ │ └── java-code-review/ │ └── SKILL.mdSKILL.md是一个 Markdown 文件里面描述技能内容。不要把它想象成复杂的编程文件它的本质就是一套给模型看的操作规范# Java Code Review Skill ## 何时使用 当用户要求审查 Java 代码时使用。 ## 执行步骤 1. 读取目标文件或目录理解模块职责。 2. 按以下顺序检查空指针风险、资源未关闭、并发安全、异常处理、性能隐患、可读性。 3. 对每个问题标注文件路径、行号、问题类型、严重级别。 4. 输出 Markdown 表格位置 | 问题描述 | 严重级别 | 修复建议。 5. 如果问题可以在本地直接修复生成修复 diff 供用户确认。 ## 注意事项 - 不修改无关联的业务代码。 - 不输出猜测性的安全问题必须有代码依据。 - 输出使用中文代码部分保留原语言。把这份文件放进项目并让模型加载 Skill 后再提出“审查src/main/java/com/example/OrderService.java”模型就会按 Skill 里定义的流程输出规范结果。这就是 Skill 开发的核心不依赖一次性的提示词而是把流程沉淀成可复用的资产。面试时能讲清楚这个设计思路比背一百个面试题更有说服力。6. 功能测试与效果验证工具装好、Skill 写好之后不能只跑通一次就结束要按功能分维度验证。6.1 Claude Code 对话与代码审查测试测试目的确认 Claude Code 能读取项目代码并输出有效审查结果。操作步骤cd /path/to/java-project claude进入交互界面后输入请审查 src/main/java/com/example/OrderService.java重点关注空指针和事务边界。预期结果模型会读取文件内容列出问题清单并给出修改建议。判断成功的标准是问题清单有具体文件位置、有可执行的修复建议而不是泛泛而谈。如果模型只能给出“代码可以优化”之类的空洞内容说明上下文没传好需要检查项目目录权限和文件读取配置。6.2 Codex 代码生成测试测试目的验证 Codex 能否在 Java 工程里生成符合项目风格的代码。操作步骤cd /path/to/project codex 写一个 Java 方法实现字符串列表去重并保持原有顺序预期结果模型给出具体实现通常会包含LinkedHashSet或stream distinct()等方案并询问是否写入文件。判断成功的标准是代码能编译、测试能通过同时符合项目已有的代码风格。这里不要只测单一方法建议再测一个带上下文的任务比如“为现有 UserService 增加一个分页查询方法”这样能验证模型对项目结构的理解能力。6.3 Skill 触发测试测试目的验证自定义 Skill 能被模型正确加载并执行。操作步骤在测试项目中按上文结构创建java-code-reviewSkill。启动 Claude Code输入“使用 java-code-review 技能审查当前模块”。对比输出是否严格遵循 SKILL.md 定义的格式和步骤。预期结果输出 Markdown 表格包含位置、问题描述、严重级别、修复建议。如果模型没有按 Skill 流程执行先检查技能目录位置是否正确再检查 SKILL.md 里的触发条件是否写清楚。6.4 稳定性与 token 消耗验证在做长代码审查或批量任务前先跑一次长文本任务观察响应是否超时、是否截断、token 消耗是否在预期范围内。模型在远端推理本地不会出现显存不足但 token 会直接变成调用成本。建议先拿一个小模块测试统计平均每次任务消耗的 token再乘以预估任务量就能算出批量执行的成本上限。7. 接口 API 与批量任务工具交互模式适合人工使用但企业级落地离不开 API 和批量任务。Claude Code 和 Codex 都支持非交互模式可以把结果输出到标准输出方便写脚本批量调用。7.1 非交互模式Claude Code 常见的非交互模式是使用-p参数claude -p review the code in src/main/java/com/example/OrderService.java in Chinese, output issue tableCodex 也有类似的非交互执行方式具体命令以官方文档为准整体思路是“传一段指令拿到结果进程退出”。非交互模式的好处是不会卡在对话界面适合在 CI 流程和批处理脚本里使用。7.2 批量代码审查脚本批量任务最容易踩的坑是任务太多、并发太猛、超时没控制、失败没重试。下面给一个 Python 批量调用模板使用前需要改成你自己的项目路径和实际命令import subprocess files [ src/main/java/com/example/OrderService.java, src/main/java/com/example/UserService.java, src/main/java/com/example/PaymentService.java, ] for file in files: print(f processing {file} ) try: result subprocess.run( [claude, -p, freview the code in {file} in Chinese, output issue table], capture_outputTrue, textTrue, timeout180, ) print(result.stdout) if result.stderr: print([stderr], result.stderr[-500:]) except subprocess.TimeoutExpired: print(ftimeout: {file}) except Exception as e: print(ferror: {file}, {e})批量任务建议控制并发数不要在脚本里开几十个进程同时调用每个任务加超时时间失败任务要记录日志后续统一重跑输出结果按文件保存方便 review。7.3 Java 服务接入大模型 API如果要把 AI 能力接进自己的 Java 业务系统比如做一个内部代码分析平台那就不应该直接依赖 CLI而是调用大模型 API。下面的代码是通用模板使用 Java 17 及以上版本的HttpClient调用 OpenAI 兼容接口实际接口路径和请求体格式要以模型厂商文档为准HttpRequest request HttpRequest.newBuilder() .uri(URI.create(https://api.deepseek.com/v1/chat/completions)) .header(Authorization, Bearer System.getenv(LLM_API_KEY)) .header(Content-Type, application/json) .POST(BodyPublishers.ofString(jsonBody)) .build(); HttpClient client HttpClient.newBuilder().connectTimeout(Duration.ofSeconds(10)).build(); HttpResponseString response client.send(request, HttpResponse.BodyHandlers.ofString()); System.out.println(response.body());这里最关键的一点密钥从环境变量读取不要硬编码在代码里。如果公司有统一的大模型网关应该先确认网关协议再决定是走 OpenAI 兼容格式还是 Anthropic 格式。8. 资源占用与性能观察Claude Code 和 Codex CLI 本身是本地 Node 进程启动后会占用一定的内存和 CPU但普通开发机完全扛得住。性能瓶颈通常不在工具本身而在三个地方模型响应延迟、token 消耗、项目文件规模。模型响应延迟取决于远端服务的负载和网络状况本地能做的优化是减少无效上下文。项目文件规模对性能影响很明显如果让工具直接扫描一个几万文件的巨型仓库上下文会很快被撑满响应变慢且结果质量下降。合理做法是用.gitignore或工具的忽略规则排除target、node_modules、dist等目录只让模型读取关键源码。如果你需要把模型部署在本地比如内网合规场景才需要关注显存。本地部署时显存占用取决于模型参数量、量化方式、上下文长度和并发请求数没有统一的“一定够用”的数字。建议先用小参数量模型跑通流程再逐步增大模型同时用nvidia-smi观察显存占用变化。nvidia-smi如果显存不够优先降低上下文长度、减少并发数、使用量化版本模型。这里没有魔法只能以实际测试数据为准。9. 常见问题与排查方法把这段时间社区里出现频率较高的问题整理成一张表遇到问题先按表排查。问题现象可能原因排查方式解决方案编辑器插件提示 unable to locate the codex cli binary编辑器找不到 codex 可执行文件终端执行which codex或where codex查看路径把 npm 全局 bin 目录加入 PATH或在插件设置里填完整路径切换模型基址后报 local proxy failed 相关错误本地转发服务配置与当前环境不一致检查环境变量是否同步更新查看服务日志统一模型服务地址配置重启终端后重试提示某个模型名 not recognized工具版本不识别该模型标识查看当前工具支持的模型列表换成服务方支持的模型名或升级工具版本提示 organization disabled claude subscription access账号/组织未开通订阅权限联系管理员确认订阅状态开通权限或使用有权限的账号调用第三方模型接口返回 401/403API Key 错误或密钥未加载检查环境变量是否在终端会话中生效用echo $OPENAI_API_KEY验证重新配置密钥批量任务跑一会儿就卡住并发过高或单个任务超时查看脚本进程和日志降低并发数增加超时和失败重试模型输出内容包含 HTML 标签或乱码终端编码问题或输出被工具拦截检查终端是否使用 UTF-8切换终端编码关闭影响输出的中间层工具能启动但读不到项目文件工作目录不对或目录被忽略规则排除检查当前目录和配置项切到项目根目录调整忽略规则Java 服务调用大模型时 OOMJVM 堆内存不足或响应体过大查看 JVM 日志和响应大小调整-Xmx限制响应长度使用流式解析排查问题的通用思路是先看终端报错原文再确认环境变量和网络连通性最后用最小复现脚本隔离问题。不要一上来就重装工具那样容易把真正的问题掩盖掉。10. Java AI 大模型面试重点与 3 天学习路线10.1 面试官真正考察什么Java AI 大模型方向的面试已经不满足于“你知道大模型吗”这种开放式问题。面试官通常会从三个角度提问第一Java 工程能力比如集合、并发、JVM、Spring 生命周期这些基础问题第二AI 应用集成能力比如怎么在 Java 服务里调用大模型 API、怎么做流式输出、怎么处理超时重试第三Agent 工程化理解比如 Skill 和 MCP 的区别、Function Calling 的作用、RAG 的基本链路。只背 Java 八股文的候选人在第三类问题上往往答不出实际细节。10.2 3 天学习路线天数学习重点实操任务产出第 1 天安装 Claude Code 和 Codex跑通基础对话、代码生成、代码审查用两个工具各做一次 Java 代码重构和一次代码审查记录每个工具的优缺点和常见报错第 2 天理解 Skill、MCP、Agent 的区别学习 Skill 开发流程在自己的 Java 项目里写一个代码审查 Skill 或日报 Skill一个可以复用的 Skill 文件第 3 天API 调用、批量任务、面试问答整理跑一次批量代码审查脚本整理 10 个高频问题的回答思路批量任务脚本 面试笔记这套路线的核心不是把工具用得多花哨而是建立完整链路会安装、会接入模型、会写 Skill、会写批量脚本、能讲清楚原理。有了这个链路不管面试题怎么换你都有素材可以讲。10.3 面试实操项目建议面试时不要只展示“我用过 Claude Code”这个信息量太弱。更好的展示方式是在 GitHub 上找一个开源 Java 项目用自己写的代码审查 Skill 扫描一遍输出问题清单挑 3 个真实问题提修复 PR。整个过程中的工具安装、Skill 设计、批量脚本、修复验证都可以写进项目说明。面试时把这个项目讲清楚比贴一堆背诵内容有效得多。11. 最佳实践与使用建议第一保留一套最小可运行配置。把 Node 版本、安装命令、环境变量、常用脚本整理成一个文档环境出问题时可以快速重建。第二密钥严格管理。所有 API Key 使用环境变量或密钥管理服务禁止提交到 Git 仓库禁止截图到外部平台。第三批量任务必须加日志和重试。批量跑代码审查时每个任务记录输入文件、输出结果、耗时、失败原因失败任务自动或手动重跑不要把日志只输出到控制台。第四Skill 先窄后宽。先从一个具体任务开始比如“Java 代码审查”跑通后再扩展成“Java 代码审查 单元测试生成”不要第一天就设计一个覆盖所有开发场景的大而全的 Skill。第五输出要人工复核。AI 工具生成的代码只能作为候选人不能直接在主干分支执行高危操作如删除文件、批量修改、推送远端要先经过人工确认。第六涉及代码出网、第三方模型、内部数据的场景先和合规、安全团队对齐再推进。12. 总结Claude Code 和 Codex 这类工具已经过了“尝鲜期”现在更值得做的是把它们的输出沉淀成可复用资产。这篇文章的核心链路是跑通安装和模型接入理解 Skill / MCP / Agent 的边界写一个属于自己的 Java 代码审查 Skill用非交互模式跑批量任务再把这些工程经验整理成面试素材。最容易踩的坑有三个一是密钥管理不到位二是 Skill 设计得过大过空三是批量任务没有超时和重试。建议先选一个小项目按第 4 章和第 7 章的步骤各跑通一遍再往面试和团队推广的方向扩展。后续可以继续深入的方向包括让 Skill 自动调用 MCP 工具、在 CI 流水线里集成代码审查、探索本地部署模型与 CLI 工具的组合。先把第一条链路跑通后面自然会知道下一步该怎么选。