Репозиторий shanraisshan/claude-code-best-practice появился не от Anthropic — его собрал куратор из Пакистана, который систематизировал чужие наработки по Claude Code: субагенты, команды, скиллы, хуки, MCP, 13 методологий оркестрации и 83 совета по категориям. Часть материала — датированные твиты и выступления Бориса Черни (@bcherny), который и создал Claude Code. К июню 2026 года репозиторий вышел на первое место в GitHub Trending с 56 тысячами звёзд.
Черни сформулировал принцип, который стоит выделить отдельно: самое важное в работе с Claude Code — дать модели способ проверить собственный результат. Как только такой механизм есть, модель итерирует до приемлемого качества самостоятельно. Это не декларация, а рабочий паттерн: разница между «агент сообщил, что тесты зелёные» и «агент показал вывод тестов» принципиальна. Completion event и acceptance — не одно и то же. Черни также раскрыл собственный сетап: почти без кастомизации, каждая сессия начинается в plan mode (shift+tab дважды), план обсуждается, и только потом включается авто-режим. Его статистика — 141 PR, медиана 118 строк, всегда squash-merge — иллюстрирует ставку на мелкие частые изменения вместо редких крупных.
| Подход к поиску по коду | Преимущества | Слабости |
|---|---|---|
| Векторный поиск (RAG) | Семантическая близость, поиск по смыслу | Устаревание индекса, чанк ≠ логическая единица, низкая точность по символам |
| grep / ripgrep (agentic search) | Точность, актуальность, нет индекса | Высокий расход токенов при больших кодовых базах |
| Структурный индекс (AST / Graphify) | Точность + логическая структура кода | Требует построения и поддержки графа |
Про контекстное окно репозиторий фиксирует неочевидный эффект: качество ответов падает задолго до того, как окно заполняется — практически к 40% заполнения. В Claude Code с его миллионным контекстом за этим порогом нужно следить вручную. Paradox в том, что меньшие окна Codex и ChatGPT компактируются автоматически, и пользователь просто не думает о деградации. Миллион токенов превращается не в преимущество, а в дополнительную переменную, которую нужно контролировать.
Ключевой совет Бориса Черни: дать модели способ проверить собственный результат — тогда она итерирует до приемлемого качества.
Главный технический спор в материале — вокруг поиска по коду. Официальная позиция Anthropic, отражённая в репозитории: Claude Code не индексирует код, не строит эмбеддинги и не использует векторные базы данных. Инструмент работает через agentic search — glob и ripgrep — так же, как ищет человек. Черни на подкасте Latent Space (май 2025) и в треде на Hacker News подтвердил: ранний Claude Code использовал RAG с локальной векторной базой, но от него отказались. Причины структурные: векторный поиск проигрывает коду по точности (символ либо есть, либо нет), по актуальности (индекс устаревает), по гранулярности (чанк не равен логической единице кода). Слабость grep — расход токенов — решается специализированными search-моделями, а не возвратом к вектору.
При этом инструменты вроде Graphify, строящие граф знаний по кодовой базе на основе AST и tree-sitter, не противоречат этой логике — они работают на другом уровне. Связка ripgrep плюс структурный индекс (AST/граф) точнее, чем чистый grep или чистый вектор по отдельности. Черни признал, что выбрал agentic search «по ощущениям», а не по строгим замерам — его собственное признание на Latent Space. В поле, где модели обновляются каждые шесть недель, «лучшая практика» живёт около трёх месяцев, и собственные замеры ценнее любого чужого списка.
Из остального, что подтверждается на практике: запрос трёх-четырёх вариантов вместо одного — особенно эффективен на UI и UX-задачах, где дешевле выбрать из живых вариантов, чем описывать желаемое словами. Все 13 методологий репозитория при разных названиях — от Superpowers до Spec Kit — сводятся к одному скелету: Research → Plan → Execute → Review → Ship. Рынок методологий большой, паттерн под ним один.
