使用Claude Code（Fable 5）和Codex，从零开始复刻经典游戏《坦克大战》和《超级玛丽》，并实现3D升级。整个过程无需编写代码或设计图片，只需用自然语言描述需求，AI自动完成游戏逻辑、贴图生成、3D渲染、测试验证等全部工作。效果：完整复刻经典玩法，3D版支持视角拖拽、旋转，贴图自动生成与切图，零人工干预。

本场景面向工程技术团队，解决AI编程从Demo到企业级生产系统落地时面临的AI失忆、上下文污染、代码质量不可控等工程化难题。核心方法是基于Claude Code构建五层记忆体系、Hooks质量门禁、动态工作流等Harness工程实践，通过结构化上下文、确定性验证和编排模式，让AI在百万行级代码库中稳定、可控、可校验地完成长周期任务。实测表明，同一模型通过Harness优化可在基准测试中从基线以下跃升至Top 5。

企业文档分散在 Confluence、飞书、本地文件夹，新员工上手慢、老员工找文档费时。本方案介绍用 Claude API + Chroma 向量数据库 + 简单 Python 脚本搭建私有知识库问答系统，无需专业工程师，4小时内可完成部署。

通过 Claude Code 接入 GitHub MCP 和 filesystem MCP，实现：PR 自动代码审查（指出潜在问题 + 安全漏洞）、函数级文档自动生成、单元测试用例自动补全。一次配置，每次提交自动运行，将开发工作流提效 40% 以上。 ## 直接回答 **这个工作流能做什么？** - PR 提交后自动生成 Code Review 意见（格式化输出，有具体建议） - 新增函数自动生成 JSDoc / Python docstring 注释 - 根据函数签名和实现自动生成单元测试用例 - 检测潜在安全问题（SQL注入、XSS、hardcoded secret） ## 配置步骤 ### 第一步：在项目根目录创建 .mcp.json ```json { "mcpServers": { "github": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-github"], "env": { "GITHUB_TOKEN": "ghp_your_token" } }, "filesystem": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "./src"] } } } ``` ### 第二步：在 CLAUDE.md 定义 Code Review 规则 在项目根目录创建 CLAUDE.md，写入： ``` ## Code Review 规则 当我说 "review PR #[number]" 时，请： 1. 用 github MCP 获取 PR diff 2. 检查：安全性/性能/可读性/测试覆盖 3. 严重问题标 🔴，建议改进标 🟡，优化点标 🟢 ``` ### 第三步：自动生成测试用例 在 Claude Code 中输入： "为 src/utils/payment.ts 中所有 export 函数生成单元测试，使用 Vitest，覆盖正常路径、边界值和异常情况" Claude Code 会： 1. 读取源文件（filesystem MCP） 2. 分析函数签名和实现逻辑 3. 生成完整测试文件，写入 __tests__/payment.test.ts ## 实测数据 - Code Review：平均 40 秒/PR（含 3-8 条有效意见） - 文档生成：100 个函数约 2 分钟 - 测试生成：覆盖率从 35% 提升到 72%（AI 生成的测试需人工审核）

本场景面向工程团队，提供从选型到生产落地的Agent记忆系统完整方案。基于行动-世界交互循环框架，对比长上下文、人工设计（RAG/外部记忆）、工具驱动三类记忆范式，通过WorldMemArena基准的四阶段诊断（写入、维护、检索、使用）定位记忆失效根源。帮助团队根据任务动态性、多模态需求和成本约束选择合适方案，并规避常见陷阱。

在 CI/CD 流水线中集成 AI 代码审查，每次 Pull Request 自动检测安全漏洞（SQL 注入、XSS、密钥泄露）、性能瓶颈、代码规范问题，并生成具体的修复建议。减少人工审查时间 60%，同时提升代码质量。