让 Claude Code 越写越像你：用 Hook 自动积累编码规范的实践-平芜编程栈

1. 为什么 AI 写的代码总差那么点意思

用 Claude Code 写代码有一段时间之后，很多人会碰到同一个别扭的地方：功能实现了，逻辑也没错，但代码读起来就是"不像自己写的"。方法命名的习惯不一样，返回值的处理方式不同，注释的位置也不对。每次让 AI 改代码，都要再花时间把风格对齐，或者干脆忍着。

解决这个问题最直接的办法，是把编码规范写进CLAUDE.md，让 AI 每次都照着来。这个方向没错，但有个现实问题——规范是写不完的。能提前写出来的规范都是大原则，真正让代码"有个人味"的那些东西，是在一次次具体改动中体现出来的。比如你偏好把 null 判断前置而不是层层嵌套，比如你不喜欢在 Service 层里写 if/else 分支，比如你觉得方法名里的 do 前缀是多余的。这些东西事先想不到，只有在被触动的那一刻才知道。

所以真正的问题变成了：怎么把这些"被触动的瞬间"自动记录下来，让它们沉淀成规范，再反过来约束 AI 的输出？这篇就围绕 Claude Code 的 Hook 机制，给出一套可跟做的方案：用 Hook 在工具调用前后自动抓取改动，生成摘要归档，定期提炼进CLAUDE.md，形成一个"越写越像你"的反馈回路。适合已经在用 Claude Code、并且希望团队编码规范能持续沉淀的开发者。

2. 前置准备：Hook 机制与 TaoToken 接入

Claude Code 的 Hook 机制允许在特定事件点执行自定义脚本，这是整套方案的技术基础。常用的事件有四个：UserPromptSubmit（用户提交 prompt 时）、PreToolUse（工具调用前）、PostToolUse（工具调用后）、Stop（对话结束时）。脚本通过 stdin 接收 JSON 数据，包含session_id、tool_input、prompt等字段，正常退出码为 0。

在动手写脚本之前，先把模型调用通道准备好。Hook 里的摘要生成需要调用模型，我用的是 TaoToken 提供的接口，它兼容 Anthropic 的调用格式，配置起来比较省事。官网地址是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 端点是 https://taotoken.net/api 。

拿到 API Key 的入口在这里：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 。如果你还没配好环境，可以先在模型对话页面确认通道是否正常：https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=model_chat&utm_campaign=rewrite 。长期跑编码任务、想让 Hook 稳定工作的，可以看下 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding_plan&utm_campaign=rewrite 。

环境变量建议这样设置，脚本里直接读：

export ANTHROPIC_BASE_URL="https://taotoken.net/api" export ANTHROPIC_API_KEY="你的_API_Key"

注意：Hook 脚本里调用模型时，不要硬编码 Key，从环境变量读取，避免把密钥写进会被提交的文件。

3. 可复制配置：settings.json 与四个 Hook 脚本

整套系统由四个脚本组成，分别挂在四个 Hook 事件上，数据流是这样的：UserPromptSubmit检测关键词并初始化追踪轮次，PreToolUse在修改前拍快照，PostToolUse在修改后拍快照，Stop生成 diff、调模型摘要、写文件。

3.1 settings.json 配置骨架

Hook 配置写在~/.claude/settings.json的hooks字段下，支持 matcher 正则过滤触发的工具名：

{ "hooks": { "UserPromptSubmit": [ { "matcher": "", "hooks": [ { "type": "command", "command": "python3 ~/.claude/hooks/opt_track.py" } ] } ], "PreToolUse": [ { "matcher": "Edit|Write|MultiEdit", "hooks": [ { "type": "command", "command": "python3 ~/.claude/hooks/opt_capture_before.py" } ] } ], "PostToolUse": [ { "matcher": "Edit|Write|MultiEdit", "hooks": [ { "type": "command", "command": "python3 ~/.claude/hooks/opt_capture_after.py" } ] } ], "Stop": [ { "hooks": [ { "type": "command", "command": "python3 ~/.claude/hooks/opt_write_record.py" } ] } ] } }

3.2 opt_track.py：关键词触发追踪

并不是每一轮对话都值得记录，只抓"有意识地让 AI 改代码"的时刻，用关键词做过滤：

import json, sys, os, time KEYWORDS = ['优化', '重构', '改进'] def main(): data = json.load(sys.stdin) session_id = data.get('session_id', 'default') prompt = data.get('prompt', '') session_dir = f'/tmp/claude-opt-{session_id}' os.makedirs(session_dir, exist_ok=True) index_file = os.path.join(session_dir, 'index') idx = int(open(index_file).read()) if os.path.exists(index_file) else 0 if any(kw in prompt for kw in KEYWORDS): idx += 1 open(index_file, 'w').write(str(idx)) os.makedirs(os.path.join(session_dir, 'changes', str(idx)), exist_ok=True) with open(os.path.join(session_dir, f'prompt-{idx}.txt'), 'w') as f: f.write(prompt) elif idx > 0: with open(os.path.join(session_dir, f'steps-{idx}.txt'), 'a') as f: f.write(prompt + '\n') sys.exit(0) main()

命中关键词时创建新的追踪轮次，记录 prompt 和当前工作目录；没命中但当前有活跃追踪的，把这条 prompt 追加为"执行步骤"，方便后续理解完整上下文。所有中间状态写在/tmp/claude-opt-{session_id}/里，按 session 隔离。

3.3 opt_capture_before.py：修改前快照

每次 AI 调用 Edit/Write/MultiEdit 前，把文件当前内容备份下来：

import json, sys, os, shutil def main(): data = json.load(sys.stdin) session_id = data.get('session_id', 'default') session_dir = f'/tmp/claude-opt-{session_id}' index_file = os.path.join(session_dir, 'index') if not os.path.exists(index_file): sys.exit(0) # 没有活跃追踪，直接放行 idx = open(index_file).read().strip() tool_input = data.get('tool_input', {}) file_path = tool_input.get('file_path') if not file_path or not os.path.exists(file_path): sys.exit(0) safe_name = file_path.replace('/', '_') before = os.path.join(session_dir, 'changes', idx, f'{safe_name}.before') if not os.path.exists(before): # 每个文件每轮只拍一次 shutil.copy2(file_path, before) sys.exit(0) main()

有个细节值得强调：每个文件每轮只拍一次。如果 AI 对同一个文件做了多次修改，只保留最原始的版本，这样生成的 diff 才能反映完整的变化量。

3.4 opt_capture_after.py：修改后快照

每次修改完，把文件内容备份到.after文件，这里是每次都覆盖，保留最终状态：

import json, sys, os, shutil def main(): data = json.load(sys.stdin) session_id = data.get('session_id', 'default') session_dir = f'/tmp/claude-opt-{session_id}' index_file = os.path.join(session_dir, 'index') if not os.path.exists(index_file): sys.exit(0) idx = open(index_file).read().strip() tool_input = data.get('tool_input', {}) file_path = tool_input.get('file_path') if not file_path or not os.path.exists(file_path): sys.exit(0) safe_name = file_path.replace('/', '_') after = os.path.join(session_dir, 'changes', idx, f'{safe_name}.after') shutil.copy2(file_path, after) sys.exit(0) main()

before 和 after 凑成一对，就能算出本轮的完整 diff。

3.5 opt_write_record.py：生成记录

对话结束时触发，做三件事：生成 diff、调模型生成摘要、写入 Markdown 文件。

import json, sys, os, difflib, datetime, urllib.request def gen_diff(before_path, after_path): before = open(before_path).readlines() after = open(after_path).readlines() return ''.join(difflib.unified_diff( before, after, fromfile='修改前', tofile='修改后', n=3)) def summarize(context): payload = json.dumps({ "model": "claude-haiku-4-5", "max_tokens": 300, "messages": [{"role": "user", "content": "以下是一次代码优化会话的内容，请用 2~4 句话总结：" "核心改动是什么，体现了哪些代码设计原则或最佳实践。\n\n" + context + "\n\n只输出总结内容，不要其他说明。"}] }).encode() req = urllib.request.Request( os.environ['ANTHROPIC_BASE_URL'] + '/v1/messages', data=payload, headers={ 'content-type': 'application/json', 'x-api-key': os.environ['ANTHROPIC_API_KEY'], 'anthropic-version': '2023-06-01' }) resp = json.loads(urllib.request.urlopen(req).read()) return resp['content'][0]['text'] def main(): data = json.load(sys.stdin) session_id = data.get('session_id', 'default') session_dir = f'/tmp/claude-opt-{session_id}' index_file = os.path.join(session_dir, 'index') if not os.path.exists(index_file): sys.exit(0) idx = open(index_file).read().strip() changes_dir = os.path.join(session_dir, 'changes', idx) if not os.path.isdir(changes_dir): sys.exit(0) now = datetime.datetime.now() out_dir = os.path.join('代码规范积累', now.strftime('%Y-%m')) os.makedirs(out_dir, exist_ok=True) out_file = os.path.join(out_dir, now.strftime('%Y%m%d-%H%M%S') + '.md') blocks = [] for name in os.listdir(changes_dir): if name.endswith('.before'): base = name[:-7] after = os.path.join(changes_dir, base + '.after') if os.path.exists(after): diff = gen_diff(os.path.join(changes_dir, name), after) blocks.append(f"### 文件：`{base}`\n\n```diff\n{diff}\n```") context = '\n\n'.join(blocks) summary = summarize(context) if context else '本轮无有效改动' with open(out_file, 'w') as f: f.write(f"# 代码优化记录 {now.strftime('%Y-%m-%d %H:%M:%S')}\n\n") f.write(f"## 摘要\n\n{summary}\n\n---\n\n") f.write(context) sys.exit(0) main()

用 Haiku 而不是主模型，是为了省成本——摘要任务不需要很强的模型。归档目录按月份组织：

代码规范积累/ └── 2026-04/ ├── 20260401-143022.md ├── 20260415-090531.md └── 20260428-165847.md

4. 验证请求：一次触发与结果确认

配置好之后，需要验证 Hook 是否真的生效。下面走一遍完整流程。

第一步，确认脚本可执行、路径正确：

chmod +x ~/.claude/hooks/*.py ls -la ~/.claude/hooks/

第二步，在 Claude Code 里提交一个带关键词的 prompt，比如"帮我重构一下 UserService，把 null 判断统一提到方法入口"。这一步会触发UserPromptSubmit，opt_track.py创建追踪轮次。

第三步，让 AI 实际修改文件。此时PreToolUse和PostToolUse会分别拍下 before 和 after 快照。检查临时目录：

ls /tmp/claude-opt-*/changes/1/ # 期望看到类似： # src_main_java_UserService.java.before # src_main_java_UserService.java.after

第四步，结束对话，触发Stop事件。检查归档目录：

ls 代码规范积累/2026-04/ cat 代码规范积累/2026-04/20260428-165847.md

期望看到的内容结构大致是：

# 代码优化记录 2026-04-28 16:58:47 ## 摘要 本次优化将 Service 层中散落的 null 判断统一前置，避免了深层嵌套。 提取了重复的校验逻辑为私有方法，体现了单一职责原则。 --- ### 文件：`src_main_java_UserService.java` ```diff - if (user != null) { - if (user.getStatus() != null) { + Objects.requireNonNull(user, "user must not be null"); + if (user.getStatus() == null) {

如果摘要和 diff 都正常出现，说明 Hook 生效了。接下来把提炼出的规则写进 `CLAUDE.md`，让后续会话读取。`CLAUDE.md` 放在项目根目录，写法上建议按"规则 + 反例"组织： ```markdown ## 编码规范 ### 空值处理 - 方法入口统一用 Objects.requireNonNull 做前置校验 - 禁止多层嵌套的 null 判断，优先提前返回 ### 命名 - 方法名不加 do 前缀 - Service 层方法名体现业务动作，不体现技术实现 ### 分层 - Service 层不写 if/else 分支，分支逻辑下沉到策略类

这样下一次会话开始时，Claude Code 会自动读取CLAUDE.md，AI 的初稿就会向这些规则靠拢。整个循环跑起来之后，规范会越来越准确，需要手动对齐的次数自然减少。

5. 本篇常见错排查

5.1 Hook 没触发，临时目录是空的

先确认settings.json的 JSON 格式合法，可以用python3 -m json.tool ~/.claude/settings.json校验。再确认脚本路径是绝对路径或~展开正确，Hook 执行时的工作目录不一定是你以为的那个。另外检查脚本是否有可执行权限。

5.2 PreToolUse 脚本报错阻断了工具调用

PreToolUse的脚本若返回非 0，会阻断当次工具调用。所以opt_capture_before.py在找不到 session 追踪时直接sys.exit(0)而不报错。如果你自己改脚本，务必保证所有异常分支都exit(0)，否则 AI 会改不动文件。

5.3 摘要生成失败或超时

多半是环境变量没读到。Hook 执行时的环境和你终端里的环境可能不同，建议在脚本里显式读取，或者把变量写进 shell 的启动文件。另外确认ANTHROPIC_BASE_URL指向的是 https://taotoken.net/api ，不要带多余路径。如果一直失败，可以先在模型对话页面单独测一下通道是否通。

5.4 diff 是空的

检查 before 和 after 文件是否成对存在。常见原因是PostToolUse的 matcher 没覆盖到实际使用的工具名，比如你用的是MultiEdit但 matcher 里漏了。matcher 是正则，Edit|Write|MultiEdit这种写法要确认没有拼写错误。

5.5 关键词过滤漏记录

用"优化/重构/改进"触发追踪，会漏掉一些有价值的改动。比如直接说"把这个方法改一下"，就不会被记录。后续可以考虑换成"所有有文件修改的对话都记录"，让整理阶段来做筛选，而不是记录阶段。这个取舍看你对记录量的容忍度。

6. 把规范沉淀变成被动发生的事

这套方案的本质是个反馈回路：用 AI 改代码，自动记录，人工提炼，写进规范，AI 再按规范写代码。规范的准确性会随着时间提升，因为它是从真实行为里归纳出来的，而不是提前猜测的。

我大概每两周做一次整理：翻看代码规范积累/下最近的文件，找出多次出现的同类改动，这意味着这是我真实的习惯，然后提炼成一条规则写进代码风格.md，再同步到工作项目的CLAUDE.md里作为 AI 的编码约束。

如果你也在用 Claude Code，可以把这几个脚本直接拿去用，按自己的关键词触发逻辑和归档路径改一改就行。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，控制台在 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，需要管理密钥的去 API Keys 页面：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api_keys&utm_campaign=rewrite 。跑通之后你会发现，记录比想象中多，原来在无意识的情况下，已经在持续地用 AI 做小规模的代码调整了。