为什么 PM 要用 Claude Code——而非 Claude.ai

1.1 选对工具，每周节省数小时

一位客户报告了你结账流程中的严重 bug。工程团队正在全力冲刺季度路线图。你需要分类判断：真实 bug 还是用户操作失误？影响范围多大？归属哪个团队？你只能等工程团队切换上下文、完成调查、提交报告。两天过去了，这个 bug 仍然停留在分类状态。

或者：你在自己的仓库中打开 Claude Code，问一句"结账验证是如何工作的？请展示一下空支付方式可能绕过校验的位置"，10 分钟内就能获得附带纯英文解释的文件引用。你把调查结果连同具体代码位置整理成文。工程团队直接确认并修复，无需额外发现阶段。总耗时：15 分钟。

这两种情形的差异在于工具选择。大多数 PM 因为熟悉而默认用 Claude.ai 处理一切，然后困惑为什么 AI 没有改变自己的工作流。网页界面能很好地处理对话式任务，但在对 PM 最重要的那些工作中却力不从心：深入调查代码库、生成属于仓库的制品、构建可重复的流程。

你有三种访问 Claude 的方式：Claude.ai 网页界面、API，以及 Claude Code。API 是给构建集成的工程师用的。Claude.ai 和 Claude Code 都面向 PM，但二者解决的是不同问题。选错工具代价高昂。

Claude Code 是一个智能体，拥有文件系统访问权限、shell 命令执行能力，并且能跨会话持久化上下文。当你的工作涉及文件、代码仓库或可重复流程时（无论你是否专业写代码），这些能力就格外重要。

选错工具的隐性成本如下：你在 Claude.ai 上花 30 分钟解释代码库上下文，要求它分析存储在 CSV 中的客户反馈，并生成一份综合文档。它给了你一份深思熟虑的回复。你复制粘贴到 Google Doc 中。两周后，你需要对新一轮反馈运行同样的分析。一切从零开始：同样 30 分钟的背景说明，同样的手动导出，同样的复制粘贴。至此你在这项任务上花了一个小时，而 Claude Code 通过一个可复用的 skill 只需 5 分钟。

图 1.1：工作流对比——用于理解选错工具的隐性成本。左侧：手动复制粘贴工作流，每次都重复上下文说明、手动导出和重新格式化。右侧：基于 skill 的自动化，设置只需一次，后续每次运行只需 5 分钟而非 30 分钟。

或者，你需要理解结账流程的工作原理，因为有一个严重 bug 报告送来了。你去问工程团队，但他们正在冲刺规划中。你尝试用 Claude.ai，但你不可能上传整个代码库，缺乏上下文时它的回答只能泛泛而谈。你只能等。工程团队明天才能回复你。这个 bug 又多搁置了一天。如果你用了 Claude Code，10 分钟内你就能得出一个有根因假设的调查结论，并附上相关文件和函数的具体引用。

工具选择问题的核心在于任务持久性和数据访问能力。当工作存在于文件中、需要迭代、或者要做不止一次时，网页界面强加的手动开销会在每次重复中叠加放大。Claude Code 通过直接在你的工作空间中运行，消除了这种开销。

大多数 PM 是通过浪费来发现这一点的。他们用 Claude.ai 好几周，后来才意识到自己一直在把相同的上下文复制到每段对话中，手动重新格式化输出，重做本应自动化的工作。切换成本看似很高：安装、学习命令、理解权限模式。但浪费成本更高，而且是在无声地累积。

决策不在于技术能力的高低，而在于你的工作是否涉及需要反复操作的文件，或者这只是一次性问题。诚实地回答这个问题，工具选择自然就清晰了。

1.2 Claude Code 如何工作：自主行动胜过对话

Claude Code 是一个智能体运行时。这是技术术语。对于产品经理来说，这意味着 Claude 能够行动而不仅仅是回应。当你向 Claude.ai 提问时，它思考并回答。当你向 Claude Code 提问时，它思考、读取文件、运行命令、生成制品、检查自己的工作，然后才回答。区别在于自主性。

这一点非常重要，因为 PM 的工作很大程度上是关于跨分散来源的信息综合。需求在 Jira 中，客户反馈在 Zendesk 导出文件中，实现细节在代码库中，市场研究在书签 URL 和凌乱的笔记中。获得一个连贯的答案需要从所有这些来源提取信息，而手动完成这一切会耗费好几个小时。

Claude Code 在你的项目目录中运行，拥有 Claude.ai 从根本上缺少的五项能力。理解这些能力，你就能判断何时需要智能体而不仅仅是对话。

图 1.2：五大核心能力——用于理解 Claude Code 能做到而 Claude.ai 做不到的事情。文件系统读写访问、shell 命令执行、通过 CLAUDE.md 实现持久化项目上下文、用于并行工作的子智能体派发，以及通过 MCP 集成外部系统。这些能力实现了代码库调查、制品生成和可重复工作流。

文件系统读写访问。Claude Code 可以打开项目中的任何文件，阅读、理解并写入新文件或修改现有文件。这听起来很基础，直到你意识到 Claude.ai 需要你复制粘贴一切。分析反馈时需要引用 PRD？用 Claude.ai 的话，你要粘贴 PRD、粘贴反馈、请求综合分析，然后手动保存输出。用 Claude Code，你只需指向 docs/prd.md 和 data/feedback.csv，它就会直接在仓库中生成 analysis/synthesis.md。无需剪贴板，无需手动格式化，不会出现粘贴错误。

对于 PM 来说，这意味着调查输出会保留在它们应该在的地方：在版本控制中，与它们引用的代码并列，对团队可访问。你的代码库分析变成了一份 markdown 文件，工程团队可以阅读、评论和更新。

Shell 命令执行。Claude Code 可以运行终端命令。对于 PM 来说，这主要意味着 git 操作（查看历史记录、比较分支、查看谁改了什么）以及运行那些你自己不会写但能说清需求的分析脚本。

具体例子：你需要了解某个功能是什么时候引入的、谁参与了开发。你可以请工程团队运行 git log 并解读结果，也可以直接问 Claude Code："结账流程的二步验证是什么时候添加的，当时的理由是什么？"它运行 git 命令，读取相关提交记录和文件变更，然后告诉你来龙去脉。无需打扰工程团队。

这让终端能力通过自然语言变得可用，无需专业知识。

通过 CLAUDE.md 实现持久化项目上下文。每次打开 Claude.ai，你都是从头开始。每次在项目目录中启动 Claude Code，如果存在 CLAUDE.md 文件，它就会读取这个文件：该文件包含跨所有会话持久化的项目特定上下文。

对于 PM 来说，这个文件可能包含你的产品领域词汇表、映射到代码区域的关键用户旅程、团队约定、外部文档链接，以及常见调查问题的答案。你只需构建一次这样的上下文，后续每次会话开始时就已拥有充分的信息。不再需要每次对话都加一段"这是我们产品做什么"的开场白。

这就是聪明助手和团队成员的区别。团队成员有上下文。拥有维护良好的 CLAUDE.md 的 Claude Code 就有上下文。

子智能体派发。Claude Code 可以启动额外的 Claude 实例来并行处理子任务或以专门聚焦的方式工作。作为 PM，你很少直接调用它，但它支撑着复杂的工作流。

例如：你要求 Claude Code 准备一份竞品分析，将你的产品与三个竞争对手在功能、定价和定位方面进行比较。它不是按顺序依次处理，而是可以派发三个子智能体（每个竞品一个）并行研究，然后将结果汇总为对比矩阵。原本需要你花三个小时在各标签页间切换的工作，10 分钟即可完成。

这里的成本是真实的（你在同时运行多个 Claude 实例），但对于高价值的研究任务，节省的时间往往值得投入。

通过 MCP 集成外部系统。Model Context Protocol 让 Claude Code 能够连接到外部工具：Jira、Slack、Figma、数据库、分析平台。这是最新的能力，也是入门时最不必要的能力，但它消除了扼杀动力的导出-导入循环。

无需将 Jira 工单导出为 CSV、上传到 Claude.ai、再将结果复制粘贴回来，Claude Code 可以直接查询 Jira、就地分析，并将结果更新到工单中。整个工作流保持在同一个环境中。第 10 章会详细讨论这点，但目前你只需要知道这是可行的，而且在掌握基础后非常强大。

这五项能力有一个共同模式：它们消除了思考和行动之间的手动交接。Claude.ai 负责思考，你来完成工作。Claude Code 思考并行动，然后把结果展示给你审批。一次性问题用哪个都可以。可重复的 PM 工作流则受益于自主性。

智能体循环是 Claude Code 的实际运行方式。你给它一个目标。它规划一个方案。它执行一步（读取文件、运行命令、生成制品）。它观察结果。它决定是继续迭代还是停止。然后向你汇报。

图 1.3：智能体循环——用于理解 Claude Code 的运行方式。持续循环：接收目标 → 规划方案 → 执行步骤（读取文件、运行命令、生成制品）→ 观察结果 → 决定继续迭代或停止 → 汇报。正是这个循环让 Claude Code 的会话体验与对话不同——你看到的是智能体在逐步解决问题。

正是这个循环让 Claude Code 的会话体验不同于 Claude.ai 的对话。你看着智能体逐步解决一个问题，能看到每一步，并且对关键操作保持否决权。一开始可能会觉得它过于啰嗦（"现在我要读取这个文件"），但这能建立信任。你看到它在做什么，然后它才去执行。

对于习惯了要么每一步都需要手动操作、要么像黑箱一样运行的工具的 PM 来说，这种中间状态需要适应。Claude Code 在展示其工作过程的同时完成工作本身。这是一种你保持监督的协作模式。

Claude Code 是一个拥有工作空间访问权限和持久化能力的智能体。它和 Claude.ai 使用同一个模型，但拥有不同的能力：文件操作、shell 命令和上下文保留。这些能力解决的是特定的 PM 问题，因此下一节将提供一个选择正确工具的决策框架。

1.3 何时使用哪个工具的决策方法

在 Claude.ai 和 Claude Code 之间做选择归结为三个问题：这个任务需要读取或写入文件吗？你会再次做这个任务吗？输出需要存放在版本控制中吗？如果任何一个答案是"是"，就用 Claude Code。如果三个答案都是"否"，就用 Claude.ai。

大多数 PM 都搞反了。他们因为熟悉而默认使用 Claude.ai，然后在需要引用文件或重复工作流时才发现摩擦。从一开始就选对工具能省去后面的迁移成本。

图 1.4：工具选择决策树——用于为每个任务选择合适的工具。三个问题：需要文件吗？会再做一次吗？输出需要版本控制吗？任一答案为"是"→ Claude Code。全部为"否"→ Claude.ai。不确定时默认以只读模式使用 Claude Code。

以下是十二种常见 PM 场景的参考表。收藏本页。

任务	工具	理由
起草利益相关者邮件	Claude.ai	一次性对话任务，不需要文件
利用代码库调查 bug 报告	Claude Code	需要读取代码、git 历史记录、生成制品
头脑风暴功能创意	Claude.ai	探索性对话，不需要持久性
分析客户反馈 CSV	Claude Code	文件输入、结构化输出、可能重复使用
从文档中解释技术概念	Claude.ai	快速回答，无需文件操作
从 git 历史生成发布说明	Claude Code	需要 git 命令、文件输出、每月可重复
基于研究笔记撰写 PRD 章节	Claude.ai	如果笔记在脑子里用 Claude.ai；如果在文件里用 Claude Code
理解功能 X 是如何实现的	Claude Code	需要代码库导航和上下文持久性
竞品功能对比	Claude Code	如果可重复用 Claude Code；一次性用 Claude.ai
综合用户访谈转录文稿	Claude Code	多文件输入、结构化输出制品
审阅并改进 API 文档	Claude Code	需要读取仓库中的文档、建议文件编辑
从零创建用户画像	Claude.ai	初始草稿用对话方式；如果是数据驱动的用 Code

规律：Claude.ai 负责思考，Claude Code 负责执行。需要将输出复制到另一个工具的任务，说明更适合用 Claude Code。

"我会再做一次吗？"这个启发式问题是最快的决策规则。如果你会每周运行这个分析、每月创建这份报告、或者反复调查这类问题，Claude Code 的初始设置成本能立即获得回报。即使第一次运行花费更长时间（学习命令、构建提示词、保存 skill），第二次运行就能快 10 倍。

PM 总是低估重复性。你以为只是在做一份竞品分析，实际上你正在建立一个季度评审流程。你以为只是在写一个用户故事，实际上你正在定义一个将用于后续 50 个故事的模板。如果存在任何重复此任务的可能性，倾向于用 Claude Code，现在就构建可复用工作流。

反过来，如果这确实是一次性的（起草某条特定消息、探索一个模糊概念、获取快速答案），Claude.ai 更快。无需设置，无需学习曲线，问了就走。在目录中启动 Claude Code、授权权限、构建文件输出的开销，只有在你能分摊这些成本时才有意义。

当你真的不确定时，默认以只读模式使用 Claude Code。用 --permission-mode plan 标志启动它，这会阻止任何修改。提出你的问题。如果 Claude Code 的回答涉及"我会读取这些文件并生成这个制品"，说明你选对了工具。如果回答纯粹是对话性质的，没有任何文件引用，那你本可以用 Claude.ai。久而久之，这种判断会变得本能。

一个边缘情况：协作工作。如果输出需要由工程团队审阅、存放在仓库中、或融入 CI/CD 流程，那么无论重复性如何，都需要 Claude Code。一份存放在 docs/ 中的调查总结，与它引用的代码并列，比 Slack 消息中的同样内容有价值得多。基于文件的制品能持久存在，链接到具体提交，并与团队工作流集成。对话式输出则会消失。

这个框架帮助你根据任务需求匹配合适的工具能力。两个工具使用同一个模型。区别在于文件访问、命令执行和持久性。大多数 PM 的工作涉及文件、迭代和协作。Claude.ai 优雅地覆盖了 30% 的 PM 用例，而 Claude Code 处理另外 70% 能真正改变你工作方式的用例。

1.4 PM 需要 Claude Code 的三大用例

三类 PM 工作需要 Claude Code 的能力。如果你的任务属于以下任何一类，选择就已经明确。

图 1.5：三大 PM 用例——用于识别何时 Claude Code 必不可少。代码库调查（无需亲自阅读代码即可理解实现）、上下文制品生成（引用并与代码同步的文档），以及可重复工作流（编码了 PM 周期性流程的 skill）。如果你的工作涉及以上任何一项，Claude Code 就成为必不可少的基础设施。

代码库调查。你需要理解某些东西的工作原理，但你不会流畅阅读代码，而工程团队有其他优先事项。这是 Claude Code 对 PM 最经典的用例。

一位客户报告说折扣码在不该叠加的时候叠加了。工程团队正全力冲刺季度目标。你需要分类判断：这是真实 bug 还是用户操作失误？如果是真的，有多严重？大概的影响范围是什么？

在仓库中打开 Claude Code。提问："折扣码验证是如何工作的？请展示在单个订单中可能叠加应用多个折扣的位置。"几分钟内，你就能获得文件引用、用通俗英文解释的函数功能，以及关于这个 bug 的假设。你把包含具体代码位置的调查报告整理出来。工程团队看到报告，确认问题，无需通常的发现阶段即可修复。PM 总耗时：15 分钟。节省的工程时间：一小时调查加上多轮来回沟通澄清。

这种模式不断重复。"认证是如何工作的？""支付失败时会发生什么？""应用在哪里检查订阅状态？"这些问题需要阅读代码、追踪数据流、理解实现细节。Claude Code 通过自然语言查询提供这些能力。

输出存放在 docs/investigations/ 或相关工单旁。当类似问题再次出现时，未来的你会受益。未来加入的团队成员受益于被记录下来的机构知识。调查结果变成了一个制品，而不是一段丢失的对话。

上下文制品生成。你需要创建一份引用你的代码库、引用外部研究、或者需要与代码变更保持同步的文档。文档的价值来自于它与仓库的集成。

例子：一份引用当前 API 能力并链接到相关文件的 PRD。从 git 历史记录和 Jira 工单生成的发布说明，用你的产品风格撰写。竞品分析，每季度以相同结构更新并存放在 research/competitors/ 中。随实现演进而保持更新的文档。

Claude.ai 可以撰写这些文档，但你需要手动提供上下文、手动保存输出，并在发生变化时手动更新。Claude Code 从你的仓库读取信息，通过 MCP 从外部来源拉取数据，就地生成制品，并且能在你需要下次更新时重新运行工作流。

第一次季度竞品分析作为 skill 设置需要 30 分钟。第二次只需要 5 分钟运行。第三、四、五次各只需 5 分钟。你构建了一个生成一致输出的可重复流程，而且制品存放在版本控制中，团队可以看到它的演进。

可重复工作流。你定期做同类任务：每周反馈综合分析、每月发布规划、每季度路线图更新、按功能的用户故事生成。具体输入每次不同，但流程是稳定的。

这就是 skill 发挥作用的地方。skill 是存储在 .claude/skills/ 中的文档化工作流，Claude Code 按需执行。你定义一次流程：所需输入、执行的步骤、输出格式、质量标准。然后你调用它："对 data/customer-feedback-nov-2024.csv 运行 feedback-synthesis"，Claude Code 执行这个工作流。

没有 skill 时，你每次都要重复相同的指令（解释分类方案、输出格式、综合深度）。有了 skill，工作流被编码。你只需关注输入和审查输出。认知负担从"准确记住上个月我是怎么做的"降低为"运行那个东西"。

第 8 章和第 9 章深入介绍了 skill。目前你只需要知道：如果某件事你做超过两次，你就该考虑构建一个 skill。投入的努力在第三次运行时就回收了。

这三大用例——代码库调查、上下文制品生成和可重复工作流——涵盖了 PM 应用 Claude Code 的大部分高价值场景。如果你的工作中不涉及这些，Claude.ai 可能就足够了。如果你的工作三样都涉及，Claude Code 就成为必不可少的基础设施。

1.5 开始之前，了解得失

Claude Code 解决了真实的问题，但它带来的成本和约束是 Claude.ai 可以避免的。

学习曲线。你需要安装它、理解权限模式、学习基本命令，并培养何时使用哪些能力的直觉。这需要数小时的动手练习。网页界面无需安装，开箱即用。对于那些偶尔需要 AI 协助但很少与代码仓库打交道的 PM 来说，切换成本可能超过收益。

预期第一周会感觉效率低下。你会手忙脚乱地操作命令，忘记在想用只读模式时设置了可写模式，然后怀疑这么做是否值得。到第二周，如果你用在正确的任务上，效率提升就会变得显而易见。到第四周，你会抗拒使用 Claude.ai，因为相比之下它显得太受限了。但最开始那几次会话确实会让人不太适应。

成本可见性和预算管理。Claude.ai 采用订阅定价：固定月费，在速率限制内无限使用。Claude Code 采用 API 定价（按消耗的 token 付费）。对于探索性较强的 PM 工作，token 消耗可能难以预测。读取大型代码库、派发多个子智能体、或运行复杂的综合分析任务，可能会以订阅定价掩盖的方式快速消耗你的月度预算。

第 2 章详细介绍了成本管理。简短版：为典型的 PM 使用量预算 $50-150/月，每次会话后用 /cost 监控，成本攀升时用 /compact 减少上下文。如果你对可变成本感到不安或没有预算审批权，尽管有局限性，Claude.ai 的固定定价可能更适合你。

企业部署。许多组织限制 API 访问，要求对具有文件系统访问权限的工具进行安全审查，或禁止连接到外部服务。Claude Code 需要一个 Anthropic API 密钥并以本地文件权限运行。如果你所在组织的安全策略禁止这样做，你就只能使用他们批准的官方工具（很可能只有网页界面）。

这不是 Claude Code 的限制，而是企业 IT 治理的现实。去争取批准使用是有可能的，尤其是你能先在个人项目上证明其价值，但要做好多周审批流程的准备。

何时 Claude.ai 确实更好。快速问题、头脑风暴讨论、你把内容粘贴进去希望获得对话式反馈的草稿审阅、任何尚未定义输出或不需要文件操作的探索性事务。网页界面打开更快，无需为权限操心，可以在任何设备上使用而无需安装。

如果你发现自己在用 Claude Code 处理更适合网页界面的任务，那说明你在优化错误的事情。两个工具的存在是因为它们服务于不同的需求。为每个任务选择合适的工具，而不是把一切强行塞进你偏好的界面。

1.6 双工具思维模型

两个工具，相同的智能，不同的能力。基于任务需求选择，而非基于哪个界面让人更熟悉。

Claude.ai：对话式助手。你说话，它回应。每次对话从头开始。输出保留在对话历史中，除非你手动复制到别处。适合思考问题、获取快速答案、起草不需要与文件或代码仓库集成的内容。零设置成本、零学习曲线、固定订阅定价。

Claude Code：拥有工作空间访问权限的自主智能体。你设定目标；它读取文件、运行命令、生成制品并报告结果。对话建立在 CLAUDE.md 的持久化项目上下文之上。输出写入你的文件系统，经过版本控制，对团队可访问。适合代码库调查、制品生成和可重复工作流。需要安装和学习，可变 API 成本，更高的认知负担。

决策框架：

• 这个任务涉及文件吗？→ Claude Code
• 我会再做一次这个任务吗？→ Claude Code
• 输出需要存放在代码仓库中吗？→ Claude Code
• 这是一次性的对话式任务吗？→ Claude.ai
• 我是在做没有明确输出的头脑风暴吗？→ Claude.ai

大多数 PM 会定期使用两个工具。Claude.ai 用于 30% 的任务，Claude Code 用于 70%。错误在于因为感觉更容易所以对所有事情都用 Claude.ai，然后疑惑为什么 AI 其实并没有改变你的工作流。能带来改变的工作流，是那些制品重要、重复性重要、与你的代码仓库集成重要的工作流。

Claude Code 处理这些。这就是本书存在的原因：向你展示如何识别那些工作流，正确构建它们，并随着时间推移让价值不断叠加。第 2 章涵盖设置和安全性。让我们先让你跑起来。