我用这套方案已经三个月了，今天把它完整写出来。 不是"AI 工具推荐"那种文章——那种文章你看完还是不知道怎么用。这篇是我真实在 Java 项目里跑通的工作流，包括踩过的坑、配置细节、以及为什么这样设计。

---

这套方案能给 Java 开发带来什么

在说怎么配之前，先说结论，方便你判断值不值得花时间看下去。

CRUD 不再是负担。Java 项目里有相当一部分工作是高度结构化的——建表之后写 Entity、写 Mapper、写 ServiceImpl、写 Controller，逻辑清晰但繁琐。这类代码 Claude 结合你的表结构和项目规范可以直接生成，符合你的命名规范、符合你的分层结构、不需要大改。一个中等复杂度的增删改查模块，以前我要写两三个小时，现在二十分钟。

代码 Review 有了真正的对话。以前自己 Review 自己写的代码，很容易陷入"看起来没问题"的盲区。现在提交前把改动扔给 Claude，让它从并发安全、SQL 性能、异常处理三个维度过一遍，找出我自己没意识到的问题。它不会只说"这段代码有问题"，它会告诉你具体在哪行、为什么有问题、改成什么样。

单元测试终于不再拖着不写。说实话，大多数开发不爱写单测的原因不是不知道重要，是写起来真的烦——Mock 一堆依赖，构造各种边界数据，花的时间比写功能本身还多。让 Claude 来生成，你只需要告诉它要覆盖哪些场景，它把 JUnit5 + Mockito 的框架代码都搭好，你检查逻辑对不对就行。

重构有了可以商量的对象。遇到历史遗留的烂代码，以前只能硬着头皮看。现在可以把一整个类粘给 Claude，问它"这段代码有哪些坏味道，怎么一步步重构风险最低"。它会给出有优先级的重构路径，从影响范围最小的改起，不是让你一口气推翻重写。

本质上是把重复劳动外包给了 AI，把思考留给自己。架构设计、业务决策、性能优化——这些还是你的事。但样板代码、测试代码、文档注释这些工作，让 AI 来干，你来审。这才是合理的分工。

---

先说清楚问题在哪

大多数人用 AI 写代码的方式是这样的：写到一半，切到浏览器，粘代码进 ChatGPT，问完把答案粘回来。或者装了 Copilot，但它根本不知道你项目的上下文，补全出来的代码经常驴唇不对马嘴。

这不是"AI 辅助开发"，这是"AI 辅助复制粘贴"。

真正的问题是：AI 不在你的项目里。它看不到你的数据库结构，不知道你有哪些公共工具类，不清楚你的异常处理规范，每次对话都要重新解释一遍背景。上下文割裂，效率当然上不去。

我折腾这套方案的出发点就一个：让 AI 真正住进你的项目。

---

为什么是 Claude + Codex，而不是一个

这个问题值得认真说，因为它涉及两种 AI 的本质差异。

Claude 是理解型模型，擅长在大量上下文里找关系、做推断。你把一整个模块的代码丢给它，它能说清楚哪里耦合过重、哪个地方存在并发风险、改动 A 会不会影响 B。它的短板是补全延迟，实时行内补全体验一般。

Codex 是生成型模型，针对代码场景做了专项优化，延迟极低。你写了一行注释，它能立刻帮你把实现补出来。但它不擅长大范围的语义理解，让它分析一个复杂模块的架构问题，回答质量就一般了。

两个模型分工不同，不是竞争关系，而是互补。用一个字概括：Claude 负责想，Codex 负责写。

硬要只用一个的话，你会发现要么补全太慢打断思路，要么理解太浅给不出有价值的建议。所以这套方案的核心设计就是让两者同时在线、各司其职。

---

把 Claude 接进 IDEA

工具选 Continue，这是目前在 IDEA 里接自定义 AI 体验最好的插件。不用 Cursor 的原因很简单——我不想换 IDE，我在 IDEA 上有七八年积累的快捷键和配置，迁移成本太高。Continue 是插件，无缝嵌入，右侧多了个对话面板，其他什么都没变。

Settings → Plugins 搜索 Continue，安装重启。

安装完成后点 Restart IDE。重启完毕，IDEA 右侧边栏会出现 Continue 图标。

点击 Continue 图标展开面板，找到底部的齿轮图标，点进去会打开 ~/.continue/config.json。

在 config.json 里写入配置：

{
  "models": [
    {
      "title": "Claude Sonnet 4",
      "provider": "openai",
      "model": "claude-sonnet-4-20250514",
      "apiKey": "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxx",
      "apiBase": "https://api.openai-proxy.org/v1"
    }
  ],
  "tabAutocompleteModel": {
    "title": "Claude Haiku",
    "provider": "openai",
    "model": "claude-haiku-4-5-20251001",
    "apiKey": "sk-xxxxxxxxxxxxxxxxxxxxxxxxxxx",
    "apiBase": "https://api.openai-proxy.org/v1"
  }
}

主对话用 Sonnet 4，理解能力强；自动补全用 Haiku，便宜快。

让 Claude 真正读懂你的项目——这一步大多数人跳过了

这是整套方案里最重要的一步，也是绝大多数人配完 API Key 就结束了、然后发现"好像也没什么用"的根本原因。

AI 的能力上限取决于它掌握的上下文质量。你给它一个裸的代码片段，和给它一个有项目背景、技术栈、编码规范的完整上下文，回答质量差距可以在三倍以上。

在项目根目录新建 .continue/context.md：

## 项目背景
B2B 采购平台后端，服务约 200 家企业客户，日均订单约 3 万笔。

## 技术栈
- Java 17 + Spring Boot 3.2
- MyBatis-Plus 3.5，禁止写原生 SQL，统一走 LambdaQueryWrapper
- MySQL 8.0 主从分离，AbstractRoutingDataSource 实现读写分离
- Redis 7.0，分布式锁用 Redisson，缓存用 @Cacheable 注解
- RocketMQ 5.0，订单超时、库存扣减走消息队列

## 编码规范
- 统一返回 Result<T>，禁止直接返回 POJO
- 业务异常继承 BizException，由 GlobalExceptionHandler 统一处理
- 金额字段统一用 BigDecimal，禁止 float/double
- ID 用 IdGenerator 雪花算法生成，禁止数据库自增

MCP：让 Claude 直接连上你的数据库

这是个进阶配置，但用过之后很难回头。

MCP（Model Context Protocol）是 Anthropic 推出的一套标准协议，允许 AI 通过统一接口连接外部数据源。你可以把它理解成 AI 世界的 JDBC——定义了 AI 和外部工具之间的交互规范，不同数据源只需要实现这套协议，Claude 就能直接调用。Continue 已经支持了。

在 config.json 里追加 mcpServers 字段：

{
  "mcpServers": [
    {
      "name": "mysql",
      "command": "npx",
      "args": ["-y", "@benborla29/mcp-server-mysql"],
      "env": {
        "MYSQL_HOST": "127.0.0.1",
        "MYSQL_PORT": "3306",
        "MYSQL_USER": "root",
        "MYSQL_PASS": "yourpassword",
        "MYSQL_DB": "your_db_name"
      }
    }
  ]
}

保存后重启 IDEA，Continue 对话框底部工具栏会出现数据库连接图标。

配完之后在对话里直接说：「帮我根据 purchase_order 表结构生成 Entity 和 ServiceImpl，符合我们的编码规范」，它会先查表再生成，金额自动 BigDecimal，ID 自动雪花算法。

Codex 怎么接

Codex 有两条路，取决于你的情况。

如果公司买了 GitHub Copilot，直接用就行。OpenAI 在 2025 年把 Copilot 底层升级成了 Codex 增强模型，Settings → Plugins 搜 GitHub Copilot 装上登录即可。

如果要自己接 Codex API，在 Continue 的 config.json 的 models 数组里追加：

{
        "title": "OpenAI Codex",
        "provider": "openai",
        "model": "gpt-4o",
        "apiKey": "sk-r71ZNIP7Lb1SOlzgXe2JP00oGNXfd1S2ZiUjpdEDGc2AuTEY",
        "apiBase": "https://api.openai-proxy.org/v1"
      }

OpenAI API Key 在 platform.openai.com → API Keys 生成，流程和 Anthropic 一样。

---

日常开发的真实工作流

配置完是基础，用法才是关键。下面是我开发一个新接口的完整流程，没有夸张成分。

接到需求，产品给了一个文档，说要新增「供应商批量报价」功能。我先把需求文档整段粘进 Continue，问 Claude：

「基于我们现有的项目结构，这个需求需要新增哪些表、哪些接口？会影响哪些现有模块？给出你的设计建议。」

Claude 结合 context.md，告诉我需要新建 supplier_quote 和 supplier_quote_item 两张表，建议参考现有 purchase_order 的分层结构，库存扣减需要注意并发控制，沿用现有 Redisson 方案。这个分析我自己来想至少二十分钟，Claude 不到一分钟。

写业务逻辑时，Codex 在旁边实时补全。写一行注释，它把实现补出来。

写完核心业务方法后，选中代码，Cmd + L 发给 Claude 生成单测。

几个真实踩过的坑

Haiku 补全偶尔不遵守项目规范。在 context.md 里把禁止项写得越明确越好，比如"禁止用 float/double 存金额"比"金额用 BigDecimal"效果更好——强调禁止比强调应该更有效。实在不行就把补全模型换成 Sonnet。

MCP 在 Windows 上报 command not found。npx 路径解析问题，把 command 改绝对路径：

"command": "C:\\Program Files\\nodejs\\npx.cmd"

context.md 超过 200 行效果反而变差。信息太多，Claude 抓不住重点。只写规范和禁止项，不要把整个设计文档塞进去。

写在最后

这套方案花了我大约两个下午配置和调试，之后就一直在用，没有再折腾过。

它不是银弹，复杂的业务决策还是要自己想，AI 没法替你做架构设计。但它能把那些「写起来繁琐但没有太多思维含量」的工作接管掉——CRUD 代码、单元测试、接口文档、Git commit message——这部分工作大概占了很多后端工程师日常时间的 30%-40%。

把这些时间腾出来，你可以做更有价值的事。

如果配置过程中遇到问题，欢迎评论区留言。