从零部署AI编程助手：Claude Code环境搭建与实战应用指南

这次我们来看一个名为 Claude Code 的项目。它不是一个单一的软件，而是一个围绕 AI 编程助手 Claude 的代码生成、理解和辅助工具链的统称，或者是一个社区对相关集成方案的昵称。对于开发者，尤其是刚入门的新手来说，核心诉求很直接：如何快速、无痛地搭建起一个能理解代码、生成代码、甚至辅助调试的 AI 编程环境。本文将为你拆解从零开始部署和使用 Claude Code 相关生态工具的完整路径，重点不是空谈概念，而是解决“能不能用起来”和“怎么用出效果”的问题。

本文将带你完成几个关键动作：首先是厘清 Claude Code 的核心构成与常见误区；然后是一站式的环境准备与依赖安装；接着是核心工具的配置与启动；最后通过多个实际编码场景，验证其代码生成、解释、调试和文档生成能力。无论你是想提升日常编码效率，还是希望为团队引入 AI 辅助开发流程，这篇文章提供的实操步骤和避坑指南都能直接派上用场。

1. 核心能力速览

在深入细节之前，我们先通过一个表格快速了解 Claude Code 相关工具链的核心特性和门槛，帮助你判断是否值得投入时间。

能力项说明与解读
核心功能代码自动补全、函数/代码块生成、代码解释、错误诊断与修复建议、生成单元测试、代码重构建议、生成技术文档（如注释、README）。
常见实现形式1.IDE插件：如 VS Code 中的 Claude 或相关 AI 编程插件。
2.命令行工具 (CLI)：通过终端与 AI 交互，处理代码文件。
3.API 集成：调用 Claude API 构建自定义的代码辅助工作流。
4.本地模型部署：部署开源代码模型，实现离线或低延迟的代码辅助（此部分与“Claude”本身不同，但属于广义的 AI 编程范畴）。
硬件/环境门槛云端 API 模式：主要依赖网络和 API 密钥，对本地硬件无特殊要求。
本地模型模式：需要具备足够显存的 GPU（例如 8GB 或以上用于较大模型）或强大的 CPU 进行推理，对内存和磁盘也有一定要求。
核心依赖1.API 模式：有效的 Anthropic Claude API 密钥。
2.本地模式：Python、PyTorch/TensorFlow、CUDA（如用 GPU）、对应的开源代码模型权重文件。
3.通用依赖：Git、Node.js（某些前端工具）、包管理工具（pip, conda）。
启动与交互方式插件：在 IDE 中安装后，通过快捷键或右键菜单调用。
CLI工具：在终端输入命令，指定代码文件或输入提示。
本地服务：启动一个本地 API 服务，通过 HTTP 请求交互。
是否支持批量任务是。通过编写脚本循环调用 API 或 CLI，可以批量处理多个文件，例如为整个项目生成文档、批量重构代码风格等。
是否支持自定义/扩展高。基于 API 或开源模型，可以定制提示词模板、集成到 CI/CD 流程、构建专属的代码知识库助手。

2. 适用场景与使用边界

Claude Code 相关的工具并非万能，明确其擅长和不擅长的场景，能让你更好地将其融入工作流。

非常适合的场景：

  • 快速原型开发：当你需要验证一个想法时，可以让 AI 生成某个功能模块的骨架代码。
  • 代码解释与学习：遇到陌生的开源库或复杂函数，让 AI 为你逐行解释，加速理解。
  • 生成样板代码：创建重复性的结构，如数据模型类、API 路由、基础的 CRUD 操作、单元测试框架等。
  • 代码审查辅助：让 AI 初步检查代码中的潜在 bug、坏味道、安全漏洞或性能问题。
  • 文档撰写：根据代码自动生成函数/类的注释、README 文件或部分技术设计文档。
  • 重构建议：对现有代码，获取如何优化结构、提高可读性或性能的建议。

需要谨慎对待或不适用的场景：

  • 业务逻辑核心：涉及复杂业务规则、特有领域知识的代码，AI 可能无法准确理解上下文，需要人工深度参与。
  • 性能关键代码：对于算法极致优化、底层系统编程等场景，AI 生成的代码可能不是最优解，需严格测试和调优。
  • 完全替代思考：不能指望 AI 完全替代你的架构设计和问题分析能力。它应是“副驾驶”，而非“自动驾驶”。
  • 安全与合规：生成的代码可能包含潜在的安全漏洞（如 SQL 注入、XSS）。必须进行人工安全审计和测试，尤其对于处理用户数据、支付等敏感逻辑的代码。
  • 版权与许可：确保使用 AI 生成的代码不侵犯第三方知识产权，特别是在商业项目中。

3. 环境准备与前置条件

无论选择哪种使用方式，一个干净、规范的开发环境是第一步。以下是通用前置检查清单。

3.1 操作系统

  • Windows 10/11：推荐使用 WSL2 (Windows Subsystem for Linux) 以获得更接近 Linux 的开发体验，特别是涉及 Python 生态和命令行工具时。
  • macOS：版本建议在 10.15 (Catalina) 或以上。
  • Linux：主流的发行版均可，如 Ubuntu 20.04/22.04 LTS, CentOS 7/8 等。

3.2 基础工具链这些是现代开发的基石，请确保已安装并配置好：

  1. Git：用于版本控制和克隆项目。
    # 检查是否安装 git --version
  2. Python：大多数 AI 工具和脚本的后端语言。推荐 Python 3.8 - 3.11 版本。
    # 检查版本 python --version # 或 python3 --version
  3. Node.js 与 npm：部分前端工具或 IDE 插件依赖。
    # 检查版本 node --version npm --version
  4. 包管理工具：
    • pip：Python 的包管理器，通常随 Python 安装。
    • conda（可选）：适用于科学计算和复杂依赖隔离，推荐使用 Miniconda。

3.3 集成开发环境 (IDE)

  • Visual Studio Code (VS Code)：强烈推荐。其拥有最丰富的插件生态，是集成 AI 编程助手的首选。
  • JetBrains PyCharm / IntelliJ IDEA：也有相应的 AI 辅助插件，适合对应语言生态的深度用户。

3.4 网络与账户

  • 稳定的网络连接：访问国外 API 服务（如 Claude API）需要可靠网络。
  • Anthropic API 密钥：如果你计划使用官方的 Claude API，需要注册 Anthropic 账户并获取 API Key。请妥善保管，不要泄露。

3.5 （可选）本地 GPU 环境如果你打算部署本地代码模型：

  • NVIDIA GPU：检查显卡型号和显存（建议 8GB+）。
  • CUDA 工具包：版本需要与 PyTorch 等深度学习框架匹配。
  • GPU 驱动：保持最新。

4. 安装部署与启动方式

我们将分两种主流路径展开：基于官方 API 的便捷使用和基于本地模型的深度定制。

4.1 路径一：基于 Claude API 的快速上手（推荐新手）

这是最快捷的方式，无需关心本地算力。

步骤 1：获取 Claude API 密钥

  1. 访问 Anthropic 官网，注册并登录账户。
  2. 进入 API 控制台，创建新的 API 密钥。
  3. 复制并保存该密钥，例如：sk-ant-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx。

步骤 2：在 VS Code 中安装 Claude 插件

  1. 打开 VS Code。
  2. 进入扩展市场 (Ctrl+Shift+X)。
  3. 搜索 “Claude”。选择由 Anthropic 官方发布或社区评价高的插件（例如 “Claude for VS Code” 或 “CodeGPT” 等支持 Claude 的插件）。
  4. 点击安装。

步骤 3：配置插件 API 密钥

  1. 安装后，通常插件会在侧边栏添加图标，或者需要你在设置中配置。
  2. 找到插件的设置项（通常在 VS Code 设置中搜索插件名）。
  3. 在 API Key 或类似的配置项中，粘贴你刚才获取的密钥。
  4. 保存设置。

步骤 4：启动与使用

  1. 配置完成后，重启 VS Code 确保插件生效。
  2. 在代码编辑器中，你可以：
    • 选中代码，右键选择插件提供的选项（如“Explain Code”、“Refactor”）。
    • 打开插件的聊天面板，直接输入你的需求，例如：“为当前打开的 Python 文件写一个单元测试”。
    • 使用快捷键（具体查看插件文档）快速调用代码补全或生成。

4.2 路径二：基于本地开源模型的部署

如果你需要离线环境、更高频次调用或数据隐私考虑，可以部署本地模型。这里以使用ollama运行deepseek-coder模型为例，因为它轻量且对代码支持良好。

步骤 1：安装 OllamaOllama 是一个简化本地大模型运行的工具。

  • macOS/Linux:
    curl -fsSL https://ollama.com/install.sh | sh
  • Windows: 从 Ollama 官网下载安装程序并运行。

步骤 2：拉取并运行代码模型

  1. 打开终端。
  2. 拉取一个代码模型，例如 6.7B 参数的版本，对大多数机器比较友好：
    ollama pull deepseek-coder:6.7b
  3. 运行该模型服务：
    ollama run deepseek-coder:6.7b
    首次运行会自动下载模型文件。运行后，终端会进入一个交互式对话界面。

步骤 3：通过 API 与本地模型交互Ollama 默认会在http://localhost:11434提供一个 API 服务。

  1. 在另一个终端，你可以使用curl测试代码生成：
    curl http://localhost:11434/api/generate -d '{ "model": "deepseek-coder:6.7b", "prompt": "用Python写一个快速排序函数，并添加详细注释。", "stream": false }'
  2. 你也可以编写 Python 脚本进行集成：
    import requests import json def generate_code(prompt): url = "http://localhost:11434/api/generate" payload = { "model": "deepseek-coder:6.7b", "prompt": prompt, "stream": False } response = requests.post(url, json=payload) if response.status_code == 200: return response.json()['response'] else: return f"Error: {response.status_code}" if __name__ == "__main__": code_prompt = "实现一个函数，计算斐波那契数列的第n项。" result = generate_code(code_prompt) print("生成的代码：") print(result)

5. 功能测试与效果验证

安装配置好后，需要通过实际用例验证工具链是否工作正常，以及能力边界在哪里。

5.1 测试一：代码生成能力

测试目的：验证 AI 能否根据自然语言描述生成语法正确、逻辑合理的代码。操作步骤：

  1. 在 VS Code 插件聊天框或本地模型 API 请求中，输入以下提示词：

    “请用 Python 编写一个函数read_csv_and_calculate，它接受一个文件路径作为参数，读取 CSV 文件，计算其中数值型列的平均值，并返回一个字典。请包含必要的异常处理。”

  2. 观察生成的代码。预期结果与判断：
    • 成功：生成一个包含try-except块、使用pandas或csv库、正确计算平均值的函数。代码可以直接复制到编辑器中，仅需可能调整导入语句。
    • 需优化：生成的代码使用了不存在的库函数，或逻辑有误。这需要你提供更精确的提示词，例如指定使用pandas。
    • 失败：返回无关内容或错误信息。检查 API 密钥、网络连接或本地模型服务状态。

5.2 测试二：代码解释与注释

测试目的：验证 AI 能否理解复杂代码并给出清晰解释。操作步骤：

  1. 准备一段稍复杂的代码（例如一个递归函数或一个使用装饰器的类）。
  2. 将代码发送给 AI，并提问：“请逐行解释这段代码的功能和工作原理。”预期结果与判断：
    • 成功：AI 能准确描述函数/类的输入输出、关键变量作用、算法步骤和设计意图。解释清晰易懂。
    • 部分成功：解释基本正确，但对某些高级特性（如闭包、元编程）理解模糊。
    • 失败：解释完全错误或答非所问。可能模型能力不足或代码过于晦涩。

5.3 测试三：错误诊断与修复

测试目的：验证 AI 能否识别代码中的错误并提供修复建议。操作步骤：

  1. 编写一段包含典型错误的代码（如索引越界、未定义变量、类型错误）。
    # 示例：一个有错误的函数 def process_list(data): total = 0 for i in range(len(data) + 1): # 潜在索引越界 total += data[i] return total / len(data)
  2. 将代码和错误信息（如果有）一起发送给 AI，提问：“这段代码有什么问题？如何修复？”预期结果与判断：
    • 成功：AI 指出range(len(data) + 1)会导致最后一次循环访问data[len(data)]引发IndexError，并建议改为range(len(data))。
    • 失败：未能识别错误，或给出了错误的修复方案。

5.4 测试四：生成单元测试

测试目的：验证 AI 能否为现有函数生成覆盖关键场景的单元测试。操作步骤：

  1. 提供一个功能完整的函数（例如上面修复后的process_list）。
  2. 提示 AI：“请为这个函数编写完整的单元测试，使用pytest框架，覆盖正常情况、空列表、非数字列表等边界条件。”预期结果与判断：
    • 成功：生成多个test_开头的函数，使用pytest的assert语句，测试了函数的主要功能和异常处理。
    • 需完善：生成的测试用例覆盖不全，或者断言条件过于宽松/严格。

6. 接口 API 与批量任务

当你需要将 AI 编程能力集成到自动化流程或处理大量文件时，API 调用和批量任务就至关重要。

6.1 结构化 API 调用示例

无论是云端 Claude API 还是本地模型 API，调用模式类似。以下是一个更健壮的 Python 客户端示例，包含错误处理和超时设置。

import requests import json import time from pathlib import Path class CodeAIClient: def __init__(self, base_url="https://api.anthropic.com/v1", api_key=None, model="claude-3-haiku-20240307"): self.base_url = base_url self.api_key = api_key self.model = model self.headers = { "Content-Type": "application/json", "x-api-key": self.api_key, "anthropic-version": "2023-06-01" } if api_key else {"Content-Type": "application/json"} # 本地模型可能不需要 API Key def generate_code(self, prompt, system_prompt="You are an expert software engineer."): """调用 API 生成代码""" # 根据 API 提供商调整 payload 结构 if "anthropic" in self.base_url: # Claude API 格式 payload = { "model": self.model, "max_tokens": 4000, "messages": [{"role": "user", "content": prompt}], "system": system_prompt } endpoint = f"{self.base_url}/messages" else: # 通用或 Ollama 格式 payload = { "model": self.model, "prompt": prompt, "stream": False } endpoint = f"{self.base_url}/api/generate" try: response = requests.post(endpoint, json=payload, headers=self.headers, timeout=60) response.raise_for_status() # 检查 HTTP 错误 result = response.json() # 解析不同 API 的响应 if "anthropic" in self.base_url: return result['content'][0]['text'] else: return result.get('response', '') except requests.exceptions.RequestException as e: print(f"API 请求失败: {e}") return None # 使用示例 if __name__ == "__main__": # 使用 Claude API (需替换真实 KEY) # client = CodeAIClient(api_key="your-claude-api-key-here") # 使用本地 Ollama 服务 client = CodeAIClient(base_url="http://localhost:11434", model="deepseek-coder:6.7b") prompt = """ 任务：为一个用户管理系统生成一个 Flask API 的蓝图。 要求： 1. 定义 `/users` (GET, POST) 和 `/users/<id>` (GET, PUT, DELETE) 端点。 2. 使用 SQLAlchemy 模型，包含 id, username, email, created_at 字段。 3. 为每个端点编写基本的请求验证和错误处理。 请只输出代码，不需要解释。 """ generated_code = client.generate_code(prompt) if generated_code: print("生成的 Flask 蓝图代码：") print(generated_code) # 可以保存到文件 # with open('generated_blueprint.py', 'w') as f: # f.write(generated_code)

6.2 批量处理代码文件

假设你需要为项目中的所有 Python 文件生成函数摘要。

import os from pathlib import Path def batch_generate_docs(client, project_root, output_dir): """为项目目录下的所有 .py 文件生成文档""" output_dir = Path(output_dir) output_dir.mkdir(parents=True, exist_ok=True) for py_file in Path(project_root).rglob("*.py"): # 跳过虚拟环境等目录 if any(part.startswith('.') or part == '__pycache__' for part in py_file.parts): continue try: with open(py_file, 'r', encoding='utf-8') as f: file_content = f.read() except UnicodeDecodeError: print(f"跳过无法解码的文件: {py_file}") continue # 构建提示词 prompt = f""" 请分析以下 Python 文件的内容，并生成一个简洁的 Markdown 格式文档摘要。 摘要应包括： 1. 文件的主要功能。 2. 导入了哪些重要的外部模块。 3. 定义了哪些主要的类、函数及其简要说明。 4. 文件在项目中的可能作用。 文件路径：{py_file.relative_to(project_root)} 文件内容： ``` {file_content[:3000]} # 限制长度，避免 token 超限 ``` """ print(f"正在处理: {py_file}") docs = client.generate_code(prompt) if docs: # 保存生成的文档 doc_filename = output_dir / f"{py_file.stem}_docs.md" with open(doc_filename, 'w', encoding='utf-8') as doc_f: doc_f.write(f"# 文件摘要: {py_file.name}\n\n") doc_f.write(docs) print(f" 已保存: {doc_filename}") time.sleep(1) # 避免请求过快 # 调用批量任务 # client = CodeAIClient(...) # batch_generate_docs(client, "./my_project", "./generated_docs")

7. 资源占用与性能观察

云端 API 模式：

  • 主要资源：网络带宽和 API 调用费用（Token 消耗）。响应速度取决于网络延迟和 Anthropic 的服务状态。
  • 观察方法：关注 API 响应时间（通常在 1-10 秒），并监控你的 Token 使用量，避免意外开销。

本地模型模式：

  • CPU 推理：
    • 内存占用：模型加载后，主要占用系统内存。一个 7B 参数的模型量化后可能需要 4-8GB 内存。
    • CPU 使用率：推理时单核或多核 CPU 使用率会接近 100%。
    • 速度：相对较慢，生成代码的速度可能在每秒几个 token。
  • GPU 推理：
    • 显存占用：这是关键指标。模型权重和推理中间状态都会占用显存。例如，一个 7B 的 FP16 模型需要约 14GB 显存，但通过量化（如 GPTQ, GGUF）可以大幅降低到 4-6GB。
    • 观察命令：在 Linux 下使用nvidia-smi，在 Windows 下使用任务管理器性能标签页查看 GPU 显存使用率和利用率。
    • 速度：比 CPU 快一个数量级，体验更流畅。

性能优化建议：

  1. 模型量化：优先使用量化后的模型（如 GGUF 格式，Q4_K_M 量化），能在几乎不损失精度的情况下大幅降低资源需求。
  2. 提示词优化：清晰、具体的提示词能减少 AI 的“思考”时间（Token 数），从而降低成本和等待时间。
  3. 缓存与批处理：对于重复性任务，考虑缓存 AI 的响应。对于批量任务，如果可以，将多个小请求合并成一个结构化的提示词。
  4. 设置超时与重试：在调用 API 的客户端代码中，务必设置合理的超时时间，并实现简单的重试机制，以应对网络波动。

8. 常见问题与排查方法

在部署和使用过程中，你可能会遇到以下问题。这里提供系统的排查思路。

问题现象可能原因排查方式解决方案
VS Code 插件无响应或报错1. API 密钥无效或未配置。
2. 网络问题，无法连接到 API 服务器。
3. 插件版本过旧或与 VS Code 不兼容。		1. 检查插件设置中的 API Key 是否正确填写。
2. 尝试在浏览器中访问 Anthropic 官网，测试网络连通性。
3. 查看 VS Code 的输出面板（Output），选择对应插件的日志，查看具体错误信息。		1. 重新生成并配置 API Key。
2. 检查网络代理或防火墙设置。
3. 更新插件和 VS Code 到最新版本。
本地模型服务启动失败1. 端口被占用（如 11434）。
2. 模型文件损坏或下载不完整。
3. 系统内存或显存不足。
4. CUDA 版本与 PyTorch 不匹配。		1. 使用netstat -ano | findstr :11434(Win) 或lsof -i:11434(Mac/Linux) 检查端口。
2. 查看模型下载日志，或尝试重新拉取模型ollama pull <model>:<tag>。
3. 观察任务管理器或htop查看资源使用情况。
4. 运行python -c "import torch; print(torch.cuda.is_available())"检查 CUDA。		1. 终止占用端口的进程，或更改服务启动端口。
2. 删除模型文件重新下载。
3. 关闭其他占用资源的程序，或使用更小的量化模型。
4. 根据 PyTorch 官网指引安装匹配的 CUDA 版本。
API 调用返回 401/403 错误API 密钥错误、过期或没有访问对应模型的权限。检查 API 密钥字符串是否正确，前后是否有空格。在 Anthropic 控制台检查密钥状态和用量。使用正确的 API 密钥，或申请新的密钥。确保账户有余额或该模型在可用范围内。
生成的代码质量差或无关1. 提示词（Prompt）不清晰、有歧义。
2. 模型能力有限，不适合当前任务。
3. 上下文长度不足，丢失了重要信息。		1. 审查你的提示词，是否清晰描述了输入、输出、约束条件和示例。
2. 尝试换一个更强大的模型（如从 Haiku 换到 Sonnet）。
3. 查看 API 返回的usage字段，是否接近模型上下文上限。		1. 学习并应用“提示词工程”技巧，提供更明确的指令和示例。
2. 升级模型或尝试不同的模型。
3. 精简提示词，或分步骤、分多次调用 AI 完成任务。
批量任务中部分请求失败1. 网络不稳定。
2. 达到 API 速率限制。
3. 请求超时。		1. 在代码中捕获异常并打印错误信息。
2. 查看 API 返回的响应头，是否有rate-limit-*相关信息。
3. 增加请求的超时时间。		1. 实现指数退避重试机制。
2. 在批量任务中加入延迟（如time.sleep(1)），避免触发限流。
3. 调整超时参数，对于长代码生成任务，超时应设置得足够长（如 120 秒）。
本地推理速度极慢1. 使用 CPU 推理。
2. 模型过大，硬件资源不足。
3. 未使用量化模型。		1. 确认推理设备是 CPU 还是 GPU。
2. 使用nvidia-smi或任务管理器监控 GPU 使用率。
3. 检查模型文件格式和大小。		1. 如果硬件支持，务必配置为 GPU 推理。
2. 换用更小的模型或更低精度的量化版本（如 Q4_K_S）。
3. 确保加载的是量化模型（.gguf 文件）。

9. 最佳实践与使用建议

为了让 Claude Code 工具链真正成为你的生产力倍增器，而不仅仅是玩具，请遵循以下实践建议：

  1. 从简单到复杂：初次使用时，从生成简单的工具函数、编写注释开始，逐步尝试更复杂的任务如重构、设计模式实现。
  2. 迭代式交互：不要期望一次提示就得到完美代码。将 AI 视为合作者，进行多轮对话。例如：“这个函数能运行，但效率不高，如何用向量化操作优化它？”
  3. 提供充足上下文：当你需要 AI 修改或理解某段代码时，尽可能提供相关的代码文件、错误信息、输入输出示例。上下文越丰富，结果越精准。
  4. 建立提示词库：将常用的、高效的提示词（如“生成 Flask CRUD 模板”、“为这个类写 pytest 单元测试”）保存下来，形成个人或团队的提示词库，大幅提升复用效率。
  5. 强制代码审查：永远不要直接将 AI 生成的代码部署到生产环境。必须经过严格的人工代码审查、单元测试和集成测试。AI 可能引入安全漏洞、逻辑错误或性能瓶颈。
  6. 管理好 API 成本与数据：使用云端 API 时，设置预算告警，监控 Token 消耗。对于敏感代码，评估使用本地模型方案，避免数据出域风险。
  7. 版本控制集成：可以将 AI 生成的代码或文档的提示词和结果一并提交到 Git，记录生成逻辑，便于追溯和复现。
  8. 组合使用工具：不要局限于一个模型或插件。可以结合使用：用 Claude 进行高层设计和代码生成，用 GitHub Copilot 进行行内补全，用本地模型处理离线任务。

10. 总结与下一步

Claude Code 所代表的 AI 编程辅助，其核心价值在于将开发者从重复、繁琐的编码劳动中解放出来，让你能更专注于架构设计、问题拆解和创造性工作。通过本文的梳理，你应该已经掌握了从环境搭建、工具配置到实际应用和问题排查的完整路径。

最值得你立即尝试的，是在一个具体的、小型的真实任务中应用它，比如为你手头的一个旧脚本添加注释和错误处理，或者生成一个你一直想写但没时间写的工具函数。这个“从零到一”的实践过程，会让你对它的能力和局限有最直观的感受。

最容易踩的坑往往集中在初期环境配置（尤其是本地模型）和提示词编写上。遵循“先跑通，再优化”的原则，遇到问题多查阅官方文档和社区讨论。

下一步，你可以探索更深入的方向：如何将 AI 编程助手集成到团队的 CI/CD 流程中，自动生成或更新文档？如何构建基于企业私有代码库的专属编码助手？如何评估和比较不同模型（Claude, GPT, DeepSeek-Coder, CodeLlama）在特定编程语言或任务上的表现？这些都将让你在 AI 赋能软件开发的路上走得更远。建议将本文作为参考手册收藏，在实践过程中随时回溯。