我先把这篇文章的定位说清楚:不是讲Claude Code怎么装、怎么聊天,而是完整记录一套我在实际项目中跑通的"1台中枢机调度、10台Worker机并行干活、横跨多个Git仓库"的分布式并行开发方案。这套方案从任务拆分、环境初始化、跨仓库分支管理,到心跳回传、冲突规避、踩坑修复,全程都是真实落地过的,不是概念推演。如果你手里也有一批相对独立、又需要交给AI并行推进的代码任务,这篇文章应该能帮你少走不少弯路。
1. 为什么是"1中枢+10Worker":从单会话排队到并行产线的架构动机
1.1 单个Claude Code会话的瓶颈在哪
最开始我用Claude Code的方式很简单:开一个终端会话,把仓库拉下来,丢给它一个任务,等它跑完再丢下一个。单仓库、单任务的小规模场景下完全够用,但一旦任务量上来,问题就非常明显:
- 单个上下文窗口有上限。连续对话超过一定轮数后,模型会丢掉早期指令,要么开始重复劳动,要么擅自改变实现方向。
- 单会话是串行的。一个长任务动辄十几分钟,期间如果只是改文案类的小需求,也要排队等。
- 跨仓库任务没法在一个会话里干净切换。切目录、切换上下文、重新加载技能,既容易脏,又容易把两个项目的文件改串。
我印象最深的一次翻车:一个会话里前半小时在改A仓库的API层,后半小时转去改B仓库的定时任务,结果B仓库的提交信息里混进了A仓库的类名。这种上下文串味问题,靠提示词很难根治,只能从架构上隔离。
1.2 中枢和Worker各自的职责边界
所以我把架构拆成两层:
- 中枢机(Coordinator):只做任务编排、状态登记、质量抽检,不直接写业务代码。它维护一个任务清单,知道现在哪个仓库被哪个Worker占用、哪个任务处于什么状态。
- Worker机(Worker):每台只领一个任务,只在一个仓库的一个特性分支上干活。干完把diff和提交信息交回中枢,然后领下一个任务。
从形态上看,中枢和Worker我用的都是Claude Code的命令行模式。中枢机上的Claude Code主要跑一些管理脚本和审查脚本,Worker机上的Claude Code专职写代码。两者通过Git仓库本身来传递状态:Worker把代码推到远端特性分支,中枢去拉分支做review,review通过后合并。
1.3 这套架构的适用范围与硬边界
先说清楚它能解决什么:
- 任务之间没有强依赖,可以并行。
- 每个任务的工作目录、依赖、编译环境要能隔离。
- 团队可以接受"人工只审diff、不逐行盯着AI写代码"的流程。
不适合的场景:
- 多个Worker同时改同一个文件的核心逻辑,合并时必然痛不欲生。
- 需要对全局架构有一致性认知的大改造,拆开做反而会各改各的。
- Worker机器配置差异过大,某些机器编译不过,排查成本会吃掉并行收益。
我的经验是:把任务切成"可以独立编译、独立测试、独立变更"的单元再上这套流水线,切不动的任务宁可在中枢机串行做。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境准备:把中枢机和Worker机都调到同一套基线
2.1 Claude Code的安装路径选择:CLI、桌面版还是VSCode插件
Claude Code有三个常用入口:命令行工具、桌面应用、VSCode插件。我在中枢和Worker上全部用的CLI,原因很直接:
- CLI无头运行,SSH到远程机器就能操作,不需要图形界面。
- CLI的启动参数和配置文件更容易脚本化,可以批量初始化10台Worker。
- 桌面版和VSCode插件适合人工交互式使用,但在这套并行架构里,Worker是无人值守的,用CLI最稳。
安装方式很简单,npm全局安装即可:
bash复制npm install -g @anthropic-ai/claude-code
每台机器安装完先跑一次版本确认:
bash复制claude --version
如果输出正常,再验证登录态。注意:这套环境里Worker机的API鉴权我建议单独配置,不要让所有Worker共用中枢机的会话凭证,否则后续做权限回收和用量统计时会很痛苦。
2.2 模型接入与模型切换:不止官方模型一种选择
标题里提到一个很实际的问题:"模型名不被当前Claude Code版本识别"。这通常有两个原因:
- 你用的CLI版本太旧,不认识新发布的模型名。解决方法是升级CLI,再用
claude model查看支持列表。 - 你想接第三方模型,用了类似
deepseek-v4-pro这种命名,但当前CLI版本不认。
如果是第二种,我建议引入模型切换工具CC Switch这类方案,用一个配置文件把不同模型的 base_url 和 api_key 管理起来,切换时只改环境变量,不用反复改settings.json。
我的settings.json里保留了两套模型配置,一套是官方模型做复杂推理,一套是第三方模型做批量机械修改。分布式场景下,
