
Anthropic erklärt Best Practices für Claude Code in großen Codebases
Anthropic beschreibt in einem neuen Artikel der Serie „Claude Code at Scale", wie Claude Code in Produktionsumgebungen mit Multi-Millionen-Zeilen-Monorepos, jahrzehntealten Legacy-Systemen und verteilten Architekturen mit Dutzenden von Repositories eingesetzt wird. Statt auf RAG-basierter Indexierung zu setzen, navigiert Claude Code agentisch durch die Live-Codebase – traversiert das Dateisystem, liest Dateien und nutzt grep, ohne dass ein zentraler Index gepflegt werden muss. Der Artikel identifiziert fünf Erweiterungspunkte: CLAUDE.md-Dateien für kontextuelles Onboarding, Hooks für selbstverbessernde Setups und deterministische Checks (z. B. Linting), Skills für bedarfsgerechtes Domain-Wissen (z. B. Security-Reviews oder Dokumentations-Updates), sowie Plugins und MCP-Server. Zusätzlich werden LSP-Integrationen und Subagents erwähnt. Besonders hervorgehoben wird, dass das Ökosystem rund um das Modell – das sogenannte „Harness" – die tatsächliche Performance stärker bestimmt als die Modell-Benchmarks allein. Der Leitfaden richtet sich explizit an Organisationen mit Tausenden von Entwicklern und enthält auch Hinweise zu Sprachen wie C, C++, C#, Java und PHP, wo Claude Code laut Anthropic besser abschneidet als viele Teams erwarten.
- Agentische Suche ersetzt RAG: Claude Code arbeitet auf der Live-Codebase ohne Embedding-Pipeline oder zentralen Index.
- Fünf Erweiterungspunkte: CLAUDE.md-Dateien, Hooks, Skills, Plugins und MCP-Server – in dieser Reihenfolge aufzubauen.
- Skills nutzen Progressive Disclosure: Spezialisiertes Wissen (z. B. Security-Review) wird nur geladen, wenn die Aufgabe es erfordert.
- Hooks ermöglichen Selbstverbesserung: Stop-Hooks können nach einer Session CLAUDE.md-Updates vorschlagen.
- Auch C, C++, Java und PHP werden unterstützt – laut Anthropic besser als viele Teams erwarten.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge

Anthropic erklärt Best Practices für Claude Code in großen Codebases
Anthropic beschreibt in einem neuen Artikel der Serie „Claude Code at Scale", wie Claude Code in Produktionsumgebungen mit Multi-Millionen-Zeilen-Monorepos, jahrzehntealten Legacy-Systemen und verteilten Architekturen mit Dutzenden von Repositories eingesetzt wird. Statt auf RAG-basierter Indexierung zu setzen, navigiert Claude Code agentisch durch die Live-Codebase – traversiert das Dateisystem, liest Dateien und nutzt grep, ohne dass ein zentraler Index gepflegt werden muss. Der Artikel identifiziert fünf Erweiterungspunkte: CLAUDE.md-Dateien für kontextuelles Onboarding, Hooks für selbstverbessernde Setups und deterministische Checks (z. B. Linting), Skills für bedarfsgerechtes Domain-Wissen (z. B. Security-Reviews oder Dokumentations-Updates), sowie Plugins und MCP-Server. Zusätzlich werden LSP-Integrationen und Subagents erwähnt. Besonders hervorgehoben wird, dass das Ökosystem rund um das Modell – das sogenannte „Harness" – die tatsächliche Performance stärker bestimmt als die Modell-Benchmarks allein. Der Leitfaden richtet sich explizit an Organisationen mit Tausenden von Entwicklern und enthält auch Hinweise zu Sprachen wie C, C++, C#, Java und PHP, wo Claude Code laut Anthropic besser abschneidet als viele Teams erwarten.
- Agentische Suche ersetzt RAG: Claude Code arbeitet auf der Live-Codebase ohne Embedding-Pipeline oder zentralen Index.
- Fünf Erweiterungspunkte: CLAUDE.md-Dateien, Hooks, Skills, Plugins und MCP-Server – in dieser Reihenfolge aufzubauen.
- Skills nutzen Progressive Disclosure: Spezialisiertes Wissen (z. B. Security-Review) wird nur geladen, wenn die Aufgabe es erfordert.
- Hooks ermöglichen Selbstverbesserung: Stop-Hooks können nach einer Session CLAUDE.md-Updates vorschlagen.
- Auch C, C++, Java und PHP werden unterstützt – laut Anthropic besser als viele Teams erwarten.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.