解释 Claude Code Hooks 适合处理的自动化场景，并给出团队落地时的风险边界。

Agent 调用工具后，系统需要记录计划、参数、返回、重试、权限和最终输出，才能定位问题。

梳理 Agentic Coding 的工作流转变：上下文、计划、执行、验证和复盘如何形成可重复交付。

Agent 权限设计要区分读取、建议、草稿、执行和高风险动作，并为每类动作设计确认与审计。

AI 辅助重构应先建立行为保护、拆分小步、控制 diff 范围，并用验证命令证明没有回归。

代码库索引要处理语义检索、符号关系、目录边界、最近变更和项目规则，避免 Agent 读错上下文。

说明 Skills 如何把团队经验、工具说明、检查清单和写作风格沉淀为 Agent 可复用能力。

AI 成本控制要看 token、缓存、模型分层、批处理、失败重试和用户价值，而不是只压单次调用价格。

AI Evals 可以进入 CI 流程，帮助团队在 Prompt、模型或检索变更时发现质量回归。

AI 生成 UI 要重点审查布局稳定性、响应式、可访问性、文案溢出、真实数据和交互状态。

AI 可以辅助生成、审查和更新文档，但文档质量仍取决于事实来源、结构和验证流程。

AI 产品分析不能只看按钮点击，还要记录输入质量、模型输出、人工编辑、采纳、失败和成本事件。

AI 产品上线前要检查数据权限、Prompt Injection、错误输出、高风险场景、日志脱敏和人工兜底。

解释 AI 规格驱动编程的基本结构，并说明需求、设计、任务和验收如何约束 Agent 交付。

团队选择自建或采购 AI 平台时，应评估差异化需求、数据边界、集成成本、安全和运维能力。

从项目记忆、命令约束、Hooks 和验证证据四个角度整理 Claude Code 的工程化落地方式。

从职责边界、上下文隔离、触发条件和交付格式四个维度设计 Claude Code Subagents。

从上下文管理、工具调用、权限模型、团队协作和验证闭环比较 Claude Code 与 Codex 的适用场景。

拆解 Codex 的观察、计划、执行、验证循环，理解为什么 AI 编程代理需要工具、沙箱和反馈。

介绍 MCP 在 Codex 工作流中的位置，以及如何用工具边界、权限和可观测性降低集成风险。