依赖：pip install anthropic gitpython

用法：python git_claude_commit.py

import os

from git import Repo

from anthropic import Anthropic

加载仓库和 Anthropic 客户端

REPO_PATH = os.getcwd() # 假设脚本在 Git 仓库内运行

repo = Repo(REPO_PATH)

client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))

def get_staged_diff():

"""返回已暂存更改的统一差异。"""

diff = repo.git.diff('--cached')

return diff.strip() if diff else None

def summarize_changes(diff_text):

"""让 Claude 用通俗易懂的语言总结差异。"""

if not diff_text:

    return "未检测到已暂存的更改。"

prompt = (

    "你是 Claude Code。请清晰地总结以下 git 差异，"

    "说明哪些内容被添加、修改或删除。"

    "关注意图和功能，而非语法细节。\n\n"

    f"{diff_text}"

)

response = client.messages.create(

    model="claude-3-5-sonnet-20240620",

    max_tokens=250,

    messages=[{"role": "user", "content": prompt}],

)

return response.content[0].text

if name == "main":

diff_text = get_staged_diff()

summary = summarize_changes(diff_text)

print("\nClaude 对已暂存更改的总结：\n")

print(summary)

工作原理：

1. 脚本会检查你当前的 Git 仓库中的已暂存更改。
2. 它将差异内容发送给 Claude Code 进行总结。
3. Claude 分析差异，并返回关于更改内容及其原因的自然语言解释。

示例输出：

Claude 对已暂存更改的总结：

本次提交通过在数据库插入前检查重复邮箱，为用户注册 API 添加了输入验证。

它还在 utils.py 中引入了一个新的辅助函数 is_valid_email，并重构了测试套件，

以覆盖无效域名的边界情况。

现在你可以将该总结直接粘贴到你的提交信息中：

git commit -m "feat(auth): 添加邮箱验证并改进测试覆盖率"

处理合并冲突

Claude 还可以帮助你推理合并冲突，而不仅仅是机械地修补代码。

假设你在 app/routes.py 中存在冲突。你可以在终端中将冲突部分提交给 Claude：

git diff --merge | claude ask "通过保留两个新路由并维护现有中间件来解决此合并冲突。"

Claude 将返回文件的统一且逻辑一致的版本，并说明它合并了什么以及为什么这样做。当两个开发者修改同一逻辑的相关部分时，这尤其有帮助。

澄清表

任务	Claude 的角色	示例命令或用法	结果
总结暂存更改	生成简洁的摘要	python git_claude_commit.py	清晰解释更改内容
提交信息生成	建议上下文感知的提交信息	"Claude，为这个 diff 创建一条提交信息。"	语义化、可读的提交日志
合并冲突解决	基于意图的逻辑合并	claude ask "resolve this conflict logically"	与两个分支都一致的合并文件
审查 PR	分析分支之间的差异	"Claude，审查来自 feature/api-auth 的所有更改。"	可读的审查报告
解释历史提交	将 git 日志翻译为自然语言	"Claude，总结上周的提交。"	简化的项目历史概览

将 Claude Code 与 Git 集成，可以提升开发生命周期中的速度和理解力。版本控制不再被视为机械的记录，而是变成了你、代码库与 AI 协作者之间的一场持续对话。Claude 将差异转化为意图，标出风险，并生成可读性强的洞察，从而简化协作和新成员上手过程。

在继续前进时，下一节将展示如何自动化这些任务，让 Claude 在预提交、合并后或 CI 验证阶段自动提供协助，从而实现更流畅、更智能的工作流。

6.4 管理成本与 Token 使用

与 Claude Code 的每次交互都有可衡量的成本——不仅体现在金钱上，还体现在 Token 上，Token 是用于处理和生成文本的计算单位。随着项目规模的扩大，理解 Claude 如何消耗 Token 对于管理性能和预算都至关重要。将 Token 使用视为工程纪律一部分的开发者，能够实现更快的迭代、更低的成本和更可预测的结果。本节将解释如何在不同工作流中衡量、监控和优化 Token 消耗，同时保持响应质量。

概念阐述

Token 是文本的一个片段（通常是几个字符或一个词的一部分），Claude 用它来理解和生成响应。你的提示（输入）和响应（输出）都会计入总 Token 使用量。更大的提示和更冗长的输出成本更高，因此效率在于提供恰到好处的上下文，并要求恰到好处的详细程度。

Claude Code 提供了几种控制成本的杠杆：

1. 模型选择：较小的模型（如 Claude 3 Haiku）可以低成本地处理轻量任务，而较大的模型（Claude 3.5 Sonnet 或 Claude 3 Opus）则擅长复杂推理。
2. 提示长度管理：削减不必要的历史、冗余的解释或重复的代码块，可在不丢失上下文的情况下降低输入 Token。
3. 输出约束：明确指示 Claude 限制答案长度，可减少输出 Token。
4. 会话缓存：复用简洁的摘要或参考片段，而不是重新粘贴相同内容，有助于以最低成本保持连续性。

通过以编程方式跟踪 Token 使用量，你可以在成本和完整性之间取得平衡，同时保持代码准确性和推理深度。

动手示例：跟踪和优化 Token

让我们创建一个简短的 Python 脚本，向 Claude Code 发送一条提示，并准确报告消耗了多少 Token。这将帮助你理解不同提示如何影响成本。

token_tracker.py