谷歌云上部署Claude Code：从零构建AI生成Web应用

很多同学第一次把 Claude Code 这类 AI 编程助手和谷歌云（Google Cloud）放在一起时，首先要面对的问题往往是“环境到底怎么搭”“AI 生成的代码到底怎么部署到云服务器上”“部署完怎么让它一直在线”。本文就围绕这条完整链路，从零开始做一次谷歌云上用 Claude 搭建部署应用的实战，覆盖云虚拟机创建、Claude Code 安装、AI 生成 Web 应用、systemd 常驻服务和公网访问验证。无论你是刚接触云服务器的新手，还是想把 AI 编程助手接入正式研发流程的开发者，都可以跟着走一遍。

1. 背景与核心概念

1.1 什么是 Claude Code

Claude Code 是 Anthropic 官方推出的命令行编程助手，本质上是一个跑在终端里的 AI 结对程序员。你在项目目录下启动claude命令，就能用自然语言描述需求，它可以读取项目文件、创建和修改代码、执行 Shell 命令、运行测试、操作 Git 等。

它和网页版 Claude 的核心区别在于工作形态：网页版更适合做问答、文档总结和片段生成；Claude Code 则强调和本地项目、文件系统、开发流程深度绑定。也就是说，它不是在“另一个窗口”里给你建议，而是直接在你当前的项目环境里干活。

1.2 为什么把 Claude Code 和谷歌云结合

谷歌云是全球主流的公有云平台之一，提供计算、存储、数据库、Kubernetes 等一整套云服务。把 Claude Code 和谷歌云放在一起，通常对应三类场景：

• 远程开发：本地电脑性能不够，或者需要和团队成员共用一套开发环境，直接在云端虚拟机上跑 Claude Code。
• 生成即部署：让 Claude Code 生成 Web 应用、API 服务，然后在同一台云端机器上完成安装依赖、启动服务、开放端口，形成“从需求到上线”的闭环。
• 自动化任务：使用 Claude Code 的非交互模式写脚本、生成文档、做批量代码处理，再接入 CI/CD 流水线。

本文要实践的正是第二种场景，这也是最直观、最有成就感的一条路径。

1.3 本文实战内容

先交代清楚整篇文章会走通的流程：

1. 在本地安装 Claude Code 和 gcloud 命令行工具。
2. 在谷歌云上创建一台 Ubuntu 虚拟机，并放行 Web 访问端口。
3. SSH 登录虚拟机，安装 Node.js 运行环境和 Claude Code。
4. 用 Claude Code 生成一个 Express Web 应用，提供首页和健康检查接口。
5. 把应用配置成 systemd 常驻服务，通过公网访问验证。
6. 最后整理高频报错、排查思路和工程建议。

整个流程覆盖“创建云资源 → AI 生成代码 → 部署上线”的完整链路，理解之后，你可以把同样的思路迁移到 Python、Go、Java 等更多技术栈。

2. 环境准备与版本说明

2.1 本地前置条件

本文的本地演示环境以 macOS / Linux 终端为例，Windows 用户建议使用 Windows Terminal 配合 WSL2，命令基本通用。

开始前需要准备：

• 一个谷歌云账号，且已开通 Compute Engine API。
• 一个可用的 Anthropic 账号或 API Key，用于 Claude Code 登录认证。
• Node.js 18 或更高版本，用于通过 npm 安装 Claude Code。
• 一台能正常连接谷歌云 API 的电脑。

需要说明的是，Claude Code 迭代速度比较快，版本号会持续更新。本文不会写死具体版本号，你安装时以官方 npm 仓库中的最新稳定版为准，重点是理解完整的配置思路。

2.2 安装 Claude Code

Claude Code 官方推荐通过 npm 全局安装：

npm install -g @anthropic-ai/claude-code

安装完成后验证版本：

claude --version

如果能输出版本号，说明安装成功。如果提示command not found，通常是 npm 全局安装目录不在 PATH 中。可以执行npm prefix -g查看全局目录，再把它加入系统 PATH。

安装速度较慢或失败时，先检查当前 npm 镜像源：

npm config get registry

如果用的是某个镜像源且不稳定，可以临时切换为官方 npm 源再安装：

npm install -g @anthropic-ai/claude-code --registry=https://registry.npmjs.org

2.3 初始化并登录 Claude Code

第一次运行claude时，它一般会引导你完成登录，常见有两种方式：

• 账号 OAuth 登录：在浏览器中完成 Anthropic 账号授权，适合已订阅 Claude 相关服务的用户。
• API Key 登录：通过ANTHROPIC_API_KEY环境变量指定你自己的 API Key，适合按 token 计费的用户。

建议把 API Key 放在环境变量里，而不是写进项目代码。比如在~/.bashrc或~/.zshrc中追加：

export ANTHROPIC_API_KEY="你的_API_Key"

保存后执行source ~/.bashrc，再运行claude验证能否进入会话界面。

不同时期官方对 Claude Code 的账号订阅策略会调整，如果你没有 API Key，请先确认当前官方文档中的开通方式，以官方说明为准。

2.4 安装并初始化 gcloud

gcloud 是谷歌云官方命令行工具，安装方式取决于系统：

• macOS：brew install --cask google-cloud-sdk
• Linux：下载官方 tar 包解压后执行install.sh
• Windows：使用 PowerShell 安装脚本

安装完成后执行初始化：

gcloud init

gcloud init会引导你登录账号、选择项目、设置默认区域。如果已经登录过，也可以直接切换项目：

gcloud config set project 你的项目ID

查看当前配置确认无误：

gcloud config list

确认账户、项目、区域都正确后，本地环境准备完成。

3. Claude Code 核心用法解析

3.1 交互式模式

在项目目录下运行：

cd /path/to/your/project claude

进入交互式界面后，你可以直接输入自然语言指令。比如输入/init，Claude Code 会分析当前目录结构并生成 CLAUDE.md 项目说明文件，之后它会更理解项目背景。

也可以直接提需求：

帮我在当前目录下创建一个最简单的 Express Web 应用，监听 3000 端口，提供一个 /health 健康检查接口。

Claude Code 通常会先输出执行计划，再创建文件、安装依赖、启动验证。这个过程和真人结对编程的节奏很像：先对齐目标，再动手执行。

3.2 非交互式模式

在脚本或 CI 流水线中，更适合使用非交互式模式：

claude -p "查看当前目录下所有 .js 文件，并把每个文件的第一个函数名输出到 result.txt"

-p表示 print 模式，执行完对话后直接退出并输出结果。这种模式很适合批量任务、自动化文档生成、代码检查等场景。

3.3 权限控制与安全检查

Claude Code 在执行本地命令前会做权限确认，默认会询问是否允许运行 Shell 命令、修改文件等。对于安全要求较高的场景，你可以在对话中明确限制它的操作范围，比如：

只修改 src 目录下的文件，不要执行部署命令。

也可以使用内置的/help查看当前版本的权限配置项。需要特别提醒的是：Claude Code 能执行命令，本质上和你在终端里敲命令拥有相同的能力，因此不要在一个权限过大的账号下让它随意操作生产环境。

3.4 在远程服务器上使用

Claude Code 本质是一个 CLI 工具，天然支持在 SSH 远程服务器中使用。你只需要在服务器上同样安装 Node.js 和 Claude Code，然后通过 SSH 登录服务器运行claude。

远程使用的优势很明显：

• 代码和运行环境在同一台机器上，AI 生成完代码可以直接启动验证。
• 不需要把部署产物频繁同步回本地。
• 团队成员可以共用同一台开发机。

不过要额外注意，远程服务器上的 API Key 和账号信息要妥善保管，不要写入任何会被提交到 Git 仓库的文件。

4. 谷歌云环境准备

4.1 创建虚拟机实例

先看一下可用的区域列表：

gcloud compute zones list | head -20

选择一个离你较近的区域，创建虚拟机。本文用一台轻量级 Ubuntu 22.04 虚拟机：

gcloud compute instances create claude-demo \ --zone=asia-east1-a \ --machine-type=e2-small \ --image-family=ubuntu-2204-lts \ --image-project=ubuntu-os-cloud \ --boot-disk-size=20GB

参数说明：

实例规格会直接影响成本和性能。本文演示的应用很小，e2-small 足够；如果后续要跑更重的构建任务，可以换成 e2-standard-2 或更高规格。

4.2 开放防火墙端口

默认情况下，谷歌云虚拟机只有少量端口对外开放。我们要通过浏览器访问 Web 应用，需要放行 3000 端口：

gcloud compute firewall-rules create allow-node-app \ --allow tcp:3000 \ --source-ranges 0.0.0.0/0 \ --description "Allow access to Node.js demo app"

这里必须明确一点：0.0.0.0/0表示允许所有来源 IP 访问，演示阶段这样配置最省事，但生产环境一定要收紧为指定 IP 段，或者把应用放在负载均衡器后面统一管理入口流量。最小权限原则在云安全里永远是第一位的。

4.3 SSH 登录虚拟机

gcloud compute ssh claude-demo --zone=asia-east1-a

SSH 登录成功后，你会看到 Ubuntu 的终端提示符。接下来在虚拟机上安装基础软件。

先更新系统包并安装 Node.js。Ubuntu 22.04 默认软件源里的 Node.js 版本偏低，推荐使用 NodeSource 源安装较新的版本：

curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash - sudo apt-get install -y nodejs

安装完成后验证：

node -v npm -v

4.4 在虚拟机上安装 Claude Code

在虚拟机上同样通过 npm 安装：

sudo npm install -g @anthropic-ai/claude-code

为了安全，建议不要用 root 运行业务应用，而是创建一个普通用户：

sudo adduser coder sudo usermod -aG sudo coder

切换到coder用户：

sudo su - coder

在coder用户下配置 API Key：

echo 'export ANTHROPIC_API_KEY="你的_API_Key"' >> ~/.bashrc source ~/.bashrc

到这里，虚拟机的开发环境准备完毕。接下来进入正式实战。

5. 完整实战：用 Claude Code 生成并部署 Web 应用

5.1 明确需求

在让 AI 写代码之前，先把需求写清楚。模糊的需求会得到模糊的结果，这也是很多 AI 辅助开发效果不佳的根源。本文的需求如下：

创建一个 Node.js Web 应用，使用 Express 框架，提供两个接口：

• GET / 返回一段 HTML，页面标题显示“Claude Code on Google Cloud”。
• GET /health 返回 JSON，内容为{ "status": "ok" }。 应用监听 3000 端口。

5.2 创建项目目录

mkdir -p ~/app && cd ~/app

5.3 用 Claude Code 生成代码

在项目目录下启动：

claude

输入如下需求：

在当前目录下创建一个 Express 应用： 1. 使用 package.json 管理依赖，express 版本用最新稳定版。 2. 入口文件是 app.js。 3. 提供 GET / 接口，返回一个简单的 HTML 页面。 4. 提供 GET /health 接口，返回 {"status":"ok"}。 5. 监听 3000 端口。 之后帮我运行 npm install 安装依赖。

Claude Code 会先输出执行计划，再创建文件并执行安装命令。完成后查看目录：

ls -la ~/app

预期会看到package.json、app.js、node_modules等文件。

5.4 核心代码说明

下面这段代码是 Express 应用的核心逻辑，你可以把它和 Claude Code 生成的结果对照检查：

// 文件路径：~/app/app.js const express = require('express'); const app = express(); const PORT = 3000; app.get('/', (req, res) => { res.send(` <html> <head><title>Claude Code on Google Cloud</title></head> <body> <h1>Hello from Claude Code</h1> <p>Deployed on Google Cloud VM.</p> </body> </html> `); }); app.get('/health', (req, res) => { res.json({ status: 'ok' }); }); app.listen(PORT, '0.0.0.0', () => { console.log(`App listening on port ${PORT}`); });

这里最需要注意的是监听地址必须写0.0.0.0，而不是127.0.0.1。因为虚拟机的公网请求会先到达服务器网卡，再转发给应用进程。如果应用只监听回环地址，外部流量就进不来。这是云服务器部署中最容易踩的坑之一。

5.5 启动并本地验证

手动启动一次，确认代码没有问题：

cd ~/app node app.js

看到App listening on port 3000后，另开一个 SSH 会话验证：

curl http://localhost:3000/health

预期输出：

{"status":"ok"}

再用虚拟机内网地址验证一次：

curl http://$(hostname -I | awk '{print $1}'):3000/health

返回正常说明应用本身没有问题，接下来把它配置成常驻服务。

5.6 配置 systemd 常驻服务

直接node app.js启动的进程会随着 SSH 会话关闭而结束。要让应用在后台长期运行、开机自启、崩溃自动重启，推荐使用 systemd 管理。

创建 systemd service 文件：

sudo tee /etc/systemd/system/claude-demo.service > /dev/null <<EOF [Unit] Description=Claude Code Demo App After=network.target [Service] ExecStart=/usr/bin/node /home/coder/app/app.js WorkingDirectory=/home/coder/app Restart=always RestartSec=5 User=coder Environment=NODE_ENV=production [Install] WantedBy=multi-user.target EOF

关键参数说明：

注意ExecStart中的 node 路径。Ubuntu 通过 NodeSource 安装后，node 一般位于/usr/bin/node，不确定时执行which node查看。

启动服务并设置开机自启：

sudo systemctl daemon-reload sudo systemctl enable claude-demo sudo systemctl start claude-demo

查看服务状态：

sudo systemctl status claude-demo

如果状态为active (running)，说明应用已经常驻运行。

5.7 公网访问验证

获取虚拟机外网 IP：

gcloud compute instances describe claude-demo \ --zone=asia-east1-a \ --format='get(networkInterfaces[0].accessConfigs[0].natIP)'

在本地浏览器访问：

http://虚拟机外网IP:3000/health

看到{"status":"ok"}即部署成功。访问首页则能看到标题为“Claude Code on Google Cloud”的 HTML 页面。

6. 进阶：远程迭代与自动化

6.1 让 Claude Code 继续迭代功能

应用跑起来之后，真正的价值在于持续迭代。SSH 登录服务器，进入项目目录：

cd ~/app claude

输入新需求：

给首页加一个按钮，点击后调用 /health 接口并把结果显示在页面上。

Claude Code 修改完成后，重启服务即可生效：

sudo systemctl restart claude-demo

“生成 → 运行 → 反馈 → 再生成”这个循环，是 AI 辅助开发的主流程。你会发现，比起手动改代码，让 AI 在明确约束下快速产出初稿，再由人工 review 和修正，整体效率会高很多。

6.2 用非交互模式做自动化

如果你希望 CI 流水线也能调用 Claude Code，可以使用-p模式。例如在部署脚本中自动生成 API 文档：

claude -p "阅读 src 目录下的所有代码，生成一份 API 文档，输出到 docs/api.md"

也可以让它做代码审查：

claude -p "检查当前目录下代码中是否有明显内存泄漏风险，并输出改进建议"

这种模式适合在部署流水线里做文档生成、变更说明、静态检查等任务，但要注意给 CI 环境配置独立的 API Key，并使用 secret 注入，而不是写死在配置文件中。

6.3 与 Git 协作

Claude Code 可以帮你执行 Git 操作，但如果仓库包含敏感信息，一定要在提交前检查。建议在项目根目录写入.gitignore，明确排除：

node_modules/ .env *.log

对于生产环境，更推荐使用谷歌云 Secret Manager 来管理密钥，而不是依赖本地的.env文件。

7. 常见问题与排查思路

7.1 常见报错对照表

7.2 排查思路建议

遇到问题不要急着重装，按顺序排查：

1. 先看错误信息本身。CLI 通常会给出关键原因，优先理解它而不是直接搜报错。
2. 再看版本。Claude Code 更新很快，很多报错是本地版本和 npm 最新版本不一致导致的，对比claude --version和npm view @anthropic-ai/claude-code version。
3. 检查环境变量。确认ANTHROPIC_API_KEY是否正确加载，不要在终端里明文打印完整 Key。
4. 检查网络。如果出现反复重试、连接断开，先确认基础网络是否正常，再判断是瞬时抖动还是配置问题。
5. 看日志。systemd 管理的服务用journalctl跟踪最新日志，比盲目猜测高效得多：

sudo journalctl -u claude-demo -n 50 --no-pager

7.3 关于调试建议的补充

如果某个报错在本文对照表中没有覆盖，最有效的办法是缩小问题范围：先确认“这个报错是 Claude Code 本身的问题，还是云服务器环境的问题”。判断方法很简单：在本地同一项目里跑一遍同样的需求，如果本地正常、服务器报错，问题大概率出在服务器环境；如果两边都报错，问题大概率出在 Claude Code 配置或版本上。

8. 最佳实践与工程建议

8.1 密钥与权限管理

• 永远不要把 API Key 提交进 Git 仓库。建议使用谷歌云 Secret Manager 或环境变量管理密钥。
• 云虚拟机尽量使用普通用户运行应用，避免 root 权限扩大攻击面。
• 谷歌云 IAM 权限遵循最小化原则：只在需要的服务上分配需要的权限，而不是直接给 Owner。

8.2 成本控制

• 用完即删。演示虚拟机如果不再使用，及时删除避免持续计费：

gcloud compute instances delete claude-demo --zone=asia-east1-a

• 设置预算告警。在谷歌云控制台的“预算与告警”里设置月度预算，超过阈值自动发邮件提醒。
• 按需升配。开发调试用小规格，压测时再临时升配，不要一直开大机器。

8.3 让 AI 生成的代码更可靠

Claude Code 生成代码很快，但生成结果不一定完全符合生产要求。建议在交互时明确约束：

• 每次修改前说清楚边界，比如“不要改动已有测试”“不要把不必要的依赖写进 package.json”。
• 要求它补充单元测试，并实际跑一遍。比如让 Claude Code 为/health接口写测试。
• 代码合并前人工 review，尤其是涉及数据库、支付、权限的部分。AI 生成内容只能作为起点，不能替代工程判断。

8.4 日志与监控

应用上线后，日志和监控必须补齐。systemd 下查看日志：

sudo journalctl -u claude-demo -f

如果应用要长期运行，建议在应用内接入结构化日志，把请求时间、状态码、耗时输出为 JSON，后续接入日志平台会轻松很多。同时在谷歌云控制台启用 Cloud Monitoring，对 CPU、内存、磁盘等基础指标设置告警。

8.5 与 CI/CD 结合

把 Claude Code 接入 CI 时，注意几点：

• CI 环境中的 API Key 通过 CI 平台的 secret 注入，不要写死在配置文件。
• 为 AI 生成内容设置明确的工作目录和临时目录，避免污染主仓库。
• 在流水线中跑一次非交互模式的代码检查脚本，把结果作为构建产物之一。

9. 总结与后续学习路线

本文从零完成了一次“Claude Code + 谷歌云”的部署实战：本机安装 Claude Code，创建谷歌云虚拟机，在虚拟机上用 Claude Code 生成 Express 应用，再通过 systemd 把应用变成常驻服务，最后通过公网访问验证。这个流程覆盖了云资源创建、AI 生成代码、部署上线的关键环节。

如果想继续深入，建议按这几个方向扩展：

1. 容器化：把应用打成 Docker 镜像，部署到谷歌云 Artifact Registry 和 Cloud Run。Cloud Run 可以按请求自动伸缩，比虚拟机更适合无状态服务。
2. Kubernetes：应用规模变大、需要多副本和高可用时，可以学习 GKE（谷歌云 Kubernetes 引擎），和现有的 k8s 部署体系是一脉相承的。
3. AI 开发工作流：实践 Claude Code 的 CLAUDE.md 项目说明、权限配置、非交互模式集成，逐步形成属于你自己的 AI 辅助开发流程。
4. 可观测性：把日志、监控、告警接到谷歌云 Cloud Monitoring，做到线上问题及时感知。

AI 辅助开发不是“让 AI 全自动写代码然后直接上线”，而是一个需要持续约束、验证和审查的协作过程。云平台也不应该被当成只能点点点的黑盒。把命令行工具、AI 编程助手和云资源三者串起来，即使团队规模很小，也能形成完整的应用交付闭环。建议先照本文跑通一次最简单的部署，再根据自己项目的技术栈做替换和扩展。动手跑通一次，比看十遍文档更有用。