拆解 Claude Code：Coding Agent 终于“能用”背后的架构真相

本文永久链接 – https://tonybai.com/2026/01/08/how-claude-code-works

大家好，我是Tony Bai。

在过去两年里，我们见证了 AI Coding Agent的尴尬童年：从最初笨拙的 Copy-Paste，到 Cursor 的 VS Code Fork 革命，再到如今 Claude Code 这种 CLI Coding Agent的出现。

为什么以前的 Agent 总是卡在“演示很酷，实战很废”的怪圈里？而 Claude Code 究竟做对了什么，让它突然变得如此顺手？

答案可能出乎意料的枯燥：不是魔法，是更好的模型加上更“傻瓜”的架构。

这不是一篇 Anthropic 的官方通稿。本文基于 PromptLayer 创始人 Jared Zoneraich 的深度逆向工程与实战分享。我们扒开了 Claude Code 的外衣，试图还原 Coding Agent 从“玩具”进化为“神器”的技术跃迁路径。

img{512x368}

架构哲学：删繁就简

如果你在 2024 年开发过 Agent，你一定画过那种复杂的 DAG（有向无环图）：

“如果用户想退款，跳到节点 A；如果想查询，跳到节点 B……”
为了防止幻觉，我们设计了无数个分类器（Classifiers）和路由（Routers）。

结果呢？我们得到了一张维护噩梦般的蜘蛛网。

Claude Code（以及 Gemini Cli、CodeX 等新一代Cli Coding Agent）的架构哲学可以用 Python 之禅概括：Simple is better than complex.

它们抛弃了复杂的 DAG，拥抱了 Master While Loop。

我们再用更为详细一些的伪代码来诠释这个master loop：

# Claude Code 的核心逻辑伪代码
messages = [...]
while True:
    response = model.generate(messages)
    if not response.tool_calls:
        break

    for tool in response.tool_calls:
        result = execute_tool(tool)
        messages.append(format_result(result))

就这么简单。Give it tools, and get out of the way.

这种架构的自信来源于模型能力的提升。现在的模型（如 Claude 4.5 Sonnet）已经足够聪明，能够自己决定“我需要先 grep 一下代码，发现不对，再 ls 一下目录，最后 edit 文件”。它不需要你预设路径，它需要的是自由探索的空间。

来自https://arcprize.org/leaderboard(2026.1)

工具箱揭秘：Bash 即正义 (The Tools)

Claude Code 的工具箱极其精简，但每一个都切中要害。Jared 在逆向分析后发现，这套工具集本质上是在模拟一个人类高级工程师在终端里的行为。(注：按照Jared的说法，这些工具箱中的工具可能随Claude Code的版本的变化而不同!)

Bash: The Universal Adapter

如果只保留一个工具，那就是 Bash。

它能跑脚本、能运行测试、能安装依赖、甚至能重启服务。
它是 Agent 与数字世界交互的通用接口。
最重要的是，LLM 训练数据里有海量的 Bash 语料，模型天生就是 Bash 高手。

Edit: Unified Diff

Claude Code 没有选择全量重写文件（Rewrite），而是选择了 Diff。

省 Token：只输出修改的几行，上下文窗口压力骤减。
速度快：更少的输出意味着更低的延迟。
容错高：就像老师批改作文划红线一样，基于上下文的 Diff 修改比凭空重写整段代码更容易命中，也更容易被人类 Review。

Grep & Glob > RAG

还记得那些为了让 Agent 理解代码库而建立的复杂向量数据库（Vector DB）吗？Claude Code 说：不需要。

它直接使用 grep 和 glob。这不仅是因为现在的 Context Window 够大，更是因为这符合工程师的直觉。当你接手一个新项目时，你不会先在大脑里建立一个向量索引，你会先 ls 看看目录结构，然后 grep 关键字。模拟人类的行为，往往是最佳策略。

Sub-Agents (Tasks)

当任务太复杂，上下文快爆了怎么办？Claude Code 引入了 Task 工具。

它可以启动一个子 Agent（Sub-agent），拥有独立的上下文，去执行特定的任务（比如“阅读完所有文档并总结 API 用法”），然后只将最终结果返回给主 Agent。这有效地解决了 Context 污染问题。

核心心法：相信模型，放弃微操

在传统软件工程中，我们习惯于通过代码控制一切：if 条件 A 发生，执行 B。但在构建 Coding Agent 时，这种“控制欲”往往是最大的敌人。

Jared 分享了一个极具启发性的失败案例：

为了让 Agent 更好地操作 PromptLayer 的网页后台，他曾试图进行“人工辅助”——给网页上的每个按钮都加上了详细的 Title 和标签，试图告诉 Agent “点击这里会发生什么”。

结果呢？Agent 的表现反而变差了。

为什么？因为额外的信息变成了噪音，分散了模型的注意力。模型原本可以通过“观察-尝试-纠错”的循环自己搞定任务，但人类的“硬编码微操”反而限制了模型的泛化能力。

Exploration > Hardcoding

Claude Code 的设计哲学是：当你有疑问时，相信模型(rely on the model)。

不要预设所有边缘情况：以前我们会写一堆正则来解析输出，现在？直接把错误扔回给模型：“你报错了，修好它。”

探索即纠错：模型不仅能写代码，还能读懂报错信息。Claude Code 之所以强大，不是因为它一次就能写对，而是因为它在 Master Loop 中具备了自我修复（Self-Correction）的能力。

工程师的直觉是“把路铺好”，但 AI 时代的直觉应该是“给它地图，让它自己走”。

那些“不起眼”但天才的细节

Constitution: CLAUDE.md

不需要复杂的微调，也不需要向量库。Claude Code 依靠项目根目录下的 CLAUDE.md 来理解项目规范。

这本质上是 Prompt Engineering 的胜利。它让配置变得透明、可读、可由用户（甚至 Agent 自己）随时修改。

System Prompt 解密：像老板一样下指令

Jared 分享了基于泄露信息的 Claude Code System Prompt 核心原则，这些原则非常值得我们借鉴：

Concise Output（极简输出）：除非用户要求细节，否则输出不要超过 4 行。
No “Here is…”（拒绝废话）：不要说“好的，这是您的代码…”，直接给代码。Just do it.
Action over Text（行动至上）：能用工具（Tool）解决的，别用文字解释。
Style Match（风格一致）：严格匹配项目现有的代码风格。
No Comments（拒绝注释）：除非用户要求，否则不要画蛇添足地加注释。
Parallelism（并行执行）：鼓励并行运行命令，大规模搜索，并使用 TodoWrite 跟踪进度。

这些指令的目的只有一个：让 Agent 看起来更像一个干练的 Senior Engineer，而不是一个啰嗦的 Chatbot。

Skills: 可扩展的 “System Prompt”

随着任务变复杂，System Prompt 会越来越长，甚至超过 Context 限制。Claude Code 引入了 Skills 机制。

你可以把它理解为按需加载的“技能包”。Agent 会根据当前任务，决定是否加载额外的上下文或能力。

典型应用场景：

Documentation Updates：加载特定的文档写作风格指南。
Design Style Guide：在写前端代码时，加载 UI 设计规范。
Deep Research：加载深度搜索和总结的能力。
DOCX/Excel Processing：甚至可以加载处理办公文档的技能（Jared 提到这是很多人没想到的用法）。

To-Do Lists: 提示词驱动的结构化

当你让 Claude Code 干活时，它往往会先列一个 To-Do List(是不是又和人类干活的方式类似呢)。

有趣的是，这不是代码里写死的逻辑，而是 System Prompt 诱导出来的行为。

它给用户一种“确定性”的心理安全感。
它支持断点续传：即使程序 Crash 了，重新把 To-Do List 喂给模型，它也能知道下一步该干嘛。

Thinking Knobs

Think, Think Hard, Ultra Think。

这不仅仅是噱头，这是把 Inference-Time Compute（推理时计算） 变成了一个可调节的参数。对于复杂的重构，你可以让它“多想一会儿”；对于简单的 Bug fix，直接干就是了。

市场格局：没有全局最优解

在 Coding Agent 的战场上，没有唯一的王者，只有不同的流派（The “AI Therapist” Problem）。

Claude Code：CLI 极简主义。简单、直观，适合不想离开终端的开发者。
Cursor：UI 速度流，极致的响应速度。它利用用户数据飞轮，让体验越来越丝滑。
OpenAI CodeX：内核硬核派(rust实现)。更关注底层的沙箱安全（Kernel-level Sandboxing），适合企业级、高安全要求的场景。
Sourcegraph Amp：Web 协作流。主打 Handoff（接力） 机制，在一个 Agent 搞不定时，无缝切换到另一个 Context 或模型(无需用户选择)，像接力赛一样解决问题。

核心启示：Claude Code 教给我们的 5 条构建法则

在演讲的最后，Jared 总结了 Claude Code 成功的 5 个核心要素。对于任何想要构建 Agent 或由 AI 驱动的应用的开发者来说，这 5 条法则就是当下的“金科玉律”。

Trust in the model (相信模型)

不要试图用传统的代码逻辑去“微操”模型。

反直觉：工程师总想把所有路都铺好（比如给网页按钮加详细标签）。
新常识：模型的泛化能力和纠错能力远超你的硬编码规则。当遇到不确定性时，给它目标，让它自己去探索，而不是给它僵化的步骤。

Simple design wins (简单致胜)

架构越简单越好。

拒绝复杂：不要搞几百个节点的 DAG（有向无环图），不要搞复杂的路由网络。
拥抱简单：一个死循环（While Loop）加上强大的模型，往往能击败精心设计的复杂架构。正如 Python 之禅所说：“Simple is better than complex.”

Bash is all you need (Bash 足矣)

在工具选择上，不要重新发明轮子。

通用接口：Bash 是在这个星球上运行代码最通用的接口，也是 LLM 训练数据中最丰富的语料之一。
少即是多：与其开发 50 个专用的 Tool（比如 create_file, delete_file, git_commit…），不如只给它一个 bash 工具。模型知道怎么用 touch, rm, git。