深度丨看完 Claude Code 底层拆解，我打赌国产模型们这一波要赢麻了

今天，Anthropic 真的要麻了。

因为 Claude Code 意外泄露了 source map，这款被无数开发者捧上神坛的最强终端 AI，第一次把自己的内部骨架暴露在聚光灯下。

外网最损的一句评论是：Anthropic 真该改名叫 OpenAI。

但真正值得中国厂商兴奋的，不是看热闹，而是看门道。一款顶级 AI Coding 产品，真正的护城河到底修在哪里。不是单纯卷补全准确率，不是再做一个 IDE 插件，而是围绕模型搭出一整套运行时系统。

对字节、阿里、智谱、Kimi 这批正在往 Agent 和开发者工具纵深走的中国模型厂商来说，这几乎等于白捡了一份“下一代产品路线图”。而在港股 AI 叙事已经持续升温、智谱刚交出高增长年报、月之暗面也仍在推进上市想象空间的当下，这种级别的教学材料，显然只会继续给市场情绪再添一把火。

那么 Claude Code 究竟是怎么做的呢？这篇深度分析文章基于科技博主 Sathwick 对 Claude Code 源码及架构的逆向解剖，为你还原这款产品之所以能降维打击的内幕。

  Claude Code 的底层是一整套分层系统

Claude Code 不是一个单纯调用大模型的命令行工具，而是一套分层设计的完整系统。

最上面是用户看到的终端界面，中间是命令和工具层，负责把各种能力暴露给模型；再往下是查询处理引擎，负责流式调用、工具调度、重试恢复和上下文压缩，相当于整个系统的大脑；下面还有服务层，处理认证、插件、状态管理和分析；最底层则是文件系统、Git、配置、权限和安全存储这些基础设施。

代码目录也非常重：主入口、查询引擎、工具注册表、100 多个 slash commands、146 个 UI 组件、自研 terminal framework、85+ hooks、330+ utils、多智能体协调、远程管理、任务系统、迁移系统，几乎把一个现代复杂应用该有的层全铺齐了。

这意味着，Claude Code 的思路从一开始就是把 AI 作为系统中心，再围绕它重建一套终端交互、执行、安全和扩展框架。

它不是一个 prompt wrapper，而是一个把模型、工具、状态、上下文和 UI 都统一起来的工程产品。

  它最先优化的是“启动那一瞬间的体感”

很多人会把 AI 工具的体验问题归结为模型快不快、聪不聪明，但 Claude Code 在源码里首先解决的，是更底层的“第一眼体验”。

为了尽可能缩短首次渲染时间，它在模块导入前就先并行做几件事，比如启动 macOS MDM 策略读取、预取 keychain 里的 OAuth 和 API key。原因很简单：TypeScript 模块执行本身就有顺序耗时，那不如把这些 I/O 操作提前塞进去并行跑，把等待时间重叠掉。

后面的初始化也不是乱序堆起来的，而是一个明确编排过的阶段链：配置校验、安全环境变量、CA 证书、优雅关闭、OAuth 账户填充、IDE 检测、远程托管设置、策略限制、mTLS、代理、API 预连接、shell 检测、LSP 清理、多智能体集群清理。甚至连 --version、--dump-system-prompt、mcp serve 这种快速退出路径，都单独走轻量初始化分支，避免用户为了一个版本号也得把 React 和整套 UI 都启动起来。

这背后体现的是一种非常典型的基础设施思维：

真正成熟的开发者工具，首先要让“等待”这件事尽可能消失。因为对高频工具来说，100 毫秒、200 毫秒，累计起来就是产品质感本身。

  核心是一个会自我修复的查询引擎

Claude Code 的真正大脑，是它的 Query Engine。

源码里，这套系统分成两层：QueryEngine.ts 负责会话级编排，query.ts 负责逐回合状态机。前者管理系统上下文、消息持久化、API 调用、权限统计和成本累计；后者则是一个 while(true) 的弹性循环：先并行预取记忆和 skills，再做消息压缩，然后流式调用 API，处理错误，执行工具，再判断要不要 compact、collapse、续 token、或者继续下一轮。

这套设计最有意思的一点是：Claude Code 并不把“一次提问”理解成一次简单请求，而是理解成一个可能不断恢复、转向、补执行、续上下文的长生命周期任务。

也就是说，它不是“问一次、答一次”的模型调用器，而是“任务驱动型回合引擎”。

比如当模型输出 token 快耗尽，但任务还没做完时，它不会粗暴停住，而是注入一条隐形元消息，要求模型“直接继续，不要道歉，不要回顾”，然后把回合自然续下去；如果上下文太长，就先做 staged collapse，不够再 reactive compact；如果流式请求中途挂掉，就尝试退回非流式；如果模型过载，还会回退到备用模型。整个过程的目标都不是“严格遵守单次请求边界”，而是“尽可能让任务完成，而不是把报错抛给用户”。

这其实非常像现代浏览器或数据库的思路：

用户看到的是一个流畅的连续体验，底层则在不停做容错、回退和恢复。

  60 多个工具，被统一成一个接口

Claude Code 强的地方是它能把工具系统做成一个一致、可调度、可渲染、可控权限的统一层。

在源码里，每个工具都遵循同一套接口：名字、描述、额外 prompt、输入 schema、调用逻辑、权限检查、输入校验、并发安全判断，以及四层 UI 渲染方法——工具开始、工具进度、工具结果、工具报错。也就是说，在 Claude Code 看来，Bash、文件编辑、grep、LSP、Web 搜索、Agent 调度，本质上都只是统一工具协议下的不同实现。

这种抽象带来的最大好处，是系统可以真正按“工具能力”而不是“工具来源”去调度。

只读工具能并发跑，写工具必须串行跑；大输出会被截断并持久化；输入输出都能被 schema 约束；权限系统也能对所有工具统一生效。

更细一点看，Claude Code 的很多工具设计都很像为 LLM 重新发明了一遍开发环境：

• BashTool 不是裸 shell，而是带结果长度限制、沙箱感知、后台执行、权限预览的安全命令执行器。

• 文件编辑工具不是暴力全量重写，而是精确字符串替换，并和 git diff、撤销系统打通。

• GrepTool 是为 LLM 优化过的 ripgrep 封装，默认限制输出、防止上下文爆炸。

• LSPTool 让模型获得 goToDefinition、findReferences、hover 这类语言智能能力。

• AgentTool 则直接把“再开一个 Claude 去并行处理另一部分任务”做成了一等能力。

换句话说，Claude Code 的真正竞争力，不是“模型知道怎么编程”，而是“模型被接进了一套真正可执行的软件环境”。

  不是工具多，而是按需发现工具

一个很容易被忽略、但非常关键的设计，是 Claude Code 并不会在每次请求里，把 60 多个工具全部摊给模型。

它引入了延迟工具发现机制。部分工具会先隐藏，只有当模型明确意识到自己需要某类能力时，才通过 ToolSearchTool 去搜索、拉出对应 schema，然后在同一回合中调用。这种设计把基础 prompt 的体积控制在合理范围内，同时保留了弹性扩展能力。

这件事非常重要，因为它说明 Claude Code 已经开始把“工具系统本身”也当作上下文预算问题来管理。

很多 agent 产品越做越臃肿，一个原因就是恨不得把所有能力一次性塞进系统提示词。Claude Code 反过来做：先收起来，等你真需要时再展开。

这其实是一种很典型的系统优化思路：

别让模型总是背着整座工具仓库上路，而是让它先轻装跑，再按需取件。

  权限系统才是 最重、也最像产品护城河的部分

如果说工具系统决定了 Claude Code 能做什么，那么权限系统决定了它敢做什么。

Claude Code 源码里，权限是一个真正的多层防御体系。它有多种模式：默认模式下，破坏性操作需要确认；plan 模式只读；acceptEdits 可以自动批准文件编辑但 shell 仍然受控；bypassPermissions 则近似全开；dontAsk 直接自动拒绝不安全命令。除此之外，还有内部的 auto 和 bubble 模式。

规则本身也不是简单的 yes/no。它有来源优先级，有 glob 匹配，有 allow/deny/ask 三态，还有 pre/post hooks 可以在执行前修改输入，或者直接阻止执行。系统甚至会识别“过于宽泛”的危险规则，比如 python:*、node:*、* 这种本质上等于放弃控制的模式，不会轻易自动放行。

这意味着，Claude Code 并不是在“AI 自动化”和“人工确认”之间二选一，而是在做一套非常细粒度的操作治理系统。

对于企业或重度开发场景来说，这一点比模型多聪明 5% 还重要。因为真正把 agent 引入生产环境时，最大的阻力从来都不是模型回答质量，而是“它会不会误操作”“出了问题谁兜底”“权限边界怎么划”。

很多 AI 编程工具还停留在“让模型更能写”的阶段，Claude Code 已经明显进入“让模型更能被管理”的阶段了。

  它甚至重写了终端 UI

Claude Code 另一个非常夸张、也非常能说明工程深度的地方，是它的终端 UI。

它不是用普通 ANSI 输出做一个“看起来像应用”的东西，而是真正重做了一套终端渲染栈：React 组件先经过自定义 reconciler 生成虚拟 DOM，再交给 Yoga 做 flexbox 布局，然后进入 output builder、screen buffer、diff engine，最后才落成 ANSI escape sequences 发给 TTY。

这套系统里，有双缓冲、有 blit 拷贝未变化区域的优化、有二维 cell buffer、有样式池、字符池、超链接池，还有硬件滚动区域、事件捕获和冒泡、文本选择、软换行处理、键盘协议解析。它处理的问题已经不是“怎么把文字打印出来”，而是“怎么在终端里实现接近 GUI 的交互体验”。

从工程视角看，这一层特别值钱。因为当大多数人还把终端当“只要能输出就行”的粗糙界面时，Claude Code 实际上是在把终端重新产品化。

而一旦终端体验被重新产品化，CLI 就不再只是开发者忍受的工作台，而开始变成真正有体验差异的前端。

换句话说，Claude Code 不是在做一个更聪明的 CLI，

它是在证明：CLI 本身，也可以成为一个高复杂度、高完成度的应用平台。

  Slash Commands、Skills、Plugins、MCP

Claude Code 之所以不像一个单点工具，另一个原因是它的扩展层已经非常完整。

命令系统里，slash commands 超过 100 个，而且并不是一类命令，而是三类：展开成 prompt 的命令、纯本地文本命令、以及直接用 React 组件渲染到终端的本地 JSX 命令。所有命令还会根据当前运行环境过滤，比如远程模式、桥接模式下，能用的命令集合都不一样。

在这之上，还有 skills、plugins 和 MCP 三层扩展：

Skills 是带 frontmatter 的 Markdown 提示模板，可以来自项目目录、用户目录、内置 bundle、插件甚至 MCP 自动生成器，而且支持 fork 到隔离子代理中执行，避免大技能把当前会话上下文吃爆。

Plugins 则把技能、hooks、MCP server 和用户可配置变量打成一个包。

至于 MCP，更像 Claude Code 对外接世界的总线：本地 stdio、网络 sse/http/ws、SDK、Claude.ai proxy 都支持；配置还分本地、项目、用户、企业、动态等多层来源；接入进来的工具会被统一命名、统一权限检查、统一分析处理。

当这些层叠起来，Claude Code 就不再是“Anthropic 做的一款 AI 编程产品”，而更像一个可被二次开发、可被组织化管理、可接入外部生态的 agent 平台。

这也是它和很多“功能很炫，但体系很薄”的 AI 开发工具最大的差别。

  为了对抗上下文极限，压缩成为了一门学问

Agent 产品做到后面，最大的敌人几乎都会变成上下文窗口。

Claude Code 对这件事的处理非常工程化。它不是等上下文爆了再统一报错，而是提前布置了多层机制：自动压缩、微压缩、snip compact、context collapse。

当 token 接近阈值时，它会先去掉旧消息里的图片和文档，再按 API 回合组织消息，调用压缩模型生成摘要，用 compact boundary message 替换历史内容；压缩后还允许重新注入有限数量的重要文件和 skills。

如果只是工具输出太多，那就做更轻量的 microcompact；如果 API 真因为 prompt 太长返回 413，就按 collapse drain → reactive compact → surface error 的顺序逐级恢复。用户大多数时候根本看不到这些机制在工作，只会感觉“这会话怎么聊了这么久还没炸”。

这其实很能代表 Claude Code 的产品哲学：

别把模型限制当成静态天花板，而要把它当成运行时资源去动态调度。

  不是单智能体，而是多智能体

源码里，Claude Code 的多智能体架构已经不是“实验性 feature”那种程度，而是相当实用化了。

AgentTool 可以生成子代理，支持共享文件系统、Git worktree 隔离、远程 CCR 运行，还能指定模型、后台执行，并通过命名消息让代理之间互相协作。后台任务系统也不是随便起个进程，而是有 IPC、任务状态、base-36 编码 ID、锁重试机制，能在 tmux 或多个终端窗格之间协调。

尤其是 worktree 模式，很能看出 Claude Code 对“并行干活”这件事的认真程度。

它不是简单地多开几个 agent 让它们同时改代码，而是给它们真正的 Git 级隔离工作区，最后再决定保留还是丢弃。这种设计把多代理从“容易互相踩文件”的 demo，推进到了“可以在真实代码库里更安全地并行”的可用层。

放在 2026 年这个时间点看，这也很重要。因为 agent 的下一阶段竞争，越来越不像“谁回答更好”，而像“谁更会组织一群 agent 一起工作”。Claude Code 很明显已经提前踩进去了。

  出了问题也不让你太难看

真正的生产级系统，衡量标准不是“不出错”，而是“出错时怎么表现”。

Claude Code 的错误恢复体系相当完整：

429、529 这种瞬时错误会重试；401 先尝试 OAuth 刷新；413 先走上下文恢复路径；max output tokens 先尝试升到更高 token budget，再注入继续提示；持续 529 还会回退模型；流式中途失败则改用非流式请求继续。

它的目标非常明确：尽可能把复杂性留在内部，把连续性留给用户。

这点其实很容易被低估。很多 AI 产品 demo 时很顺，一进真实环境就暴露出“没有恢复层”的问题：网络抖一下就挂、上下文长一点就崩、工具执行一半断流就只剩一地孤儿结果。Claude Code 在这方面已经明显进入“基础设施级成熟度”的范畴。

  最离谱的是它真塞了个 AI 宠物进去

如果前面那些部分体现的是 Anthropic 的工程野心，那 BUDDY 则体现了另一面：

他们显然也很懂，开发者工具不一定非得永远板着脸。

源码里，Claude Code 有一个完整实现的电子宠物 companion。它会出现在输入框边上，按用户 ID 稳定生成，有物种、稀有度、帽子、眼睛、属性、名字和性格，还会说话、显示对话气泡、响应交互，甚至有愚人节预热窗口。

表面上看，这像是个彩蛋。

但往深了看，它其实说明 Claude Code 已经不再只把自己当作一个“冷冰冰的效率工具”，而在尝试把开发者长期使用时的情绪体验也纳入设计里。

这类设计未必决定成交，却经常决定留存。因为一个每天打开十几次的工具，迟早会从“完成任务”演化成“陪你工作”。

  KAIROS、记忆系统和持续助手模式

如果说前面的 Claude Code 还是一个非常强的本地 AI 工具，那么 KAIROS 和 Memory System 透露出的，就是它更长期的形态：一个跨会话持续存在的助手。

源码里，记忆系统会把内容按 Markdown 文件加 YAML frontmatter 的方式存下来，分成 user、feedback、project、reference 四类，用一个 MEMORY.md 作为目录索引，再通过相关性选择器在每次对话中只召回最相关的一小部分记忆，而不是把全部历史硬塞进 prompt。系统还明确限制哪些内容不该记，以避免把项目状态可推导出的信息重复固化。

KAIROS 更进一步。它包含“自动做梦”这类后台内存整合机制，会定期扫描会话、日志和记忆目录，整合漂移信息、更新索引、清理陈旧指针，像是在给 Claude 做一种跨会话的“记忆巩固”。同时它还引入持续助手模式、主动 tick、后台任务、仅追加日志等组件。

这说明 Claude Code 的未来方向，已经不只是“帮你完成当前命令”，而是“长期理解你、理解项目、理解组织，并在多个时点持续协作”。

这和单次聊天式 AI 助手完全不是一个层级的产品目标。

  这次事件，对 Claude 和国内厂商意味着什么

先说 Anthropic。

短期来看，这当然是一场不小的尴尬。源码被顺着 source map 扒出来，不只是暴露了工程细节，也让外界第一次系统性看见了 Claude Code 的内部组织方式。可从另一个角度看，这件事也反过来证明了一点：Claude Code 已经不再只是 Anthropic 产品矩阵里一个挺好用的功能，它已经成了整个行业观察 Anthropic 产品能力、工程品位和未来方向的窗口。否则，这次事件不会从安全事故迅速升级成行业热议。

但更大的影响，其实在国内。

因为 Claude Code 这次真正抬高的，不是一个模型门槛，而是一整套系统门槛。国内厂商如果还把 AI Coding 理解成“代码补全 + 聊天问答 + IDE 侧边栏”，接下来会越来越被动。你会发现，真正开始争夺的是另一层位置：谁能把 terminal、工具、上下文、权限、记忆和任务调度拼成一个可持续工作的 agent 系统。

这个趋势，其实国内已经有人看见了。

Qwen Code 在官方 GitHub 和文档里的定义就很直接：它是一个 “lives in your terminal” 的开源 AI agent，主打理解大型代码库、自动化重复工作，并且明确优化给 Qwen 系列模型使用。项目文档还写明，它基于 Gemini CLI 做了适配，加入了更适合 Qwen-Coder 模型的能力。也就是说，国内厂商并不是没看见方向，问题只在于，谁能先从“一个 terminal agent”继续往前走，走到真正的系统层。

而一旦竞争进入系统层，国内厂商未必没有自己的机会。

因为这时候，比拼的就不只是“谁模型更强”，而是“谁更懂本地工作流”。中国开发者用的协作工具、代码托管、审批流、知识库、企业 IM、私有化环境，和海外并不完全一样。未来真正有机会跑出来的 AI Coding 产品，未必只是模型最强的那个，也可能是最懂本地工程环境、最懂企业内网、最懂权限和合规边界、最懂如何把 agent 接进中国开发者日常工作流的那个。

谁先占住这层，谁就更可能拿到下一轮主动权。Claude Code 只是比其他人更早，把这个答案写进了产品里。

[1]