Skip to main content

​
这份白皮书是什么

这是对 Anthropic 官方发布的 Claude Code CLI 的逆向工程分析。 源码经过反编译处理（TypeScript 单文件 bundle 逆向），保留了核心功能模块，但包含大量 unknown/never/{} 类型错误——这些不影响 Bun 运行时执行，但意味着我们的分析基于运行时行为 + 残留源码结构，而非原始源码。 这不是：
  • 官方文档或使用教程
  • API 参考手册
  • Claude Code 的功能推销
这是：
  • 一个生产级 agentic system 的架构解构
  • 每个设计决策背后的”为什么”
  • 可复用的工程模式：agentic loop、工具抽象、上下文工程、安全纵深防御

​
逆向过程中最精妙的设计决策

​
1. Agentic Loop 的自愈能力

src/query.ts 实现的核心循环不是简单的”发请求→收响应”。它是一个自愈的状态机：
  • API 返回错误（限流、token 超限）→ 自动重试/降级
  • 工具执行超时 → 后台化 + 通知机制
  • 对话过长触发 compaction → 压缩历史后无缝继续
  • 用户中断 → 生成 UserInterruptionMessage 让 AI 理解发生了什么
这不是”if-else 堆叠”，而是让 AI 自己根据上下文决定下一步——即使发生了意外。

​
2. 上下文工程的分层策略

AI 没有真正的”记忆”，Claude Code 通过精心分层营造了这个幻觉：
层机制持久性
System Prompt项目结构、git 状态、CLAUDE.md每轮重建
对话历史完整的 User/Assistant/Tool 消息会话内
Compaction自动压缩过长对话为摘要压缩后替代原始消息
Memory 文件跨会话持久化的笔记永久（用户可控）
File History文件修改时间戳快照会话内
src/context.ts 组装 System Prompt 时的策略是：不变内容在前、变化内容在后——这利用了 API 的缓存机制，前缀不变时可以复用缓存 token。

​
3. 工具系统的权限双轨制

src/tools/BashTool/shouldUseSandbox.ts 展示了一个精巧的双重安全模型：
  • 应用层：权限规则决定”能不能执行”（白名单/黑名单/用户确认）
  • OS 层：沙箱决定”执行时能做什么”（文件系统/网络/进程隔离）
两层的信任假设不同：应用层信任用户配置，OS 层不信任任何东西。即使 AI 绕过了应用层权限（理论上不可能，但纵深防御），OS 层沙箱仍然限制实际危害。

​
4. Feature Flag 的全局开关

src/entrypoints/cli.tsx 中一行代码决定了整个系统的行为： 
const feature = (_name: string) => false;
所有 feature('FLAG_NAME') 调用返回 false——这意味着 Anthropic 内部的实验功能（COORDINATOR_MODE、KAIROS、PROACTIVE 等）全部禁用。在官方构建中，这些 flag 通过 Bun 的 bun:bundle 在编译时注入，不同用户群体看到不同功能。 这是一个渐进式发布架构：同一个代码库，通过 feature flag 控制功能可见性，而不需要维护多个分支。

​
5. Compaction 的分档策略

src/services/compact/ 实现了三种压缩策略：
  • Micro-compact：单次工具输出过长时，截断结果
  • Auto-compact：对话 token 接近上限时，自动压缩历史
  • Reactive-compact：API 返回 token 超限错误时，紧急压缩后重试
这不是简单的”砍掉旧消息”——而是用 AI 自身来总结之前的对话，保留语义信息。压缩后插入一条 TombstoneMessage 标记边界。

​
阅读路线图

推荐的阅读顺序，每章解决一个核心问题： 
什么是 Claude Code (你在读的)          ← 建立直觉
    │
    ├── 架构全景                       ← 五层架构 + 数据流
    │
    ├── 安全体系                       ← 信任与控制
    │   ├── 权限模型                   ← 应用层安全
    │   ├── 沙箱机制                   ← OS 层安全
    │   └── Plan Mode                  ← 用户主导模式
    │
    ├── 对话引擎                       ← AI 如何思考
    │   ├── Agentic Loop               ← 核心循环
    │   ├── 流式响应                   ← 实时通信
    │   └── 多轮对话                   ← 上下文管理
    │
    ├── 上下文工程                     ← 记忆与预算
    │   ├── System Prompt              ← 上下文组装
    │   ├── Token 预算                 ← 预算管理
    │   └── 项目记忆                   ← 跨会话持久化
    │
    ├── 工具系统                       ← AI 的双手
    │   ├── 工具概览                   ← 统一接口
    │   ├── Shell 执行                 ← Bash 工具
    │   └── 搜索与导航                 ← Glob/Grep
    │
    └── Agent 与扩展                   ← 能力扩展
        ├── 子 Agent                   ← 并行任务
        ├── 自定义 Agent               ← 用户定义
        └── MCP 协议                   ← 外部工具接入

​
适合谁读

  • AI Agent 开发者：想理解生产级 agentic system 的架构模式
  • 安全工程师：对 AI 操作真实环境时的信任模型感兴趣
  • 工具构建者：正在构建类似的 coding assistant 或 CLI 工具
  • 好奇心驱动的开发者：想知道”AI 编程助手到底怎么工作的”