Claude Code 源码里三个反常识的AI产品设计哲学

作为一个天天和AI产品打交道的产品经理，我拿到 Claude Code 源码的那一刻，直接失眠了。

我之前一直觉得Claude Code用起来很顺手，但从来没有细想过它到底好用在哪，现在仔细一研究，才发现它在产品设计上做的很多选择，和市面上大部分 AI 产品都是反着来的。

别人都在卷模型能力、卷上下文长度、卷 Agent 数量。但 Claude Code 让我震撼的，不是它的技术架构，而是它的产品哲学——

让用户从 “使用 AI” 变成 “管理 AI”。

这篇文章，我把从源码里提炼出来的产品设计思想，总结成三点，分享给所有做 AI 产品的朋友。

一、渐进式信任：别让用户“相信 AI”，让 AI 证明给你看

先说一个我从源码里发现的、市面上几乎没有产品做到的设计——拒绝追踪（Denial Tracking）。

什么意思呢？当用户反复拒绝 AI 的某类请求后（比如 “不要修改测试文件”），Claude Code 会自动记录这种拒绝模式，下次不再用同样的请求骚扰用户。

这个功能本身不复杂，但它背后是一个很容易被忽略的产品价值观——一个好的 AI 产品，应该能感知到用户的边界，并且尊重它。

而这只是 Claude Code 整套“渐进式信任”设计的冰山一角。

AI 产品和传统软件有一个本质区别：传统软件的行为是确定的——你点什么就发生什么，所以用户掌控感很强；但 AI 的行为就像开盲盒——用户永远无法完全预测 AI 这次给出的结果是好还是不好，这种不确定性天然制造不信任。

市面上大部分 AI 产品怎么处理这个问题？两个极端：

• 要么让用户全面授权（比如一些自动编程工具）
• 要么把 AI 限制在纯建议角色（比如大部分对话式 AI）

前者是强迫信任，后者是回避信任。

但 Claude Code 走了第三条路：设计一条信任阶梯，让信任在使用过程中自然生长。

它怎么做的？

• 精细化分层权限：Claude Code 设计了 5 种权限模式—— ask（每步都问）、acceptEdits（自动批准编辑）、auto（AI 自动判断）、plan（只规划不执行）、bypass（完全信任）。新用户从 ask 模式开始，用着用着觉得靠谱了，再一档一档往上调。
• 定制化审批界面：Claude Code 为 24 种以上的不同工具，分别定制了专属的权限请求界面。要执行命令？给你看完整命令行；要修改文件？给你看具体的 diff；要访问网络？展示完整 URL。
• 用 AI 监管 AI：在 auto 模式下，Claude Code 不是用硬编码规则来判断操作是否安全，而是用另一个 ML 分类器来做安全决策。
• 信任可升级，也可降级：某次体验好了，可以提升权限；某次出错了，随时降回去。信任是一个可以反复调整的动态博弈。

这对我们做 AI 产品来说，很重要的启示就是让用户从不信任开始，在每一次正确执行中积累信任，最终心甘情愿地给出更大的自主权。

二、可编程的 AI 行为：别做万能 AI，做塑造 AI 的工具

Claude Code 在 AI 执行操作的每一个关键节点（执行命令前、修改文件后、会话开始时、文件变更时……）都留了回调接口，用户可以写脚本来拦截、修改、甚至阻止 AI 的任何操作。

比如：

• AI 改完代码后，自动触发你项目的测试套件
• 会话开始时，自动注入你团队的代码规范作为上下文

这等于让 AI 的行为像软件一样，可定义、可扩展、可修改。

除了 Hook 以外，Skill 系统也是一种非常重要的可编程设计——用自然语言定义 AI 新技能。

用户写一个 Markdown 文档放到指定目录下，就能创建 AI 的一个新命令。不需要写代码，只需要写清楚“你要做什么、怎么做、注意什么”。

这些 Skill 可以被命名、分享、版本管理。你团队里最懂某个业务的同事，可以把自己的专家知识打包成一个 Skill，让整个团队的 AI 都拥有这项能力。

同时 Claude Code 还有五层配置来源：个人设置、项目设置、企业策略、命令行参数、会话内修改。每层都可以覆盖上一层，个人、项目、企业各管各的，开发者自定义自己的习惯，团队 Lead 定义项目规范，安全团队定义合规策略——互不冲突，各司其职。

这对我们做 AI 产品来说：别试图做一个“开箱即用、永远正确”的 AI——那不现实。更好的策略是：给用户塑造 AI 的能力

三、AI 作为协作组织：先把现有能力组织好

最后一个设计——多 Agent 团队协作系统。这和最近 Anthropic 刚发布的 Harness Engineering 实践直接对上了。

（顺便做个小预告，下期我会来全面解读下 Harness 这个新名词）

在 Claude Code 里，一个主 Agent 可以召唤多个子 Agent，组成一个团队：一个负责搜索代码、一个负责写测试、一个负责做 code review。每个 Agent 有独立的名称、颜色标识、内存空间、权限模式和工作目录。

• 给 AI 分工：让每个 Agent 做它擅长的事
• 给 AI 隔离：让试错的成本趋近于零
• 给 AI 流程：让思考和执行有序分离

在现有模型能力的约束下，做好组织设计，往往比等一个更强的模型更有效。

写在最后

读完 Claude Code 源码，最大的感受是：Anthropic 不只是在做一个 AI 工具，它在设计一套人与 AI 的协作范式。

这三个设计思想，总结成一句话就是——

让用户从“使用 AI”进化到“管理 AI”：通过渐进式信任建立关系，通过可编程行为定义规则，通过协作组织放大能力。

这条路，可能比卷模型参数、卷上下文长度、卷 Agent 数量，都要走得更远。

我是吃土，带你用产品视角看懂 AI。