从Claude Code源码源码泄露,了解顶级AI助理是如何工作的

一次意外的“开源”

2026年3月31日，Anthropic公司犯了一个低级错误——把自家产品Claude Code的完整源代码打包发布到了网上。虽然这个失误让公司内部可能不太好过，但对于我们这些做技术的人来说，却意外获得了一份宝贵的“学习材料”。

这份代码超过51万行，比市面上任何一个开源的AI助手项目都要复杂得多。我花时间仔细研究了这份代码，不是为了八卦，而是想搞清楚一个问题：为什么有些AI用起来感觉特别聪明，有些却像个智障？

下面我尝试用最通俗的方式，分享我从这份代码里看到的几个关键设计。即使你不写代码，也能大概理解顶级AI助理到底强在哪里。

一、启动速度：为了快0.1秒，他们有多拼？

你有没有遇到过这种情况：打开一个软件，等了好几秒才看到界面，心里就开始烦躁。

Claude Code是一个命令行工具，按理说应该秒开。但它的开发者不满足于此，他们追求的是极致。

怎么做的呢？他们发现启动时有两件事比较耗时：读取配置文件、从钥匙串里取密码。这两件事和界面加载没有依赖关系，于是他们做了一个决定：让这三件事同时进行。

就像你要出门，可以一边换鞋，一边让AI帮你查天气。等你换好鞋，天气信息也准备好了，不浪费一秒钟。

这种对速度的苛求，贯穿了整个代码库。这告诉我们：好的产品体验，往往藏在那些用户感知不到的细节里。

二、提示词缓存：为什么你感觉它“记得”之前说过的话？

这是这份代码里最让我拍案叫绝的部分。

用过AI的人都知道，你每次和它对话，其实都是在“重新介绍”上下文。如果你和它聊了很久，前面说的话它会慢慢“忘记”。

Claude Code的团队想了个办法：把提示词拆成几块，把那些永远不变的部分缓存起来，每次都重用，只把变化的部分发给AI。

这听起来简单，做起来极其复杂。比如：

• 系统指令（“你是一个编程助手……”）永远不变 → 缓存
• 当前目录是什么、git状态是什么 → 每次都可能变，不缓存
• 有哪些工具可以用 → 为了不破坏缓存，甚至把所有工具名按字母顺序排好

为什么要这么折腾？因为省钱。调用AI是按token（相当于字数）收费的，每次调用少发几千个重复的token，积少成多，省下的钱非常可观。

这揭示了一个道理：在AI应用这个领域，技术壁垒往往不是算法多牛，而是对成本的把控有多精细。

三、工具调用：如何让AI一边干活一边不卡顿？

Claude Code能做的事情很多：读写文件、执行命令、搜索代码……它内置了40多种工具。但如果每次只用一个工具，那就太慢了。

它的设计是：能并行的就并行，不能并行的就排队。

比如，让AI同时读取3个不相关的文件，它真的会同时去读。但如果是要先改文件A、再改文件B，它知道这两个操作有先后依赖，就会乖乖排队。

更有意思的是，有些工具平时根本不用，如果每次都把所有工具介绍给AI，既浪费钱又让AI“分心”。于是他们设计了一个机制：需要的时候才告诉AI有这个工具。就像工具箱里放了几十种工具，但你只需要告诉别人“你需要什么，我再拿给你”，而不是把整个工具箱摊开。

四、防止AI“发疯”：如何隔离乱七八糟的试错过程？

用过AI编程的人都知道，让它修一个bug，它可能会尝试好几种方法，有的成功有的失败。这些失败的尝试会留在对话里，慢慢污染上下文，最后AI自己都搞不清楚之前在做什么。

Claude Code的解决办法是：开一个“子进程”让AI去试错，试完了只把结果告诉我，试错过程全部扔掉。

想象一下，你让一个实习生去调研一个新领域。他可以查很多资料、问很多人，最后只交一份报告给你。你不会把他的草稿也拿来看。

这就是所谓的“Fork机制”。主AI负责规划，子AI负责执行。子AI的所有试错，都在它自己的小世界里，不会干扰主AI的思考。

五、多个AI一起干活：如何让他们不打架？

更进阶的玩法是：同时开好几个子AI，让他们并行做不同的事。

比如，一个去查数据库，一个去读日志，一个去分析代码，三个同时进行，最后把结果汇总。

但这会带来两个实际问题：

1. 权限弹窗：如果每个AI都弹窗问“我可以执行这个命令吗？”，用户会被烦死。
2. 界面混乱：好几个AI同时在终端输出内容，屏幕会变成一团乱麻。

他们的解法非常聪明：

• 权限统一管理：所有子AI都不允许直接问用户，而是把请求发给主AI，由主AI统一向用户确认。就像一个团队里只有项目经理能和客户沟通。
• 自动分屏：当启动多个子AI时，程序会自动把终端窗口切成几个格子，每个子AI占一个格子。这样谁在做什么，一目了然。

这背后体现的是一种架构思想：AI正在从“单打独斗”变成“团队协作”。

六、记忆系统：AI如何“做梦”来学习？

大多数AI产品的记忆功能，用的是“向量数据库”——把对话转成向量存起来，需要时再检索。听起来很高级，但实际效果往往不尽如人意，经常召回一些无关的内容。

Claude Code做了一个很复古但很聪明的决定：不用向量数据库，就用普通文件。

他们把记忆分为几类：用户的偏好、项目的上下文、通用的知识……

最有意思的是那个叫“KAIROS”的模式（还未正式发布）。在这个模式下，AI会把白天的所有操作都记在日志里，到了晚上，它会唤醒一个“做梦”的任务，把这些流水账式的日志总结提炼，变成结构化的长期记忆。

这就很像人的学习过程：白天经历各种事情，晚上睡觉时大脑会整理记忆，把重要的留下来，不重要的忘掉。 这个设计非常巧妙，而且绕开了向量检索准确率不高的痛点。

七、安全机制：让一个“小AI”来监督“大AI”

赋予AI执行命令的权限，是一件危险的事情。万一它执行了rm -rf /怎么办？

传统做法是弹窗让用户确认，但频繁弹窗体验太差。Claude Code的做法是：让一个更小、更便宜的AI来判断命令是否安全。

当用户开启了自动模式，系统会在后台静默调用一个小模型，把当前对话和即将执行的命令发给它，问它：“这个命令安全吗？应该允许还是拒绝？”

这就是“用小AI监管大AI”的思路。小AI不需要多聪明，只需要能判断命令的危险程度就够了。如果小AI也拿不准，那就降级到弹窗让用户决定。

八、那些有趣的小彩蛋

最后，代码里还有一些有意思的东西。

比如，有一个“卧底模式”，当AI在公共仓库里工作时，它会刻意隐藏自己是AI的身份，回答时不会说“作为AI助手……”这种话，而是假装自己是人类。

还有一个隐藏的“电子宠物”系统。每个用户登录时，会根据用户ID算出一个“宠物”来，可能是鸭子、猫头鹰、龙……有不同的稀有度和属性。程序员甚至为了避开代码扫描，用很隐蔽的方式写了某个宠物的名字。

这些小细节，让严肃的代码变得有人情味。也说明一个道理：真正的好产品，是在完成核心功能之外，还能给用户带来一点惊喜。

我们能从中学到什么？

这份代码泄露事件，对于Anthropic来说是个事故，但对于整个行业来说，是一份难得的教材。

从这些设计中，我们可以看出：做一个“能用”的AI很简单，但做一个“好用”的AI，需要在成本、速度、并发、安全、记忆等方方面面下足功夫。

那些我们感知不到的“聪明”，背后都是工程师们无数次的权衡和优化。AI应用的真正壁垒，从来不是“用了多先进的模型”，而是有没有把一个看似简单的功能，做到极致。

希望这篇文章能给你有所帮助。