我从 Claude Code 源码梳理了些核心要点

最近把 Claude Code 源码丢给 Codex 分析了下，再结合着我自己去实验些关键代码和相关逻辑，发现有不少设计上的小巧思和其具体实现上的关键点，于是便做了个这个整理。

之前以为 Claude Code 就是让模型写点代码、调点函数，在 LLM 基础上套个壳。但其实并不是套个壳这么简单，而是套了个马具（Harness），你可以把它想成四件套：大模型负责思考，Agent Loop 负责反复迭代，Harness 负责统筹调度，Tools 负责动手做事。这里最关键的是 Harness，它有点像操作系统，专门管上下文、任务状态、工具调用、错误恢复这些“脏活累活”。没有它，模型就是一次性输出；有了它，才有“连续工作流”。

再说一个我最近最大的体感变化：以前我们总讲 Prompt Engineering，拼命想一句完美提示词；现在更实用的是 Context Engineering。什么意思？不是把所有背景都塞进一句话里，而是把上下文做成稳定、结构化、可验证的环境。比如用文件沉淀规则、计划、进度，让模型每轮都能读到；再让它主动去看目录、读文件、搜关键字，而不是你手动喂给它。

如果你想把 Claude Code 用好，我建议把它当“项目成员”而不是“一问一答工具”。给它任务前先要让它自己有个完整思路，：先理解代码，再出方案，再改动，再验证，再修复。还有一个经验是一定要控范围，先从一个子目录开始，不要上来就“分析整个仓库”，不然上下文和搜索成本都会炸。最后，能用 Bash 就尽量用 Bash，因为它通用、可组合、贴近真实工程场景。

我想随着 Claude Code、OpenClaw 等 Agent 的不断迭代，以后真正拉开差距的不是你会不会写提示词，而是你会不会搭一个让 AI 稳定产出的工作系统。

#ClaudeCode #AIAgent #ContextEngineering #PromptEngineering #LLM #编程效率 #AI工作流 #开发者 #自动化 #工程化思维