Claude Code 51万行源码泄露:AI 产品经理必须读懂的6个设计范式

社交媒体上的分析大多聚焦猎奇——”卧底模式””反蒸馏假工具””会做梦的 AI”。但这些花边之下，藏着更值得产品经理关注的东西：一个估值 3800 亿美元公司，如何从系统架构层面定义 AI Agent 产品的设计范式。

一、Harness Engineering：被忽视的 AI 产品核心学科

Claude Code 的 Harness 七层架构：从感知到度量的完整驾驭系统

这次泄露最深层的启示，不是某个具体功能，而是揭示了一个正在成形的工程学科——Harness Engineering（驾驭工程）。

模型是马，Harness 是缰绳、马鞍和马车的总和。 原始大语言模型像一匹野马，能力强但不可控。Harness 就是围绕它构建的整套驾驭系统——让它按方向跑、在该停的地方停。

Claude Code 的 51 万行代码就是一个教科书级的 Harness：

这意味着：行业过去三年把太多注意力放在模型能力上——跑分多高、context window 多长。但 Claude Code 的源码告诉我们：决定用户体验的不是模型，而是围绕模型构建的 Harness。

就像汽车——引擎重要，但决定驾驶体验的是底盘、悬挂、变速箱的整体调校。消费者买的不是引擎，是整辆车。

产品经理行动项：1. 审计 Harness 厚度。 你的 AI 产品中，模型调用之外的部分占比多少？如果 80% 的逻辑都是”发给模型、返回结果”，你卖的是裸奔的引擎。2. Harness 是真正护城河。 模型会被追平，但好的 Harness 需要大量产品经验积累，竞争对手无法通过换模型抹平差距。

二、情绪感知：产品留存的隐藏基建

用户挫败时，AI 的回复策略决定了留存还是流失

泄露代码中有一个”脏话正则”：系统监测用户输入中的情绪词汇，判定用户进入”挫败状态”，动态调整回复策略。

这不是笑话，而是一个严肃的产品决策——用户的情绪状态是影响体验的一等变量。

产品经理行动项： 用户的情绪信号（措辞变化、连续重试、快速删除输入）应该是和点击行为同等重要的数据。在交互过程中实时响应，不要等到流失后才分析。

三、三层记忆：AI 产品的”人格”来自记忆设计

记忆深度决定产品定位：工具、同事、还是私人助手？

代码揭示了一套三层记忆系统：

MEMORY.md 将记忆分为四类——user（身份）、feedback（偏好）、project（上下文）、reference（外部资源），每种有明确的存储和使用规则。KAIROS 系统更进一步：夜间执行”做梦”流程（Orient → Gather → Consolidate → Prune），自动整理压缩记忆。

产品经理行动项： 问自己三个问题：1. 用户第 10 次使用时，产品比第 1 次多了解了什么？2. 这些了解是显式获取还是隐式推断？3. 用户能否查看和删除这些记忆？

四、权限即产品：YOLO 分类器的启示

信任不是开关，而是可调旋钮

自动权限系统叫 classifyYoloAction()——把操作分为 LOW / MEDIUM / HIGH 三个风险等级。更有趣的是：它用 Claude 自己来判断某个操作是否安全。

这暴露了 AI Agent 产品的核心矛盾：

自主性越高→用户越省事→但越不放心。确认越多→用户越放心→但越烦。

Claude Code 的解法：– 读文件 → 自动放行（LOW）– 写文件 → 可审查（MEDIUM）– 执行命令 → 必须确认（HIGH）– YOLO 模式 → 全部自动

把”信任”变成可调旋钮，而不是开关。 传统软件权限是二元的，AI Agent 权限必须是光谱式的。用户应能在不同操作类型上设置不同的自主程度。

产品经理行动项： 核心原则——可逆操作默认自主，不可逆操作默认确认。 权限体验直接决定用户觉得产品”好用”还是”烦人”。

五、多 Agent 协作：从”一个 AI”到”AI 团队”

Claude Code 的多 Agent 协作拓扑：Coordinator 调度、Worker 执行、ULTRAPLAN 云端规划

泄露代码中最被低估的发现：

这不是一个 AI 助手在工作，是一个 AI 团队 在工作。

单 Agent 天花板很快会到。 一个 AI 又要理解需求、又要写代码、又要测试、又要审查，必然在某些环节妥协。分工——把不同职责给不同 Agent，每个有自己的上下文和专长——才能突破上限。

产品经理行动项： 如果用户的请求经常需要 AI 做多个截然不同的事，且这些事对上下文窗口的需求互相冲突，你可能需要从单 Agent 升级到多 Agent。这不只是技术重构，是产品形态升级。

六、防御性设计：反蒸馏背后的竞争哲学

Anthropic 的竞争防线：不怕你知道用什么模型，怕你复制整套 Harness

antiDistillation.ts 会在 API 调用中注入假工具定义，”污染”竞争对手通过嗅探获取的训练数据。undercover.ts 在员工使用 Claude Code 贡献公开仓库时，自动抹除 AI 参与痕迹。

争议之外，这揭示了一个趋势：AI 产品的壁垒正在从”模型能力”转向”Harness Engineering”。

回到第一节的框架——他们不怕你知道用了什么模型，怕的是你复制了整套 Harness。

产品经理行动项： 如果明天竞争对手用了同样的基础模型，你的产品还有什么独特价值？你是把精力花在追逐最新模型，还是花在构建模型之上的 Harness？

后记

Anthropic——以 AI 安全为核心品牌的公司——第二次犯同一个基础错误：.npmignore 没排除 source map。再精妙的产品设计，也扛不住发布流程的疏忽。

但这次泄露也许是件好事。它让行业看到了一个关键比例：模型调用 5%，Harness 95%。 当你还在纠结选 GPT 还是 Claude 时，Anthropic 已经把 95% 的精力花在了模型之外。

*本文作者在写作过程中使用了 Claude Code（对，就是那个被泄露了源码的产品）进行辅助研究和内容组织）*

参考资料