夜雨聆风点击上方卡片关注我
MBZUAI（穆罕默德·本·扎耶德 AI 大学）和 UCL（伦敦大学学院）的研究团队最近发了一篇 40 多页的论文，把 Claude Code 公开的 TypeScript 源码从头到尾拆了一遍。
结论挺有意思的，513,000 行代码里，真正跟 AI 决策相关的只占 1.6%。剩下的 98.4% 全是工程基础设施：权限管理、上下文压缩、会话存储、工具调度这些。
这个比例本身就说明一个问题：做一个好用的 AI 编程工具，模型能力只是起点，真正的壁垒在工程。
核心架构：一个 while 循环
Claude Code 的核心，说出来可能让人意外，就是一个 while 循环：调用模型 → 执行模型请求的工具 → 把结果喝回去 → 重复，直到任务完成。
没有复杂的 planner，没有状态机，没有多步编排图。模型读上下文，决定下一步干什么，调工具，观察结果，继续走。
整个过程是完全由模型驱动的，它自己决定什么时候停下来，什么时候再跑一轮。
研究者把这叫“Kernel + Harness”架构：一个极薄的 AI 内核，包在一个很厚的确定性外壳里，所有工程复杂度都在循环外面，不在里面。
换句话说，Claude Code 不是靠精巧的编排逻辑让 AI “更聪明”，而是靠工程系统让 AI “不出事”。模型负责思考，Harness 负责兜底。这个分工清晰得让人意外。
5 层上下文压缩
200K 的上下文窗口听着很大，实际跑一个复杂的多文件调试 session，填满的速度比想象的快。
Claude Code 设计了 5 层压缩机制，从便宜到贵依次触发：
Budget reduction — 削减工具输出的预览长度 Snip — 删掉会话前面已经没用的工具结果 Microcompact — 压缩特定段落 Context collapse — 把大段对话总结成摘要 Auto-compact — 全 session 总结，最后手段
系统在上下文用到 92% 的时候自动触发，从第 1 层开始往下试，能在便宜的层解决就不动贵的。
这个设计的好处是：大部分时候前两层就能腾出足够空间，不需要动到代价最大的全 session 总结。
CLAUDE.md 永远不会被压缩。它不是存在内存里的，每次都从磁盘重新读取，你写在 CLAUDE.md 里的项目约定、架构决策、编码规范，不管 session 怎么压缩，都不会丢。
这也是为什么社区里反复强调“把最重要的规则写在 CLAUDE.md 里”，不是因为它位置显眼，而是因为它在架构层面享有“永不删除”的特权。
权限系统：7 种模式，8 级优先级
三层结构：第 1 层（工具注册过滤）被禁的工具直接从模型视野里移除，模型连看都看不到；第 2 层（单次调用检查）每次工具调用都根据工具名、参数、工作目录做规则验证；第 3 层（交互式询问）没有匹配规则时实时问用户，用户的回答变成当前 session 的规则。
7 种运行模式，从 default（只对高风险操作询问）到 auto（ML 分类器自动判断）到 bypassPermissions（完全信任，用于沙箱环境）。
8 级规则优先级：Policy → User → Project → Local → CLI flag → cliArg → command → session。设计哲学是：安全不应该是粗暴的全部拦截，而是精确地只拦那些真正需要人判断的操作。
4 种扩展机制
Hooks（零成本）— 事件触发的确定性脚本，模型完全不参与。
Skills（低成本）— 可复用的动作模板，模型按需调用。
Plugins（中成本）— 打包的工具集，有独立上下文。
MCP（高成本）— 完整的外部服务集成。
不是所有事情都该用 MCP，确定性操作用 Hook，知识复用用 Skill，别什么都往 MCP 上堆。一个 MCP 服务的工具描述可能就占几千 token，接五六个 MCP 光工具列表就吃掉了你十分之一的上下文窗口。
正确的思路是：能用 Hook 解决的不用 Skill，能用 Skill 解决的不上 MCP，越轻量越好。
Subagent：独立 worktree，只返回摘要
Claude Code 拆分任务时会起 subagent。每个 subagent 跑在独立的 git worktree 里——文件系统隔离，上下文隔离，不会互相污染。
关键设计：subagent 内部可能消耗了 100K+ token，但返回给父 agent 的只是 1,000-2,000 token 的摘要。这就是为什么用 subagent 比在主对话里塞所有任务效率高，父 agent 的上下文不会被撑爆。
举个具体例子：你让 Claude Code 重构一个模块，它可能会起一个 subagent 去跑测试、另一个去检查类型。每个 subagent 各自消耗几万 token，但父 agent 只收到两句话：“测试全过了”、“类型检查没问题”。主会话的上下文干干净净。
Session 存储：只追加，不覆盖
Session 以 JSONL 文件形式存在 .claude/projects/ 里。存储模型是 append-only，永远不会原地覆盖。会话完全可审计，claude --continue 能精确恢复到上次的状态。
从零开始一个新 session 会有“冷启动惩罚”。一个已经跑了一段时间、理解了你代码库的 session，和一个刚启动的，效果是不一样的。前者已经知道你的文件结构、命名习惯、哪些测试容易挂，后者什么都不知道。
所以 claude --continue 不只是“接着聊”的意思，而是接着用一个已经有积累的 agent。这个设计让长期项目的体验越来越好，而不是每次都从零开始。
写在最后
回头看这篇论文拆出来的东西，Claude Code 的设计思路可以用一句话概括：把 AI 当成一个能力很强但需要严格管理的员工。
模型本身只负责“想”，决定下一步干什么，剩下的 51 万行代码，全在解决“怎么让它安全地干、高效地干、干完还能接着干”这个问题。
5 层压缩保证上下文不会爆；权限系统保证它不会乱来；Subagent 保证复杂任务不会拖垮主线程；append-only 的 session 存储保证所有积累不会丢。而 CLAUDE.md 作为唯一“永不删除”的上下文，相当于给这个员工写了一份永远贴在工位上的操作手册。
这套架构对做 AI 产品的人来说，最大的启发可能是别把精力全花在模型选择和 prompt 优化上，真正决定产品好不好用的，是模型周围那 98.4% 的工程。
延伸阅读：
• 论文来源推文（含完整拆解）：https://x.com/sinclairdta/status/2046388705296871886
• Claude Code 官方文档：https://docs.anthropic.com/en/docs/claude-code
• claude-code-best-practice 仓库：https://github.com/SHANRAISSHAN/claude-code-best-practice
欢迎关注，这个账号还会持续分享更多AI编程、出海工具、实战经验、踩坑记录。
我给 Codex / Claude 做了一个有网页审美能力的 Skill
GPT-Image-2 发布！三榜登顶甩开 Nano Banana，设计师要哭了
飞书开源CLI，我用Claude Code一句话读了12篇文档、建了66条选题表！
Google Stitch 2.0 太牛了！UI 丑的问题有救了
（2026年最新）Codex CLI 国内使用全攻略：终端 + VSCode + Cursor + Opencode 四种姿势全搞定
