夜雨聆风这是"框架理解自检"系列的第 1 篇，共 5 篇。基于 Claude Code (v2.1.76) 和 OpenClaw 的源码分析， 50 道题帮你验证学习深度。本篇覆盖 Claude Code 的 8 个核心概念。
你花了两周读完 Claude Code 的反混淆源码，感觉自己已经"通了"。
但如果有人突然问你："Skill 和 Tool 到底什么区别？"你能不看笔记、从实现层面说清楚吗？
这就是这个系列要做的事——不是教新知识，而是帮你检验那些你以为已经掌握的东西。规则很简单：先看问题，在心里组织答案，再看下方的参考答案对照。
Q1 ： Agentic Loop 比经典 ReAct 多了什么？
经典 ReAct 是 Reason → Act → Observe 的线性串行循环。 Claude Code 在三个维度做了增强。
并行工具执行。模型一次回复中的多个 tool_use block 会被 partitionToolCalls() 按并发安全性分批——concurrencySafe=true 的工具合并为并行 batch ，非安全工具独占一个 batch 。更激进的是 StreamingToolExecutor： API 还在流式返回时工具就开始执行。
多级自愈状态机。循环有 7 个 continue 原因和 10 个 return 点。 prompt-too-long 时先尝试 collapse drain 再做 reactive compact ； max-output-tokens 截断时先 escalate 8k→64k ，再注入 "Resume directly" 让模型从断点继续。不是简单 retry ，而是根据错误类型选择不同恢复路径。
上下文管理 + 嵌套递归。 4 层递进式上下文管理让循环理论上可以无限运行。 Agent 工具递归调用 query()，形成嵌套循环，每层有独立的上下文管理和 abort 控制。
Q2 ： Skill 和 Tool 的本质区别
Tool 是模型直接调用一个函数，得到执行结果。Bash("ls") 执行后返回 stdout ，就这么简单。
Skill 完全不同：模型调用 SkillTool → 加载一段 Markdown 文件 → 展开为 newMessages 注入对话 → 模型看到这段指令后自己按指令继续工作。
打个比方： Tool 是"替你干活的工人"， Skill 是"递给你一张操作手册"。 SkillTool 自己不执行任何实际操作，它是 42+ 个工具中唯一的"元工具（ meta-tool ）"。
更有趣的是， Skill 调用后还返回一个 contextModifier，可以临时切换模型、临时授权工具、调整 thinking effort——所以 Skill 本质上也是一个运行时配置修改器。
Q3 ：三种 Sub Agent 形态
普通 Sub Agent：独立身份、独立 system prompt 、独立工具集，有自己的 agentic loop 。适合需要特定角色和约束的子任务，比如 Explore（只读搜索）和 Plan（禁写规划）。
Fork Agent：继承父 agent 的完整对话上下文和 system prompt 。字节级相同的请求前缀共享 prompt cache——这是它的核心价值。所有 fork 子代用相同的占位符消息，配合 useExactTools: true 保证缓存命中。适合需要理解当前对话、且可以廉价并行的任务。
Teammate （ Swarm ）：完全独立的 Claude Code 实例，有自己的 REPL 循环。通过文件邮箱系统（ JSON 文件 + 文件锁）通信，轮询间隔约 500ms 。可以在 tmux/iTerm2 分屏并行工作，持续存在直到被关闭。适合大规模迁移、多模块改造等需要持续协作的场景。
Q4 ：为什么 Tool 数组的"有序"很重要？
getAllBaseTools() 返回有序数组，这个顺序直接影响发给 API 的 tools JSON Schema 排列。
改变顺序 = schema 字节表示不同 = 打破 prompt cache。
Anthropic 的 prompt caching 要求前缀字节级相同。一次 cache miss ， 100K tokens 的 system prompt 就从 1/10 价格变成全价。 Fork Agent 甚至用 useExactTools: true 来确保子代使用父的精确工具列表——工具顺序就是钱。
Q5 ： System Prompt 哪些静态、哪些动态？
静态部分（scope: "global"，跨用户全局缓存）： Intro （"You are Claude Code..."）、 Doing Tasks （编码风格）、 Executing Actions with Care 、 Using Your Tools 、 Tone and Style 。这些对所有用户都一样。
动态部分（每会话可能变化）： Environment （ cwd 、 git 状态、平台信息）、 Memory （ MEMORY.md 内容）、 Session Guidance 、 MCP Instructions 。
两者之间有一个 __SYSTEM_PROMPT_DYNAMIC_BOUNDARY__ 分界线。
为什么要分开？如果混在一起，你改了一个 cwd 路径，整个 100K tokens 的 system prompt 缓存就全部失效。分层让静态部分的缓存不受动态内容影响。
Q6 ： Compaction 管道的四层
第一层 microCompact（零 LLM 成本）：纯字符串替换，把旧 tool output 替换为 [Old tool result content cleared]。越老的结果越积极截断。这是唯一不需要调 LLM 的层。
第二层 Session Memory 持久化：压缩前先把关键记忆写到磁盘文件，保留 10K-40K tokens 。关键上下文通过磁盘跨越多次 compaction 存活。
第三层 Summarization（ 3 种模式）： Full 全量总结、 Partial(from) 只总结最近消息、 Partial(up_to) 只总结前缀保留后面原文。模型先输出 <analysis> 深度分析，再输出 <summary>，然后 <analysis> 被丢弃——用思考换质量，但不占上下文。
第四层 Post-compact 恢复：重读最近 5 个文件（ 50K token 预算），重新注入 Skill 内容（ 25K 预算），重新加载 Plan ，告诉模型转录文件路径作为自救通道。
Q7 ： Plan Mode 的技术本质
不是靠 prompt 说"请先想再做"。而是系统级权限收紧 + prompt 反复注入。
权限收紧：进入时切换到 mode = 'plan'。 Edit 、 Write 、 Bash 写操作全部被权限系统拦截，只允许写入 plan file 。模型不是"选择不写"，而是"写不了"。
Prompt 反复注入：通过 attachment 机制，每 1/5 轮交替注入完整指导和简短提醒，防止模型在长对话中"忘记"自己在 plan mode 。
审批门控：必须调用 ExitPlanMode → 用户审批 → 才能退出。
口头说"先写计划"是 prompt engineering （模型"选择"遵守）， Plan Mode 是系统级约束（系统"不允许"违反）。这是它和所有"思考链"方案的根本区别。
Q8 ：消息组装为什么分层？
System prompt 在 getSystemPrompt() 中构建，在 API 调用层被切分为多个 text block 并加上 cache_control 标记。
User/Assistant 消息在 queryLoop() 中组装。 CLAUDE.md 内容前置为第一条 user 消息，附件以 <system-reminder> 标签注入。
为什么分开？还是缓存。 system prompt 的静态部分需要跨用户全局缓存，会话级部分需要会话内缓存。如果所有内容塞到同一层级，一个动态字段的变化就会打破整个前缀的缓存。
你可能发现了——这 8 道题的答案里，"prompt caching"出现了至少 5 次。这不是巧合。 Claude Code 的很多看起来古怪的设计决策，背后都是同一个动机：省钱。
下一篇预告："OpenClaw 源码自检（二）"——OpenClaw 的默认模型居然不是 Claude ？通道适配为什么不在 Agent Runtime 层？ compaction 质量守卫和 token 效率问题， 8 道题带你拆解。
