2026 年 3 月 31 日,Anthropic 的 Claude Code 源码意外泄露。作为目前使用最广泛的 AI 编程助手之一,它的源码首次让社区有机会看到这类产品的内部实现。读完源码后,我发现它的架构设计和多数人的直觉判断有明显出入。大多数开发者最初认为它只是一个套壳 API 调用的 CLI 工具,实际代码量和工程复杂度远超这个定位。
打破 ReAct 迷思:Async Generator 状态机
Claude Code 没有使用 ReAct 模式来驱动 Agent 循环。这个选择在 2025 年的 AI Agent 领域几乎是反直觉的,因为 ReAct(Reasoning + Acting)已经是 LangChain、AutoGPT 等框架的默认范式。但 Claude Code 选择了 Async Generator 状态机,用一套 while (true) + state = next + continue 的结构替代了传统的思考-行动-观察循环。这个设计决策解决了 ReAct 在流式交互和故障恢复上的根本性限制。
Channel 系统:IM 远程控制 Agent
你在手机上打开 Telegram,给 Claude Code 发一条消息,它就开始在电脑上工作。Channel 系统的本质是打破了 AI 编程助手只能在终端中交互的限制,让任何 IM 平台都能成为远程控制入口。它通过六层访问控制和权限中继机制来保障安全性,同时基于 MCP 协议实现了对多种 IM 平台的兼容。
Computer Use 桌面控制的九层安全关卡
Claude Code 的 Computer Use 功能让 AI 直接操控桌面环境:点击按钮、输入文字、截图分析界面状态。AI 能看见屏幕并操作鼠标键盘,带来的安全风险同样真实:误删文件、点错按钮、泄露敏感信息。为此,Claude Code 设计了一套九层安全关卡系统,每一层都可以独立拦截危险操作。底层通过 Python Bridge 实现跨语言通信,TypeScript 代理驱动 Python 执行器完成实际的桌面交互。
Context 压缩的四级策略
上下文窗口是真实存在的硬约束
所有 LLM 都有上下文限制。Claude 3.5 Sonnet 标称 200k tokens,但系统提示词占约 20k,工具定义占约 15k,固定开销就吃掉 35k 左右。留给对话的空间大约 165k tokens,如果每轮对话平均 4k tokens,50 轮就会把窗口用尽。
传统的截断策略粗暴丢弃早期消息,问题很明显:用户说过的重要信息凭空消失,模型可能重复询问已经回答过的问题,或者做出与前文矛盾的判断。长对话场景下,这种信息丢失会直接导致任务失败。
Claude Code 用四级渐进式压缩应对这个问题。四级策略从轻到重依次触发,核心目标是在有限的 token 预算内尽可能保留对任务有用的信息。
跨会话记忆:四种类型与自动提取机制
多 Agent 编排的四种路径
单 Agent 的瓶颈
考虑一个典型场景:把项目的所有 TypeScript 文件迁移到 strict 模式,同时更新 ESLint 配置,然后运行测试确认无回归。单 Agent 只能顺序执行——修改 tsconfig、修改 ESLint、修改文件、运行测试,每一步等上一步完成。对于一个有 200 个文件的项目,这个过程可能需要十几分钟。
多 Agent 的价值在于把这类任务拆解为可并行的子任务。Explore Agent 扫描文件识别修改点,多个 Fork Agent 并行修改不同文件组,Plan Agent 协调顺序避免冲突,Verification Agent 运行测试验证结果。并行化、专业化、隔离性,这是多 Agent 编排解决的核心问题。
权限决策的五层防线
条件激活与动态发现的 Skills 系统
系统提示词的动态组装与三级缓存
20k tokens 的缓存难题
Claude Code 的系统提示词约 20k tokens,每次 API 调用都要发送。这个数字本身不夸张,但叠加两个约束就变成了工程问题。第一个约束是动态性:系统提示词需要包含当前日期、项目结构、Git 状态、MCP 服务器指令、CLAUDE.md 用户指令,这些内容每轮对话都可能变化。第二个约束是成本:20k tokens 的提示词如果不做缓存优化,每个会话的延迟和 API 费用会成倍增加。
解决方案是将系统提示词拆分为静态可缓存区域和动态可变区域,通过缓存边界标记分隔。静态部分(角色定义、系统规则、任务指导、工具说明、风格约束)在全球范围内共享缓存,动态部分(会话指引、记忆系统、环境信息、MCP 指令、Token 预算)按会话级缓存。这样每次 API 调用时,静态部分可以直接复用缓存,只有动态部分需要重新计算。