深入解析 Claude Code 架构
架构概览
核心的 Agent 循环是一个简单的 while 循环。绝大部分代码存在于环绕它的各子系统之中。
每个 Coding Agent 都必须回答的四个设计问题
| 设计问题 | Claude Code 的回答 | 替代方案 |
|---|---|---|
| 推理能力放在哪里？ | 模型负责推理；运行框架负责执行约束。约 1.6% 的 AI 决策逻辑，98.4% 为基础设施代码。 | LangGraph：显式状态图。Devin：多步骤规划器。 |
| 有多少个执行引擎？ | 一个queryLoop服务所有界面（CLI、SDK、IDE）。 | 针对不同界面使用独立的模式化引擎。 |
| 默认的安全姿态是什么？ | 拒绝优先：deny > ask > allow。最严格的规则优先。 | 容器隔离（SWE-Agent），git 回滚（Aider）。 |
| 核心资源约束是什么？ | 约 200K token 的上下文窗口。每次模型调用前运行 5 种压缩策略。 | 计算预算、显式草稿本。 |
高层系统结构（7 大组件）
高层系统结构
- 用户— 提交提示词、审批权限、审查输出
- 交互界面— 交互式 CLI、无头 CLI（
claude -p）、Agent SDK、IDE/桌面端/浏览器端 - Agent 循环—
query.ts中的queryLoop异步生成器：模型调用 → 工具分发 → 结果收集 → 循环重复 - 权限系统— 拒绝优先规则 + 自动模式 ML 分类器 + Hook 拦截
- 工具— 最多 54 个内置工具 + MCP 提供的工具，通过
assembleToolPool组装 - 状态与持久化— 仅追加写入的 JSONL 会话记录、提示词历史、子 Agent 侧链
- 执行环境— Shell（带沙箱）、文件系统、网络请求、MCP 连接
所有界面都汇聚到同一个queryLoop——交互式 CLI、无头模式、SDK 和 IDE 共享同一条代码路径。QueryEngine是一个对话包装器，而非引擎本身。
5 层子系统分解（21 个子系统）
| 层级 | 职责 | 核心组件 |
|---|---|---|
| 表现层 | 入口与渲染 | CLI、无头模式、SDK、IDE（React + Ink 终端 UI） |
| 核心层 | 上下文组装与 Agent 循环 | queryLoop、5 阶段压缩管线、子 Agent 生成 |
| 安全/动作层 | 权限与工具 | 7 种权限模式、自动模式分类器、27 种 Hook 事件、工具池、Shell 沙箱 |
| 状态层 | 运行时状态与持久化 | JSONL 会话记录、CLAUDE.md 层级结构、自动记忆、侧链文件 |
| 后端层 | 执行环境 | Shell 执行、MCP 连接（7 种传输类型）、42 个工具子目录 |
七层独立安全机制
一个请求必须通过所有适用的层级——任何单一层级都可以阻止它：
- 工具预过滤— 从模型视角中完全移除被全面拒绝的工具
- 拒绝优先规则评估— deny 始终覆盖 allow，即使 allow 规则更具体
- 权限模式约束— 当前激活的模式决定了基础处理方式
- 自动模式 ML 分类器— 独立的 LLM 调用，单独评估安全性
- Shell 沙箱— 对 Shell 命令进行文件系统与网络隔离
- 会话恢复时不还原权限— 权限永远不会跨会话边界持久化
- 基于 Hook 的拦截— PreToolUse Hook 可以修改或阻止操作
轮次执行：9 步管线
运行时轮次流程
每个轮次遵循一个9 步管线：
- 设置解析 → 2. 状态初始化 → 3. 上下文组装 → 4. 五个模型前上下文塑形器 → 5. 模型调用 → 6. 工具分发 → 7. 权限关卡 → 8. 工具执行 → 9. 终止条件检查
五个模型前上下文塑形器
在每次模型调用前按顺序执行，从成本最低的开始：
| 阶段 | 策略 | 触发条件 |
|---|---|---|
| 预算削减 | 每条消息的大小上限 | 始终激活 |
| 裁剪 | 修剪较早的历史记录 | 特性门控（HISTORY_SNIP） |
| 微压缩 | 缓存感知的细粒度压缩 | 始终执行（基于时间），可选缓存感知路径 |
| 上下文折叠 | 读取时的虚拟投影（非破坏性） | 特性门控（CONTEXT_COLLAPSE） |
| 自动压缩 | 完整的模型生成摘要（最后手段） | 当其他所有方式都失败时 |
恢复机制
- 最大输出 token 递增（每个轮次最多重试 3 次）
- 反应式压缩（每个轮次最多触发一次）
- 提示词过长处理：尝试上下文折叠溢出 → 反应式压缩 → 终止
- 流式回退与备选模型切换
权限系统深入解析
权限关卡概览
7 种权限模式
| 模式 | 行为 | 信任等级 |
|---|---|---|
plan | 执行前用户审批所有计划 | 最低 |
default | 标准交互式审批 | 低 |
acceptEdits | 文件编辑 + 文件系统 Shell 操作自动批准 | 中 |
auto | ML 分类器评估工具安全性 | 高 |
dontAsk | 不弹出提示，但仍执行拒绝规则 | 更高 |
bypassPermissions | 跳过大部分提示，安全关键检查仍保留 | 最高 |
bubble | 内部使用：子 Agent 向父级升级 | 特殊 |
授权管线
4 阶段流程：预过滤（从模型视角中移除被拒绝的工具）→PreToolUse Hook（可返回permissionDecision）→规则评估（拒绝优先）→权限处理器（4 个分支：协调器、集群 Worker、推测性分类器、交互式）
自动模式分类器
yoloClassifier.ts：加载基础系统提示词 + 权限模板（分为内部和外部）。两阶段评估：快速过滤 + 思维链。将预计算的分类结果与超时时间进行竞争。
扩展性：MCP、插件、技能与 Hook
Agent 循环中的三个注入点
四种扩展机制（递增的上下文成本）
| 机制 | 上下文成本 | 核心能力 |
|---|---|---|
| Hook | 零成本 | 27 种事件、4 种执行类型（Shell、LLM、Webhook、子 Agent 验证器） |
| 技能 | 低成本 | SKILL.md 文件，支持 15+ 个 YAML 前置字段，通过 SkillTool 元工具注入 |
| 插件 | 中等成本 | 10 种组件类型（命令、Agent、技能、Hook、MCP、LSP、样式等） |
| MCP 服务器 | 高成本 | 通过 7 种传输类型（stdio、SSE、HTTP、WebSocket、SDK、IDE）提供外部工具 |
工具池组装（5 步管线）
基础枚举（最多 54 个工具）→ 模式过滤 → 拒绝规则预过滤 → MCP 集成 → 去重
三个注入点
- assemble()— 模型能看到什么：CLAUDE.md、技能描述、MCP 资源、Hook 注入的上下文
- model()— 模型能调用什么：内置工具、MCP 工具、SkillTool、AgentTool
- execute()— 操作是否/如何执行：权限规则、PreToolUse/PostToolUse Hook、Stop Hook
上下文构建与记忆
上下文构建与记忆层级
9 个有序上下文来源
系统提示词 → 环境信息 → CLAUDE.md 层级结构 → 路径范围规则 → 自动记忆 → 工具元数据 → 对话历史 → 工具结果 → 压缩摘要
CLAUDE.md 层级结构（4 层）
| 层级 | 路径 | 作用范围 |
|---|---|---|
| 托管层 | /etc/claude-code/CLAUDE.md | 全系统（企业级） |
| 用户层 | ~/.claude/CLAUDE.md | 每个用户 |
| 项目层 | CLAUDE.md、.claude/CLAUDE.md、.claude/rules/*.md | 每个项目 |
| 本地层 | CLAUDE.local.md | 个人使用（被 gitignore） |
关键设计决策：CLAUDE.md 是用户上下文（概率性遵从），而非系统提示词（确定性执行）。权限规则提供了确定性的执行保障层。
基于文件的记忆
- 没有嵌入、没有向量数据库——使用基于 LLM 的记忆文件头部扫描
- 按需选择最多 5 个相关文件
- 完全可被用户检查、编辑和版本控制
子 Agent 委托
子 Agent 委托架构
6 种内置类型 + 自定义 Agent
内置类型：Explore（探索）、Plan（规划）、General-purpose（通用）、Claude Code Guide（指南）、Verification（验证）、Statusline-setup（状态栏配置）。
自定义类型：.claude/agents/*.md，通过 YAML 前置字段支持工具、模型、权限、Hook、技能等配置。
关键设计：SkillTool vs AgentTool
- SkillTool：将指令注入当前上下文（成本低，同一上下文窗口）
- AgentTool：生成新的隔离上下文窗口（成本高，约 7 倍 token，但上下文安全）
三种隔离模式
| 模式 | 机制 | 默认 |
|---|---|---|
| Worktree | Git worktree（文件系统隔离） | 否 |
| Remote | 远程执行（仅限内部使用） | 否 |
| In-process | 共享文件系统、隔离的对话 | 是 |
侧链会话记录
每个子 Agent 写入各自的.jsonl文件。只有摘要返回给父 Agent。完整历史永远不会进入父上下文。多实例协调通过 POSIXflock()实现——零外部依赖。
会话持久化
会话持久化与压缩
三条持久化通道
| 通道 | 格式 | 用途 |
|---|---|---|
| 会话记录 | 仅追加写入的 JSONL | 完整对话，链式修补的压缩边界 |
| 全局提示词历史 | history.jsonl | 跨会话的提示词回溯（反向读取用于上箭头键） |
| 子 Agent 侧链 | 每个子 Agent 独立的 JSONL | 隔离的子 Agent 历史 |
安全性：恢复会话时不还原权限
信任始终在当前会话中重新建立。这以用户体验摩擦为代价，维持了安全不变性。
设计权衡
仅追加写入的 JSONL 优先考虑可审计性和简洁性，而非查询能力。每个事件都是人类可读的、可版本控制的，并且无需专用工具即可重建。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～