部分内容可能来自网络或者由AI生成。如有雷同纯属巧合仅供学习参考之用。本文围绕 Anthropic 的 agentic 编码工具 Claude Code下文简称 CC回答三个问题它到底是怎么跑起来的、它把有限的上下文预算精打细算到了什么程度、以及一套「让普通模型也能可靠干活」的工程范式Harness长什么样。一、Claude Code 是什么定位与能力边界一句话结论CC 是一个运行在终端/IDE/桌面/Web 多端、围绕「收集上下文 → 采取行动 → 验证结果」循环工作的编码 Agent它的能力上限由模型决定但能否稳定交付更多由上下文工程与运行环境Harness决定。按官方文档定位CC 是「一个能读代码库、改文件、跑命令、并与开发工具集成的 agentic 编码工具」在终端、IDE 插件VS Code / JetBrains、桌面 App 与 Web 等多个 surface 上连同一个引擎 [公开·官方文档]。它的典型工作方式是先规划、再跨多文件写代码、最后验证是否可用修 bug 时先顺着代码库定位根因再改 [公开·官方文档]。小结把 CC 理解成「模型 一套精心设计的运行环境」而不是「一个更聪明的聊天框」。后续章节依次拆解这套运行环境的每一层。二、整体架构鸟瞰一句话结论CC 是一个约 51 万行 TypeScript 的大型工程可按「上下文 / 行动 / 控制 / 隔离 / 验证」五个面或六层能力来理解全局贯穿五条设计原则核心信条是 Context Engineering 优先于 Prompt Engineering。从源码规模看anthropic-ai/claude-code v2.1.88约 51 万行 TypeScript、1902 个文件其中 utils 占 35.2%、components终端 UI15.9%、services 10.5%、tools 9.9%40 工具、commands 5.2%90 斜杠命令还包含一份自研的 Ink Fork 终端渲染引擎 。一位重度用户把「如何理解并用好 CC」归纳成六层框架长期上下文CLAUDE.md / rules / memory、动作能力Tools / MCP、按需方法论Skills、强制执行Hooks、隔离工作者Subagents、验证闭环Verifiers对应到运行时是五个 surfaceContext / Action / Control / Isolation / Verification 。源码分析则提炼出贯穿全局的五条设计原则 工具即能力边界模型只能通过 FileRead / FileEdit / Bash 等显式工具影响世界没有后门。Fail-closed 安全默认工具默认isConcurrencySafe: false、isReadOnly: false并发与只读判断从严。Context Engineering Prompt Engineering把「让模型看到什么」放在「怎么措辞」之上。可组合性子 Agent 复用同一个query()入口。编译时消除优于运行时判断用 Bun 的feature()宏做死代码消除DCE。小结CC 的架构不是「一个大提示词 API 调用」而是围绕上下文预算、安全边界与验证闭环层层设防的工程系统。下面从最核心的主循环讲起。三、Agent 主循环Agent Loop一句话结论CC 的主循环是一个用异步生成器AsyncGenerator驱动的隐式状态机两层嵌套——外层管会话、内层管单轮——通过多种恢复路径和终止条件把「流式反馈、协作式中断、优雅取消」揉进同一个循环。抽象地看任何 Agent 的核心都是一个不到 20 行的循环调模型 → 若stop_reason tool_use就并发执行工具、把结果 push 回消息、继续否则返回文本 。CC 把这个朴素循环工程化成了两层QueryEngine.ts约 1295 行管理整个会话query.ts约 1729 行里的queryLoop管理单轮交互内部是一个含 7 种恢复路径、10 种终止条件的隐式状态机 。它选择用 AsyncGeneratorasync function*while(true) 作为核心抽象好处有四 流式反馈边生成边 yield、协作式控制消费方决定节奏、优雅取消.return()级联中断、有状态跨轮记住已消费的命令 UUID。单轮的执行 Pipeline 大致六步消息预处理 → API 调用 → 响应解析 → 工具执行与安全校验 → 结果 yield → 终止条件检查 。主循环维护一个显式的 State 结构体字段包括messages、toolUseContext、autoCompactTracking、turnCount、transition等 。它对异常有专门的「消息扣留」机制 prompt-too-long触发 reactive compact扣留并压缩后重试media-size剥离大图后重试max_output_tokens进入恢复循环最多重试 3 次每次追加 continue 。还有一个防「偷懒早退」的细节当模型end_turn但 token 预算远未用完时会注入 nudge 促其继续但若连续 3 次每轮增量都 500 tokens则判定确实做完并停止 。# Agent 主循环的最小骨架示意非源码原文 while True: resp client.messages.create(modelclaude-opus-4-6, max_tokens8096, toolstools, messagesmessages) if resp.stop_reason tool_use: results run_tools_concurrently(resp.tool_uses) # 并发执行安全工具 messages.append(tool_results(results)) # 回填结果继续下一轮 else: return resp.text # 无工具调用即产出最终答复小结CC 的主循环把「可流式、可中断、可恢复、可压缩」四件事收进一个生成器状态机这是它能长时间稳定跑复杂任务的底盘。四、上下文工程Context Engineering一句话结论CC 把 200K 上下文当成需要精打细算的稀缺预算——固定开销就吃掉约 45K于是它用「工具延迟披露 system-reminder 动态注入 三层渐进式压缩 结构化记忆」四招把每一 token 花在刀刃上这也是它宣称 Context Engineering 优先的落地体现。4.1 200K 预算到底花在哪基于 v2.1.70 抓包一次请求的固定资产约 45K tokens工具定义约 24K约 53%、system prompt 约 20K约 44%而用户输入一句「hi」只占约 3 tokens0.007%——你的消息只占请求的万分之一 。全量 70 个工具的 Schema 合计 97,881 字符光一个 Bash 工具就占 12,425 字符内含 git commit 规范、PR 流程等。请求拼接顺序固定为tools → system → messages让工具定义永远排在缓存前缀最前端 。隐形杀手是 MCP一个 GitHub MCP Server 含 20~30 个工具、每个约 200 tokens合计 4000~6000 tokens接 5 个 Server 就吃掉约 25,000 tokens12.5% 。这与另一篇的量化一致5 个 MCP server ≈ 55,000 tokens 工具定义占 200K 的近三成 。4.2 工具延迟披露Deferred Tools / ToolSearch为压掉这 24KCC 在交互模式下初始只发 19 个核心工具Read、Edit、Bash 等 一个ToolSearch其余 51 个仅以available-deferred-tools列出名字按需通过 ToolSearch 加载-pheadless模式才一次性发全部 70 个 。等价机制在另一篇被描述为发送带defer_loading: true的轻量 stub再由 ToolSearch 发现 。业界数据佐证了这条路线的收益Tool Search 可让上下文保留率达 95%Opus 4 的工具选择准确率从 49% 升到 74% 。4.3 system-reminder 与历史重构CC 会把「当前状态」以system-reminder的形式注入到最新的一条 user 消息里而非固化在 system prompt。不同注入物的迁移策略不同 SKILLS 列表、工具提醒TodoWrite tool hasnt been used recently…、文件变更提醒都跟随最新 user 消息并从历史清除而 CLAUDE.md 指令固定在msg[0]不迁移。项目/用户指令通过prependUserContext包在system-reminder里作为首条消息并附「Be sure to adhere to these instructions.」。实证下这种重构能把历史消息大幅瘦身某轮msg[2]从 1557 字符压到 17 字符-99%但也有代价一段约 8453 token 的大文本因前缀内容被移走会从缓存读取$1.5/MTok退化为缓存创建$18.75/MTok贵 12.5 倍 。4.4 三层渐进式压缩这是 CC 上下文治理的核心三层由轻到重 层级机制触发条件是否用 LLM关键参数Layer 1MicroCompact每轮针对可压缩工具否白名单COMPACTABLE_TOOLSBash/Read/Grep/GlobEdit/Write 保留图片统一按 2000 token 估算Layer 2Session Memory CompactToken ≥ 10,000 且文本消息 ≥ 5 条部分单次最大压缩 40,000 token保留最近几轮Layer 3Full LLM Compact快速路径不满足时降级是9 段式模板隐式 CoTanalysis剥离 /summary保留自动压缩的触发阈值高度一致可交叉验证有效上下文 模型窗口 − max(max_output_tokens, 20000)触发阈值再减去AUTOCOMPACT_BUFFER_TOKENS 13,000200K 模型约在 167K≈83.5% 触发 抓包侧观测到的 auto compact 独立 API 调用用claude-opus-4-6、thinking: disabled、tools: [Read]、max_tokens: 16000阈值可用环境变量CLAUDE_AUTOCOMPACT_PCT_OVERRIDE覆盖 。断路器方面连续压缩失败 3 次即停止——源码注释里留了触目惊心的生产数据「1,279 sessions had 50 consecutive failures (up to 3,272), wasting ~250K API calls/day globally」。Full LLM Compact 的 9 段式模板三方均提及为Primary Request and Intent、Key Technical Concepts、Files and Code Sections、Errors and fixes、Problem Solving、All user messages、Pending Tasks、Current Work、Optional Next Step 。有经验的用户会用 CLAUDE.md 显式指定「压缩时优先保留什么」架构决策NEVER summarize 已改文件与关键变更 验证状态 pass/fail 未解决 TODO 与回滚笔记 工具输出可删只留结论甚至用 HANDOFF.md 做主动交接不依赖压缩算法 。4.5 结构化记忆与 CLAUDE.mdCC 的 Memdir 记忆系统区分 User / Feedback / Project / Reference 四类loadMemoryPrompt扫描 → 分类 → 预算裁剪 → 注入检索时用 Sonnet 模型做语义匹配、最多返回 5 条 。CLAUDE.md 有四种作用域~/.claude/CLAUDE.md个人全局、项目根CLAUDE.md团队提交 Git、CLAUDE.local.md私有、.claude/rules/*.md按文件类型可用 Frontmatter 限定路径。/init可自动生成 CLAUDE.md其生成原则强调「写读代码读不出来的东西、非显而易见的模式、编译/测试/验证命令、常见陷阱」path导入语法支持最大 5 跳递归 。一个反常识的经验Anthropic 官方自己的 CLAUDE.md 只有约 2.5K tokens 说明「精简索引」比「大而全手册」更有效。小结CC 对上下文的态度是「预算制」——延迟披露压工具定义、system-reminder 让状态只出现一次、三层压缩兜住长会话、结构化记忆做跨会话延续。想用好 CC先学会用/context看预算、用精简 CLAUDE.md 而非塞满它。五、工具系统与权限体系一句话结论CC 把「工具即能力边界」和「Fail-closed」贯彻到底——工具默认不可并发、不可写、需确认Bash 走 AST 级白名单鉴权对.git/.claude等敏感路径的写入在任何模式下都不自动放行。工具接口默认值体现了安全取向isConcurrencySafefalse、isReadOnlyfalse、isDestructivefalse并发/只读从严 fail-closed。流式执行器StreamingToolExecutor会按isConcurrencySafe(input)把连续的安全工具组成「并行分区」分区内并行、分区间串行FileRead 安全可并行FileEdit 因行号偏移冲突被标记为不安全 。FileEditTool 还要求old_string唯一匹配且不能编辑未读过的文件有 readFileState 缓存。BashTool 是最重的工具约 18 个文件用 tree-sitter 把命令解析成 AST逐个 SimpleCommand 鉴权子命令上限 50做 flag 级白名单能区分xargs -I与-ibashSecurity.ts有 25 种检查并可走 SandboxManager 沙箱Linux 用 bubblewrap。权限有 6 种模式交互中可用 ShiftTab 循环切换 模式行为default只读文件动作需确认acceptEdits读 编辑受保护目录除外plan只读、只规划不动手auto允许所有操作但用另一模型做后台安全审查更费 tokenbypassPermissions除受保护目录外全部放行等价旧--dangerously-skip-permissionsdontAsk仅预批准工具静默执行任何模式下.git、.claude、.vscode、.idea、.husky、.bashrc、.zshrc等敏感路径的写入永不自动批准 auto 模式若连续被拒 3 次或累计 20 次会降级弹确认并有 Statsig 远程熔断开关 。规则合并优先级为 built-in plugin userSettings projectSettings flagSettings policySettings 。在工具设计哲学上一线经验强调「让模型少选错」好工具要有语义化名称jira_issue_get而非query、结构化返回、带修正建议的错误信息 这与业界的 ACIAgent-Computer Interface三代演进一致——从 API 封装到 ACI 再到 Advanced Tool Use配合ToolError的error_code suggestion、1~5 个 Tool Use Examples 可把准确率从 72% 提到 90% 。CC 内部工具本身也在迭代中途提问从「给 Bash 加 question 参数被忽略」到「要求特定 markdown 格式脆弱」最终演化为独立的 AskUserQuestion 工具搜索则从 RAG 向量库回归到更受模型青睐的 Grep 工具 。小结CC 的工具系统是「能力 护栏」的组合拳。抄它的话重点抄两条默认从严fail-closed和错误信息即教学。六、多 Agent 协作一句话结论CC 用「Subagent / Team(Swarm) / Coordinator」三层来组织多 Agent靠子 Agent 隔离上下文、用 Haiku 等小模型省成本、以 Fork 复用缓存并用「永远不要委派理解」等原则约束协调者。多 Agent 分三层单个 Subagent、成组的 TeamSwarm、以及顶层 Coordinator 。内置 Agent 各有分工内置 Agent模型权限用途与关键点general-purpose默认子模型tools:[*]全工具通用任务做完但不镀金ExploreHaiku外部/继承内部只读扫库检索省 CLAUDE.md 与 gitStatus源码注释称每周约 3400 万次调用、saves ~5-15 Gtok/weekPlan继承父模型只读规划输出 3~5 个「Critical Files」Verification只读 可写 /tmp受限提示词最长约 120~260 行红蓝对抗「try to break it」、不轻易 PASS、按变更类型选验证策略Fork Subagent 会继承完整历史只有最后一个文本块因子任务而异以最大化 prompt cache 命中靠 querySource 检查 fork-boilerplate标签防递归指令开头是「STOP. READ THIS FIRST.」。Team 有两种后端Pane-basedtmux/iTerm2强隔离、独立进程、高开销与 In-process弱隔离、低开销SDK 模式强制。进程内 Runner 有三级降级鉴权源码注释记录过一次「鲸鱼会话」——2 分钟内启动 292 个 agent、吃到 36.8GB 内存 。Coordinator 只有约 6 个工具system prompt 约 260 行走 Research → Synthesis → Implementation → Verification 四阶段核心原则是**「永远不要委派理解」**且与 Fork 互斥 。Agent 间通过文件邮箱~/.claude/teams/team/mailbox/agent/通信 。多模型分工是省钱关键快速执行类改 typo/重命名用 Haiku、深度推理类复杂重构用 Opus 或 GPT-5 Codex、检索类用轻量模型协调者用中等模型总成本可降 60~70% 。但也有明确的反模式警告过早上多 Agent、多 Agent 无边界会放大幻觉子 Agent 应只给最小提示Tooling/Workspace/Runtime不带 Skills/Memory、有深度限制、只回摘要 。小结多 Agent 不是「越多越好」而是「隔离 小模型 缓存复用 严格边界」。CC 的 Explore/Verification 设计尤其值得借鉴——用只读小模型做脏活用最长提示词的验证 Agent 防自我欺骗。七、System Prompt 工程一句话结论CC 的 System Prompt 是一份「静态 7 模块 动态 14 模块」的分段缓存文本通过精心的 cache breakpoint 布局把工具系统提示的缓存命中率拉满——这背后是一条肉眼可见的「经济护城河」。System Prompt 在源码里是prompts.ts约 914 行的string[ ]用__SYSTEM_PROMPT_DYNAMIC_BOUNDARY__分隔静态区与动态区静态区标scope:global可跨用户共享缓存 。静态 7 模块包括 Intro、System、Doing Tasks、Actions、Using Your Tools、Tone Style、Output Efficiency动态 14 项包括 memory、env_info、language、mcp_instructions、token_budget、brief 等 。组装优先级为overrideSystemPrompt Coordinator Agent --system-prompt自定义 默认appendSystemPrompt永远追加末尾 。缓存布局是精髓。抓包看到三段 cache breakpoint均 TTL1h需 betaprompt-caching-scopeBreakpoint 1system[1]62 字符——「You are a Claude agent, built on Anthropics Claude Agent SDK.」所有 Agent SDK 应用共享Breakpoint 2system[2]16,206 字符——完整 system promptBreakpoint 3最新 user 消息的最后一个 block。配合splitSysPromptPrefix()把不同段落设成不同 cacheScopebilling-header 段null、身份段org、静态段global、动态段null。效果是 toolssystem 占 input 约 97.5%缓存后每次约 $0.15无缓存约 $0.67省 78% 。护城河体现在一个细节billing header 里有个每次都变的 5 位 hexcch如cch36347按理会打破前缀缓存但实测system[0]被排除在前缀匹配之外模型输入从system[1]开始——竞品若没有「跳过第一个 system」的机制cch会导致缓存永远 miss成本差 4~5 倍 。此外 EnterPlanMode 被设计成模型可自调用的工具而非切换工具集正是为了不破坏缓存 。System Prompt 的一些规则也很有个性「Three similar lines of code is better than a premature abstraction」、授权不传递approving once does NOT mean all contexts、工具优先级Readcat、Editsed、Globfind、Grepgrep、语气上禁 emoji、引用用file_path:line_number与owner/repo#123。小结CC 的 System Prompt 工程 内容分段 缓存分段 跳过易变前缀。它把「省 token」做成了系统性优势这是模型端闭环才能吃到的红利。八、Harness Engineering 方法论三方印证一句话结论决定 Agent 成功率的往往不是模型而是 Harness——把验收基线、执行边界、反馈信号、回退手段编码进仓库让 Agent 自己验证对错。这套方法论在 CC、Qoder、Hermes 三方实践中被反复印证。有一个量化的分层观点纯 Prompt Engineering 顶多 70 分叠加 Context Engineering 到 80~85 分再叠加 Harness Engineering 才能到 90~95 分——三者对应「如何说 → 让 AI 看什么 → 构建怎样的运行环境」。Harness 的四要素是验收基线、执行边界、反馈信号、回退手段 。落地版把它具体成「仓库是 Agent 的操作系统」AGENTS.md 是地图不是手册控制在约 100 行只做索引详细文档放docs/按需加载这与 OpenAI「AGENTS.md 只保留约 100 行」的实践、以及 CC 的精简 CLAUDE.md 完全一致。约束粒度 架构边界用分层规则Layer 0 类型 → Layer 4 handler高层可 import 低层、反之不行 lint 脚本机械执法。预验证优于事后修复verify_action.py --action import internal/core from internal/handler直接返回✗ INVALID: L4 cannot import L3事后修复约耗 10 次 tool call事前预验证 2 次交互即可。一条好报错就是一次教学好报错 违反了什么规则 为什么是问题 怎么修。统一验证入口validate.py按 build → lint-arch → test → verify 顺序跑verify 是端到端功能验证真跑 CLI/发真实请求。# 预验证动手前先问能不能做把架构违规挡在执行前 $ python3 scripts/verify_action.py --action create file internal/types/user.go # ✓ VALID $ python3 scripts/verify_action.py --action import internal/core from internal/handler # ✗ INVALID: L4 (handler) cannot import L3 (core)验证闭环本身要分层——最低层退出码/lint/typecheck/unit test中间层集成测试/截图/contract test更高层生产日志/监控/人工审查 。而更进一步是让 Harness 自我进化验证失败结构化存harness/trace/failures/Critic 定期分析根因如「internal/cache 被 7 次违规 import → 建议提到 Layer 1」Refiner 更新规则同类任务成功执行 3 次以上且步骤一致就「轨迹编译」成确定性脚本如make add-endpoint失败再回退 Agent 模式——形成只进不退的棘轮效应 。Hermes Agent 把自进化推到极致外路径是动态 Skill 生成主 Agent 回复后异步 Fork 一个后台审查 Agent做记忆/技能/综合三维复盘_skill_nudge_interval10轮没建技能就提醒内路径是 RL 训练闭环用 Claude Opus 4.6 当教师模型合成轨迹、GRPO 训练。这里有个戳破营销话术的判断值得记住RL 的真实目的不是「用你的对话数据越用越聪明」而是把大模型能力蒸馏进 Qwen 3~4B 小模型以降本、提速、合规 。小结CC 只是这套方法论的一个载体。真正可迁移的资产是 Harness——「竞争优势不再是 Prompt而是 Trajectory换个模型也复制不走的运行环境」。想让任何能跑 shell 的 AgentCC/Codex/Qoder稳定干活先投资环境设计而不是反复调提示词。九、工程化落地与生态一句话结论CC 的安装配置围绕「双模型 Prompt Caching 一堆环境变量」国内落地要过代理与合规两关它只是 agentic CLI 生态的一员与 iFlow/Qwen Code/Codex/OpenClaw/Hermes 各有定位。官方原生包是anthropic-ai/claude-codenpm 全局安装核心配置在~/.claude/settings.json的env段 { env: { ANTHROPIC_BASE_URL: https://idealab.alibaba-inc.com/api/anthropic, ANTHROPIC_AUTH_TOKEN: xxx, ANTHROPIC_MODEL: claude-opus-4-6, ANTHROPIC_SMALL_FAST_MODEL: claude-haiku-4_5, DISABLE_PROMPT_CACHING: 0, CLAUDE_CODE_DISABLE_EXPERIMENTAL_BETAS: 1, DISABLE_AUTOUPDATER: 1 } }这里印证了 CC 的双模型机制ANTHROPIC_MODEL主模型 Opus/SonnetANTHROPIC_SMALL_FAST_MODEL小快模型 Haiku与代理版 config.json 的modelMappingsmall_model / model / opus_model 三级一致 。模型 ID 分别为claude-opus-4-6/claude-sonnet-4-6/claude-haiku-4-5-20251001knowledge cutoff 约 2025 年 5 月/fast的 Fast Mode 不换模型只是让模型「少想一点」effort: medium adaptive thinking。国内落地有两个现实坑 一是可用性需通过claude-code-proxy或 ideaLab/iFlow 代理把请求重定向到内网 Claude 服务二是合规用 Claude 模型的 AK 必须开「办公安全」、只能读 C1/C2 代码库禁读 C3。一个高频报错ideaLab 的 Claude 推理服务商是 AWS/Google Cloud 而非 AnthropicCC 升级用到的anthropic-betaheader如prompt-caching-scope-2026-01-05不被接受会报 400解法是export CLAUDE_CODE_DISABLE_EXPERIMENTAL_BETAS1。高频命令值得记一张小抄 /context看预算、/clear、/compact、/memory、/mcp、/hooks、/permissions、/model/simplify并行起三个 subagent 做 CR、/insights分析本地 session 出 HTML 报告、/btw旁路提问不污染主上下文、/rewind双击 ESC 回退命令行claude --continue、--resume、--continue --fork、--worktree、-p --output-format json。会话本地存在~/.claude/projects/下的.jsonl可直接 grep 。Hooks 是把「规范」变「强制」的关键源码级有 20 事件类型PreToolUse/PostToolUse/ToolError、SessionStart/End、UserPromptSubmit、PreFileEdit 等processHookJSONOutput支持阻断{blocked:true}、篡改{input}/{output}、注入反馈{message}超时默认 10 分钟 。典型用法是PostToolUse匹配*.rs自动跑cargo check 21 | head -30100 次编辑会话累计能省 1~2 小时 。生态定位对比同一 ideaLab 后端可服务多种 CLI Agent差异主要在协议与内核工具内核/协议定位备注Claude CodeAnthropic 原生env 注入agentic 编码标杆双模型 Prompt Caching未开源iFlow CLI基于 gemini cli 改造融合 CC 特性 免费模型适配 Kimi-K2/Qwen3 CoderQwen CodeOpenAI SDK 环境变量阿里系编码 CLIOPENAI_BASE_URL接入OpenCodeprovider 分离配置多 provideranthropicopenai 双挂Codexwire_apiresponsesOpenAI 系~/.codex/config.tomlOpenClaw五层架构 MessageBus社交/多渠道 Agent23 渠道、SOUL.mdHermes站在 CC/OpenClaw 肩上自进化 Agent动态 Skill RL 蒸馏顺带一提CC 藏了不少彩蛋macOS 防休眠的 Caffeinate、反蒸馏的假工具投毒anti_distillation: [fake_tools]、内部员工贡献开源时隐藏 AI 身份的 Undercover Mode、以及由 UserID 确定性生成的电子宠物/buddy稀有度 common 60%→legendary 1%。这些既是趣味也侧面印证了「模型端闭环」下 Anthropic 对 CC 的深度定制能力。小结用好 CC 的工程化落地 配好双模型与缓存、过好代理与合规两关、把常用命令与 Hooks 用起来。同时清醒认识到它只是 agentic CLI 生态的一员方法论比工具本身更值得沉淀。十、总结与实践建议把全文收敛成一份可执行清单先看预算再动手养成/context习惯用精简 CLAUDE.md对标官方约 2.5K tokens而不是塞满它MCP Server 按需接5 个就可能吃掉近三成上下文 。善用延迟披露与压缩交互模式默认只加载核心工具长会话交给三层压缩重要上下文用 CLAUDE.md 的压缩优先级或 HANDOFF.md 主动固化别赌自动摘要 。权限从严、路径设防默认 fail-closed.git/.claude等目录永不自动放行auto 模式虽快但费 token 且有后台审查 。多 Agent 要克制用 ExploreHaiku 只读做检索、Verification 做红蓝对抗验证多模型分工可省 60~70% 成本但别过早上多 Agent、别让子 Agent 无边界 。投资 Harness 而非提示词AGENTS.md 约 100 行做索引把架构约束编码成 lint 预验证 统一validate.py让「一条好报错成为一次教学」沉淀失败轨迹并轨迹编译 。清醒看待 CC 与自进化不神化 CC模型能力是根本Hermes 式 RL 自进化的真实价值是知识蒸馏大模型→小模型降本提速合规不是「用你的数据越用越聪明」。一句话判断CC 的护城河不是某个 prompt而是「200K 预算的极致精算 缓存经济学 Fail-closed 安全 可自愈的 Harness」这套组合再叠加 Anthropic「模型 端」闭环独享的红利。 学 CC学的应是这套工程范式它可以迁移到任何能跑 shell 的 Agent 上。参考来源Claude Code 官方文档Overview覆盖多端、agentic loop、CLAUDE.md、sub-agents、MCP、Hookshttps://code.claude.com/docs/en/overviewAGENTS.md 开放标准Agent 项目指令文件约定https://agents.md/Anthropic EngineeringClaude Code best practicesCLAUDE.md、权限、工作流实践https://www.anthropic.com/engineering/claude-code-best-practices