分析Claude Code源碼：為什麼它會比其他AI編程工具好用？

原文標題：《一文瞭解 Anthropic 的 Claude Code 源碼：為什麼它就是比別人好用？》

原文作者：Yuker，AI 研究員

2026 年 3 月 31 日，安全研究者 Chaofan Shou 發現 Anthropic 發布到 npm 的 Claude Code 套件中，source map 檔案沒有被剝離。

這意味著：Claude Code 的完整 TypeScript 源碼，51.2 萬行，1903 個檔案，就這樣暴露在了公網上。

我當然不可能在短短數小時內看完這麼多程式碼，因此，我帶著三個問題去讀這份源碼：

1. Claude Code 和其他 AI 程式設計工具到底有什麼本質區別？

2. 為什麼它寫程式碼的「手感」就是比別人好？

3. 51 萬行程式碼裡，到底藏著什麼？

讀完之後，我的第一反應是：這不是一個 AI 程式設計助手，這是一個作業系統。

一、先講一個故事：如果你要雇一個遠端程序員

想像你雇了一個遠端程序員，給他你電腦的遠端訪問權限。

你會怎麼做？

如果你是 Cursor 的做法：你讓他坐在你旁邊，每次他要敲命令之前你看一眼，點個「允許」。簡單粗暴，但你得一直盯著。

如果你是 GitHub Copilot Agent 的做法：你給他一台全新的虛擬機，讓他在裡面隨便折騰。搞完了把程式碼提交上來，你審核後再合併。安全，但他看不到你本地的環境。

如果你是 Claude Code 的做法：

你讓他直接用你的電腦——但你給他配了一套極其精密的安檢系統。他能做什麼、不能做什麼、哪些操作需要你點頭、哪些可以自己來、甚至他想用 rm -rf 都要經過 9 層審查才能執行。

這就是三種完全不同的安全哲學：

為什麼 Anthropic 選擇了最難的那條路？

因為只有這樣，AI 才能用你的終端、你的環境、你的配置來幹活——這才是「真正幫你寫程式碼」，而不是「在一個乾淨房間裡給你寫一段程式碼然後複製過來」。

但代價是什麼？他們為此寫了 51 萬行程式碼。

二、你以為的 Claude Code vs 實際的 Claude Code

大多數人以為 AI 編程工具是這樣的：

使用者輸入 → 呼叫 LLM API → 返回結果 → 顯示給使用者

Claude Code 實際是這樣的：

使用者輸入
→ 動態組裝 7 層系統提示詞
→ 注入 Git 狀態、專案約定、歷史記憶
→ 42 個工具各自附帶使用手冊
→ LLM 決定使用哪個工具
→ 9 層安全審查（AST 解析、ML 分類器、沙箱檢查...）
→ 權限競爭解析（本地鍵盤 / IDE / Hook / AI 分類器 同時競爭）
→ 200ms 防誤觸延遲
→ 執行工具
→ 結果流式返回
→ 上下文接近極限？→ 三層壓縮（微壓縮 → 自動壓縮 → 完全壓縮）
→ 需要並行？→ 生成子 Agent 蜂群
→ 迴圈直到任務完成

相信大家都很好奇上面的是什麼，不著急，讓我們逐個拆開看。

三、第一個秘密：提示詞不是寫出來的，是「拼裝」出來的

打開 src/constants/prompts.ts，你會看到這個函數：

注意到那個 SYSTEM_PROMPT_DYNAMIC_BOUNDARY 了嗎？

這是一個快取分界線。分界線上面的內容是靜態的，Claude API 可以快取它們，節省 token 費用。分界線下面的內容是動態的——你當前的 Git 分支、你的 CLAUDE.md 專案配置、你之前告訴它的偏好記憶……每次對話都不一樣。

這意味著什麼？

Anthropic 把提示詞當成了編譯器的輸出來優化。靜態部分是「編譯後的二進制」，動態部分是「運行時參數」。這樣做的好處是：

1. 省錢：靜態部分走快取，不重複計費

2. 快：快取命中直接跳過這些 token 的處理

3. 靈活：動態部分讓每次對話都能感知當前環境

每個工具都有獨立的「使用手冊」

更讓我震驚的是：每個工具目錄下都有一個 prompt.ts 檔案——這是專門寫給 LLM 看的使用手冊。

看看 BashTool 的（src/tools/BashTool/prompt.ts，約 370 行）：

這不是寫給人看的文件，這是寫給 AI 看的行為準則。每次 Claude Code 啟動時，這些規則都會被注入到系統提示詞中。

這就是為什麼 Claude Code 從不會擅自 git push --force，而某些工具會——不是模型更聰明，是提示詞裡已經把規矩講清楚了。

而且 Anthropic 內部版本和你用的不一樣

程式碼裡大量出現這樣的分支：

ant 就是 Anthropic 內部員工。他們的版本有更詳細的程式碼風格指引（「不寫註釋除非 WHY 不明顯」）、更激進的輸出策略（「倒金字塔寫作法」），以及一些仍在 A/B 測試的實驗功能（Verification Agent、Explore & Plan Agent）。

這說明 Anthropic 自己就是 Claude Code 最大的使用者。他們在用自己的產品來開發自己的產品。

四、第二個秘密：42 個工具，但你只看到了冰山一角

打開 src/tools.ts，會看到工具註冊中心：

42 個工具，但大部分你從未直接看到過。因為很多工具是延遲加載的——只有當 LLM 需要時，才通過 ToolSearchTool 按需注入。

為什麼這樣做呢？

因為每多一個工具，系統提示詞就要多一段描述，token 就要多花一份錢。如果你只是想讓 Claude Code 幫你改一行程式碼，它不需要加載「定時任務調度器」和「團隊協作管理器」。

還有一個更聰明的設計：

設置 CLAUDE_CODE_SIMPLE=true，Claude Code 就只剩三個工具：Bash、讀檔案、改檔案。這是給極簡主義者的後門。

所有工具都從同一個工廠出來

注意那些預設值：isConcurrencySafe 默認 false，isReadOnly 默認 false。

這叫 fail-closed 設計——如果一個工具的作者忘了聲明安全屬性，系統會假設它是「不安全的、會寫入的」。寧可過度保守，也不漏掉一個風險。

「先讀後改」的鐵律

FileEditTool 會檢查你是否已經用 FileReadTool 讀過這個檔案。如果沒有，直接報錯，不讓改。

這就是為什麼 Claude Code 不會像某些工具那樣「凭空寫一段程式碼覆蓋你的檔案」——它被強制要求先理解再修改。

五、第三個秘密：記憶系統——為什麼它能「記住你」

用過 Claude Code 的人都有一個感受：它好像真的認識你。

你告訴它「不要在測試中 mock 資料庫」，下次對話它就不會再 mock。你告訴它「我是後端工程師，React 新手」，它解釋前端程式碼時就會用後端的類比。

這背後是一個完整的記憶系統。

用 AI 來檢索記憶

Claude Code 用 另一個 AI（Claude Sonnet）來決定「哪些記憶和當前對話相關」。

不是關鍵詞匹配，不是向量搜索——是讓一個小模型快速掃描所有記憶檔案的標題和描述，選出最多 5 個最相關的，然後把它們的完整內容注入到當前對話的上下文中。

策略是「精確度優先於召回率」——寧可漏掉一個可能有用的記憶，也不塞進一個不相關的記憶污染上下文。

KAIROS 模式：夜間「做夢」

這是最讓我覺得科幻的部分。

程式碼中有一個叫 KAIROS 的特性標誌。在這個模式下，長對話中的記憶不是存在結構化檔案裡，而是存在按日期的追加式日誌中。然後，有一個 /dream 技能會在「夜間」（低活躍期）運行，把這些原始日誌蒸餾成結構化的主題檔案。

AI 在「睡覺」的時候整理記憶。這已經不是工程了，這是仿生學。

六、第五個秘密：它不是一個 Agent，是一群

當你讓 Claude Code 做一個複雜任務時，它可能悄悄做了這件事：

它生成了一个子 Agent。

而且子 Agent 有严格的「自我意识」注入，防止它递归生成更多子 Agent：

这段程式碼在說：「你是一個工人，不是經理。別想著再雇人，自己幹活。」

Coordinator 模式：經理模式

在協調器模式下，Claude Code 變成一個純粹的任務編排者，自己不幹活，只分配：

核心原則寫在程式碼註釋裡：

「Parallelism is your superpower」只讀研究任務：並行跑。寫檔案任務：按檔案分組串行跑（避免衝突）。

Prompt Cache 的極致優化

為了最大化子 Agent 的快取命中率，所有 fork 子代理的工具結果都使用相同的占位符文字：

「Fork started—processing in background」

為什麼？因為 Claude API 的 prompt cache 是基於位元組級前綴匹配的。如果 10 個子 Agent 的前綴位元組完全一致，那麼只有第一個需要「冷啟動」，後面 9 個直接命中快取。

這是一個每次呼叫節省幾美分的優化，但在大規模使用下，能省下大量成本。

七、第六個秘密：三層壓縮，讓對話「永不超限」

所有 LLM 都有上下文視窗限制。對話越長，歷史訊息越多，最終一定會超出限制。

Claude Code 為此設計了三層壓縮：

第一層：微壓縮——最小代價

微壓縮只動舊的工具呼叫結果——將「10 分鐘前讀的那個 500 行文件的內容」替換成 [Old tool result content cleared]。

提示詞和對話主線完全保留。

第二層：自動壓縮——主動收縮

當 token 消耗接近上下文視窗的 87%（視窗大小 - 13,000 緩衝區），自動觸發。有一個熔斷器：連續 3 次壓縮失敗後停止嘗試，避免死循環。

第三層：完全壓縮——AI 總結

讓 AI 對整段對話生成摘要，然後用摘要替換所有歷史消息。生成摘要時有一個嚴厲的前置指令：

為什麼要這麼嚴格？因為如果總結過程中 AI 又去呼叫工具，就會產生更多的 token 消耗，適得其反。這段提示詞就是在說：「你的任務是總結，別幹別的。」

壓縮後的 token 預算：

· 文件恢復：50,000 tokens

· 每個文件上限：5,000 tokens

· 技能內容：25,000 tokens

這些數字不是拍腦袋定的——它們是在「保留足夠上下文繼續工作」和「騰出足夠空間接收新消息」之間的平衡點。

八、讀完這份源碼，我學到了什麼

AI Agent 的 90% 工作量在「AI」之外

51 萬行代碼裡，真正呼叫 LLM API 的部分可能不到 5%。其餘 95% 是什麼？

· 安全檢查（18 個文件只為一個 BashTool）

· 權限系統（allow/deny/ask/passthrough 四態決策）

· 上下文管理（三層壓縮 + AI 記憶檢索）

· 錯誤恢復（熔斷器、指數退避、Transcript 持久化）

· 多 Agent 協調（蜂群編排 + 郵件通訊）

· UI 互動（140 個 React 組件 + IDE Bridge）

· 效能優化（prompt 快取穩定性 + 啟動時並行預取）

如果你正在做 AI Agent 產品，這才是你真正要解決的問題。不是模型夠不夠聰明，是你的腳手架夠不夠結實。

好的提示詞工程是系統工程

不是寫一段漂亮的 prompt 就完事了。Claude Code 的提示詞是：

· 7 層動態組裝

· 每個工具附帶獨立的使用手冊

· 快取邊界精確劃分

· 內部版本和外部版本有不同的指令集

· 工具排序固定以保持快取穩定

這是工程化的提示詞管理，不是手工藝。

為失敗而設計

每一個外部依賴都有對應的失敗策略：

Anthropic 把 Claude Code 當作操作系統在做

42 個工具 = 系統呼叫 權限系統 = 使用者權限管理 技能系統 = 應用商店 MCP 協議 = 設備驅動 Agent 蜂群 = 處理管理 上下文壓縮 = 記憶體管理 Transcript 持久化 = 檔案系統

這不是一個「聊天機器人加幾個工具」，這是一個以 LLM 為核心的操作系統。

總結

51 萬行程式碼。1903 個檔案。18 個安全檔案只為一個 Bash 工具。

9 層審查只為讓 AI 安全地幫你敲一行命令。

這就是 Anthropic 的答案：要讓 AI 真正有用，你不能把它關在籠子裡，也不能放它裸奔。你得給它建一套完整的信任體系。

而這套信任體系的代價，是 51 萬行程式碼。

原文連結