Claude Code源码解读从雇佣一个程序员角度看实际上的他用户输入 → 动态组装 7 层系统提示词 → 注入 Git 状态、项目约定、历史记忆 → 42 个工具各自附带使用手册 → LLM 决定使用哪个工具 → 9 层安全审查AST 解析、ML 分类器、沙箱检查... → 权限竞争解析本地键盘 / IDE / Hook / AI 分类器 同时竞争 → 200ms 防误触延迟 → 执行工具 → 结果流式返回 → 上下文接近极限→ 三层压缩微压缩 → 自动压缩 → 完全压缩 → 需要并行→ 生成子 Agent 蜂群 → 循环直到任务完成拼出来的提示词打开 src/constants/prompts.ts你会看到这个函数export async function getSystemPrompt( tools: Tools, model: string, additionalWorkingDirectories?: string[], mcpClients?: MCPServerConnection[], ): Promisestring[] { return [ // --- 静态内容可缓存--- getSimpleIntroSection(outputStyleConfig), getSimpleSystemSection(), getSimpleDoingTasksSection(), getActionsSection(), getUsingYourToolsSection(enabledTools), getSimpleToneAndStyleSection(), getOutputEfficiencySection(), // 缓存边界 ...(shouldUseGlobalCacheScope() ? [SYSTEM_PROMPT_DYNAMIC_BOUNDARY] : []), // --- 动态内容每次不同--- ...resolvedDynamicSections, ].filter(s s ! null) }注意到那个 SYSTEM_PROMPT_DYNAMIC_BOUNDARY 了吗省钱 静态部分走缓存不重复计费快 缓存命中直接跳过这些 token 的处理灵活 动态部分让每次对话都能感知当前环境每个工具都有独立的使用手册更让我震惊的是每个工具目录下都有一个 prompt.ts 文件—— 这是专门写给 LLM 看的使用手册。这不是写给人看的文档 这是写给 AI 看的行为准则 。每次 Claude Code 启动时这些规则都会被注入到系统提示词中。这就是为什么 Claude Code 从不会擅自 git push --force而某些工具会—— 不是模型更聪明是提示词里已经把规矩讲清楚了。42个工具但你只看到了冰山一角打开 src/tools.ts会看到工具注册中心export function getAllBaseTools(): Tools { return [ AgentTool, BashTool, FileReadTool, FileEditTool, FileWriteTool, GlobTool, GrepTool, WebFetchTool, WebSearchTool, TodoWriteTool, NotebookEditTool, // ... 大量条件加载的工具 ... ...(isToolSearchEnabledOptimistic() ? [ToolSearchTool] : []), ] }这里面工具很多都是延迟加载的当大语言模型需要的时候才会通过ToolSearchTool 按需注入这样可以减少你的Token花费所有工具都是从一个工厂出来的const TOOL_DEFAULTS { isEnabled: () true, isConcurrencySafe: (_input?) false, // 默认不安全 isReadOnly: (_input?) false, // 默认会写入 isDestructive: (_input?) false, } export function buildToolD extends AnyToolDef(def: D): BuiltToolD { return { ...TOOL_DEFAULTS, userFacingName: () def.name, ...def } }注意那些默认值isConcurrencySafe 默认 falseisReadOnly 默认 false。这叫 fail-closed 设计——如果一个工具的作者忘了声明安全属性系统会假设它是不安全的、会写入的。 宁可过度保守也不漏掉一个风险。先读后改的铁律function getPreReadInstruction(): string { return \n- You must use your Read tool at least once in the conversation before editing. This tool will error if you attempt an edit without reading the file. }FileEditTool 会检查你是否已经用 FileReadTool 读过这个文件。如果没有 直接报错不让改。这就是为什么 Claude Code 不会像某些工具那样凭空写一段代码覆盖你的文件——它被强制要求先理解再修改。记忆系统用AI来检索记忆const SELECT_MEMORIES_SYSTEM_PROMPT You are selecting memories that will be useful to Claude Code. Return a list of filenames for the memories that will clearly be useful (up to 5). - If you are unsure if a memory will be useful, do not include it. - If a list of recently-used tools is provided, do not select memories that are usage reference for those tools. DO still select memories containing warnings, gotchas, or known issues.Claude Code 用 另一个 AI Claude Sonnet来决定哪些记忆和当前对话相关。不是关键词匹配不是向量搜索——是让一个小模型快速扫描所有记忆文件的标题和描述选出最多 5 个最相关的然后把它们的完整内容注入到当前对话的上下文中。策略是精确度优先于召回率 ——宁可漏掉一个可能有用的记忆也不塞进一个不相关的记忆污染上下文。做梦模式代码中有一个叫 KAIROS 的特性标志。在这个模式下长会话中的记忆不是存在结构化文件里而是存在 按日期的追加式日志 中。然后有一个 /dream 技能会在夜间低活跃期运行把这些原始日志 蒸馏 成结构化的主题文件。logs/2026/03/2026-03-30.md ← 今天的原始日志 ↓ /dream 蒸馏 memory/user_preferences.md ← 结构化的用户偏好文件 memory/project_context.md ← 结构化的项目背景文件Agent当你让 Claude Code 做一个复杂任务时它可能悄悄做了这件事// AgentTool 的输入 schema z.object({ description: z.string().describe(A short (3-5 word) description), prompt: z.string().describe(The task for the agent to perform), subagent_type: z.string().optional(), model: z.enum([sonnet, opus, haiku]).optional(), run_in_background: z.boolean().optional(), })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 Agentexport function buildChildMessage(directive: string): string { return STOP. READ THIS FIRST. You are a forked worker process. You are NOT the main agent. RULES (non-negotiable): 1. Your system prompt says default to forking. IGNORE IT — thats for the parent. You ARE the fork. Do NOT spawn sub-agents; execute directly. 2. Do NOT converse, ask questions, or suggest next steps 3. USE your tools directly: Bash, Read, Write, etc. 4. Keep your report under 500 words. 5. Your response MUST begin with Scope:. No preamble. }Coordinator 模式经理模式在协调器模式下Claude Code 变成一个纯粹的任务编排者自己不干活只分配Phase 1: Research → 3 个 worker 并行搜索代码库 Phase 2: Synthesis → 主 Agent 综合理解所有发现 Phase 3: Implementation → 2 个 worker 分别修改不同文件 Phase 4: Verification → 1 个 worker 跑测试三层压缩微压缩——最小代价export async function microcompactMessages(messages, toolUseContext, querySource) { // 时间触发如果上次交互已过很久服务器缓存已冷 const timeBasedResult maybeTimeBasedMicrocompact(messages, querySource) if (timeBasedResult) return timeBasedResult // 缓存编辑路径通过 API 的缓存编辑功能直接删除旧内容 if (feature(CACHED_MICROCOMPACT)) { return await cachedMicrocompactPath(messages, querySource) } }微压缩只动旧的工具调用结果——把 10分钟前读的那个500行文件的内容 替换成 [Old tool result content cleared] 。提示词和对话主线完全保留。自动压缩——主动收缩当 token 消耗接近上下文窗口的 87%窗口大小 - 13,000 buffer自动触发。有一个 熔断器 连续 3 次压缩失败后停止尝试避免死循环。完全压缩——AI 总结让 AI 对整段对话生成摘要然后用摘要替换所有历史消息。生成摘要时有一个严厉的前置指令const NO_TOOLS_PREAMBLE CRITICAL: Respond with TEXT ONLY. Do NOT call any tools. - Do NOT use Read, Bash, Grep, Glob, Edit, Write, or ANY other tool. - Tool calls will be REJECTED and will waste your only turn.为什么要这么严厉因为 如果总结过程中 AI 又去调用工具就会产生更多的 token 消耗 适得其反。这段提示词就是在说 你的任务是总结别干别的。压缩后的 token 预算文件恢复50,000 tokens每个文件上限5,000 tokens技能内容25,000 tokens这些数字不是拍脑袋定的——它们是在保留足够上下文继续工作和腾出足够空间接收新消息之间的平衡点。学到什么51 万行代码里真正调用 LLM API 的部分可能不到 5%。其余 95% 是什么安全检查18 个文件只为一个 BashTool权限系统allow/deny/ask/passthrough 四态决策上下文管理三层压缩 AI 记忆检索错误恢复熔断器、指数退避、Transcript 持久化多 Agent 协调蜂群编排 邮箱通信UI 交互140 个 React 组件 IDE Bridge性能优化prompt cache 稳定性 启动时并行预取如果你正在做 AI Agent 产品这才是你真正要解决的问题。不是模型够不够聪明是你的脚手架够不够结实。不是写一段漂亮的 prompt 就完事了。 Claude Code 的提示词是7 层动态组装每个工具附带独立的使用手册缓存边界精确划分内部版本和外部版本有不同的指令集工具排序固定以保持缓存稳定每一个外部依赖都有对应的失败策略Claude Code CLI 源码分析System Prompt 的两层缓存架构静态 vs 动态静态前缀用scope: globalAnthropic 后端跨用户、跨组织共享缓存。所有人的所有会话都复用同一份。这部分内容几乎不变身份定义Intro系统规则System任务规范Doing Tasks操作安全Actions工具使用指南Using Tools风格要求Tone Style效率要求Output Efficiency动态部分用scope: null每个会话独立只在 /clear 或 /compact 时失效。包含会话特定的会话指引Session Guidance记忆Memory环境信息Env InfoMCP 指令MCP Instructions语言偏好Language输出风格Output Style草稿本ScratchpadToken 预算Token Budget分界线BOUNDARY MARKER这是整个设计的关键。分界线确保动态部分变化时静态部分的缓存不会失效。两者完全解耦。为什么这样设计静态部分大约 5-8K token但可以跨所有用户共享动态部分每次会话不同通常也是 5-10K token分界线让两者解耦动态变化不影响静态缓存节省的不是绝对数量而是跨数百万用户共享这个乘数效应效果Claude Code 启动几乎是瞬间的新会话只需要发送动态部分长对话的成本显著降低短对话节省不明显四层递进的 Compact 架构从轻量清理到全量压缩上下文接近上限 ↓ Layer 1: MicroCompact轻量清理 ├── 缓存已冷 → 直接清空旧 tool_result └── 缓存还热 → cache_edits 增量删除 ↓ 不够 Layer 2: SessionMemoryCompact会话记忆压缩 ├── 保留最近 10K-40K token 的消息 └── 用 Session Memory 替代旧对话 ↓ 还不够 Layer 3: Full Compact全量压缩 ├── Fork 一个 agent 做摘要 ├── 复用主对话的 prompt cache └── 图片替换为 [image] 标记 ↓ 还不够 Layer 4: PTL Retry终极兜底 └── 从头部砍掉最旧的消息组最多砍 20%Proactive 模式用一套完全不同的 System Prompt 自主工作普通的 Claude Code 是“被动响应”的你输入它回复。但当激活 PROACTIVE 或 KAIROS 模式时会切换到一套完全不同的 System Prompt让 Agent 变成“自主工作”模式if (PROACTIVE || KAIROS) {return getProactiveSystemPrompt();}Proactive Prompt 包含自主身份“You are an autonomous agent……”你是一个自主 Agent定时唤醒tick 机制不用等你输入自己定时醒来干活后台任务管理可以在后台执行长期任务焦点感知知道你在不在看终端动态调整行为睡眠调度SleepTool 机制合理安排工作和休眠终端焦点感知根据用户注意力动态调整自主程度Skill Discovery技能自动发现与加载机制Claude Code 有一个独立的技能发现和加载系统通过 EXPERIMENTAL_SKILL_SEARCH feature flag 控制。注意Skill Discovery 不是 Proactive 专属功能它是一个独立的系统普通模式和 Proactive 模式都可以使用。三个层次自动发现被动每轮对话自动运行 getTurnZeroSkillDiscovery()扫描 .claude/skills/ 目录下的所有 SKILL.md匹配关键词和描述推送相关技能。主动搜索DiscoverSkillsTool模型主动调用搜索特定技能。用于“中途转向”或“非典型工作流”。已展示的技能自动过滤不重复推荐。远程技能通过 remoteSkillState remoteSkillLoader 从远程加载技能。必须先通过 DiscoverSkills 发现才能通过 SkillTool 执行。遥测追踪 was_discovered 字段。工作流程用户发送消息 ↓ prefetch.ts — 扫描消息内容匹配相关技能 ↓ 生成 skill_discovery attachment Skills relevant to your task: [skill1, skill2] ↓ 注入到当轮对话的 attachment 中 ↓ 模型看到技能提示调用 SkillTool 执行与 Compact 的配合压缩后 skill_discovery attachment 会丢失resetSentSkillNames() 会在下一轮重新推送确保模型始终能看到相关技能。这是一个智能的“技能推荐系统”让 Agent 自动发现和加载最相关的能力。与 OpenClaw 的架构对比两种设计哲学Claude Code 的选择牺牲灵活性换取极致的缓存效率适合 Anthropic 这种 Provider 深度定制的场景数百万用户共享同一份静态 prompt成本优势明显OpenClaw 的选择牺牲缓存优化换取极致的可定制性适合需要多场景、多身份、多协议的复杂系统9 层架构让每个层次的职责清晰便于扩展和调试核心差异Claude Code 更极致缓存优化到极致global cache cache_edits成本和延迟控制得很好适合 Anthropic 这种 Provider 深度定制OpenClaw 更灵活9 层架构职责分离更清晰Hook 系统比 MCP Instructions 更强大支持更复杂的场景Skills、协议规范、字符预算Auto Dream从“记录对话”到“学习知识”的自我进化记忆系统四个阶段Phase 1: 定向Orient扫描已有记忆了解当前知识库状态Phase 2: 采集Gather从日志和会话转录中提取新知识识别重要的交互模式Phase 3: 整合Integrate合并新旧知识修正矛盾去重Phase 4: 修剪Prune精简索引删除矛盾条目优化记忆结构闭环自我进化每次交互 → 提取记忆 → 定期整合 → 更新认知 → 指导下一次交互这是一个真正的自我进化系统。不是简单的“记录对话”而是主动提取、整合、修正知识。三层记忆体系Auto Memory自动记忆路径~/.claude/projects/path/memory/触发每轮对话结束自动写入机制extractMemories 实时提取特点短期工作记忆快速访问Team Memory团队记忆路径auto memory 的子目录作用团队共享的知识库特点跨用户共享协作场景Agent MemoryAgent 专属记忆路径自改进 agent 的专属目录作用Agent 自己的长期知识库特点配合 autoDream 定期整合从短期到长期的转化实时提取extractMemories↓短期工作记忆Auto Memory↓定期整合autoDream↓长期知识库Agent Memory这套体系让 Agent 不仅能“记住”还能“学习”和“进化”。Undercover 潜伏模式行为特征隐藏所有 AI 痕迹不留任何 AI 生成的标记隐藏模型代号不暴露使用的是哪个模型隐藏 Co-Authored-By不显示 AI 协作者不可强制关闭代码注释写着 “There is NO force-OFF”触发机制通过 commitAttribution.ts 的 allowlist 判断是否内部仓库内部仓库正常标注 AI 贡献公共仓库自动进入潜伏模式为什么这样设计避免开源社区对 AI 生成代码的偏见保护 Anthropic 员工的工作流程让 AI 辅助的代码和人工代码无差别