本文深入剖析了 Claude Code 的核心架构，揭示其作为自主 Agent 的运作机制远超传统代码补全工具。通过“Agent 循环”这一核心逻辑，结合七大组件及五层架构，详细解析了其上下文管理、权限系统及工具体系，强调其在安全与效率上的卓越表现。对于想要了解大模型如何实际应用于代码辅助，并希望提升编程效率的开发者而言，本文提供了宝贵的洞见与实践指导。

它不是"聊天机器人"，是自主 Agent

你有没有想过，当你对 Claude Code 说「帮我修复 auth.test.ts 里失败的测试」，接下来几秒内到底发生了什么？它不是简单地把你的话"发给 AI 然后等回答"——在这句话背后，是一套精心设计的多层架构在协同运转。

传统代码补全工具	Claude Code（自主 Agent）
只能看到当前打开的文件	读写整个项目的文件系统
只能给出建议，无法执行操作	执行 Shell 命令，运行测试
无法运行命令或测试	根据结果迭代，自主完成任务
无法跨文件理解项目结构	跨文件协调修改，全局理解代码

这个区别不只是功能多少的问题，而是架构范式的根本不同。Anthropic 内部研究显示，约 27% 的 Claude Code 辅助任务是用户在没有 AI 帮助时根本不会去尝试的工作——这说明它带来的是全新工作流，而不只是加速已有的工作流。

核心循环：一个简单而强大的 while 循环

Claude Code 的核心逻辑出人意料地简洁——一个 while 循环。官方文档将其描述为三个交织的阶段，不断重复，直到任务完成：

Agent 循环可以压缩成三步：

1. 收集上下文：读文件、搜代码、理解项目结构

2. 采取行动：编辑文件、执行命令、调用工具

3. 验证结果：运行测试、检查输出、评估成果

↺ 循环迭代，直到任务完成 ↺

// 简化后的核心逻辑（对应源码 query.ts 中的 queryLoop()）
while (任务未完成) {
    // 1. 组装上下文，调用模型
    const response = await callModel(assembleContext());

    // 2. 模型返回响应（可能包含工具调用请求）
    if (response.has_tool_use) {
        // 3. 权限系统检查：允许 / 询问 / 拒绝
        const decision = permissionSystem.check(response.tool);

        // 4. 执行工具，收集结果
        if (decision === 'allow') {
            const result = await tool.execute();
            context.append(result); // 5. 结果反馈回循环
        }
    }
}

关键洞察

根据对源码的分析，Claude Code 中 AI 决策逻辑只占约 1.6% 的代码量，剩余 98.4% 都是围绕这个循环的运行时基础设施——权限系统、上下文管理、工具调度、持久化等。这个比例揭示了这套系统真正的设计重心。

以"修复失败测试"为例

当你输入「修复 auth.test.ts 里失败的测试」，Agent 循环会这样执行：

1. 运行测试套件，查看哪些用例失败

2. 读取错误输出，理解失败原因

3. 搜索相关源文件（如 auth.ts、auth.service.ts）

4. 读取这些文件，理解业务逻辑

5. 修改文件，修复问题

6. 再次运行测试，验证是否通过

每一步工具调用的结果都会被注入上下文，指导下一步决策。这就是"Agent 循环"的直观体现。

七大组件，一条主干数据流

在高层，Claude Code 可以拆解为 7 个功能组件。数据从用户的输入出发，沿着一条主干数据流穿越整个系统：

主干数据流：用户提交任务，进入 CLI / IDE / Web / SDK 等接入界面，汇入 query.ts 中的 Agent 循环；循环提出操作后，由权限系统和工具池共同处理，再把工具结果和状态写入持久化层，并通过执行环境触达文件系统、Shell、网络和 MCP 服务。

组件	职责	关键源文件
用户	提交任务、审批权限、查看输出	—
接入界面	CLI / IDE 插件 / Web / SDK，统一汇入同一循环	src/entrypoints/
Agent 循环	模型调用、工具分发、结果收集的核心迭代	query.ts
权限系统	对每个工具调用做拒绝/询问/允许决策	permissions.ts
工具池	最多 54 个内置工具 + MCP 扩展工具	tools.ts
状态与持久化	JSONL 格式追加写入会话记录，支持恢复和分叉	sessionStorage.ts
执行环境	Shell 执行、文件系统、网络、MCP 服务器连接	src/tools/

权限系统：把"拒绝"作为默认选项

这是 Claude Code 架构里最体现设计哲学的部分。它的核心原则只有一句话：

设计原则

拒绝规则 > 询问规则 > 允许规则 。对于未识别的操作，默认升级给用户，而不是静默放行。这不是为了烦人——一个被恶意内容操控的模型，无法绕过写在 Harness 里的权限规则。

模型和执行环境是彻底分离的。模型只能通过结构化的 tool_use 协议与外界交互，Harness 在执行前进行验证。模型本身从不直接操作文件系统或执行 Shell 命令。

• 93%：用户对权限提示的平均批准率
• 7：权限模式数量（从手动到全自动）
• 4：自动模式防御的风险类型

93% 的批准率说明了一个问题：频繁弹窗不是好的解法，用户会习惯性点"确认"。Anthropic 的应对策略是：在明确边界（沙箱、自动模式分类器）内给 Agent 更大的自由度，而不是每步都打断用户。

多层纵深防御

权限不是单点把关，而是多层叠加，任何一层都可以拦截操作：

1. 规则级权限检查：permissions.ts — deny/ask/allow 规则树，拒绝优先（DENY-FIRST）

2. PreToolUse 钩子拦截：27 种事件类型，可拦截、改写或标注工具请求（HOOK PIPELINE）

3. ML 分类器（自动模式）：yoloClassifier.ts — 快速过滤 + 思维链两阶段评估（ML CLASSIFIER）

4. Shell 沙箱（可选）：shouldUseSandbox.ts — 独立限制文件系统和网络访问（SANDBOX）

自动模式的四类风险

ML 分类器专门防御这四类场景： 过度热心的行为 （做了不该做的事）、 无心之过 （理解偏差导致的错误）、 提示注入攻击 （恶意代码试图操控 Agent）、 模型对齐失效 （模型行为偏离预期）。

上下文管理：最稀缺的资源

Claude 模型的上下文窗口（Claude 4.6 系列最高 100 万 token）是整个系统的核心瓶颈。大量架构决策都是围绕它展开的。

上下文窗口里装了什么？

• 对话历史：所有往来消息和工具调用记录
• 文件内容：读入的源码和文档片段
• 命令输出：Shell 执行结果、测试报告
• CLAUDE.md：项目级持久指令文件
• Auto Memory：跨会话自动积累的记忆
• 系统指令：工具 Schema、Skills 描述

五层压缩流水线

在每次调用模型之前，Claude Code 顺序执行 5 种压缩策略。越早的层越便宜，越晚的层成本越高：

层级	策略	说明	成本
L1	Budget Reduction	裁剪超大的单个工具输出，直接截断	低成本
L2	Snip	处理时间深度，滑动窗口删除较旧内容	低成本
L3	Microcompact	应对缓存开销过大，局部精简	中成本
L4	Context Collapse	管理超长历史对话，结构性折叠	中成本
L5	Auto-compact	语义压缩，调用模型生成摘要，最后手段	高成本

CLAUDE.md：跨会话的项目记忆

每次新会话都从空白上下文开始（对话历史不延续）。但 CLAUDE.md 文件每次都会加载——这是项目级记忆的主要机制。

最佳实践

把项目约定、代码规范、常用命令、架构说明都写进 CLAUDE.md 。同时 Claude 会自动将学习到的偏好和模式写入 MEMORY.md ，每次会话自动加载前 200 行或 25KB（取先到者）。

工具体系：Agent 行动能力的来源

没有工具，Claude 只能输出文字；有了工具，Claude 才能真正"行动"。工具调用的每个结果都会反馈给模型，驱动下一步决策。

五大类内置工具（最多 54 个）

类别	具体能力
文件操作	读写文件、创建新文件、重命名、重组目录结构
搜索	按模式查找文件、正则表达式搜索内容、代码符号检索
执行	运行 Shell 命令、启动开发服务器、执行测试套件、使用 git
网络	搜索网页、获取文档页面、查询错误信息
代码智能	类型错误检查、跳转定义、查找引用（需代码智能插件）

四种扩展机制（按上下文开销从低到高）

Claude Code 提供了 4 种扩展方式，设计上明确按上下文开销分层，让用户可以按需控制资源消耗：

扩展机制	作用	上下文开销
Model Context Protocol	连接数据库、外部 API、第三方服务。工具定义默认延迟加载，只有名称占用上下文	按需加载
Skills（技能文件）	可按需加载的工作流程描述，未使用时不占上下文，调用时才加载完整内容	最小
生命周期钩子	27 种事件类型，可在工具调用前后拦截、改写或标注请求，其中 5 种为安全相关	低
插件	通过 MCP 服务器和技能/命令注册表间接贡献工具，适合复杂的功能扩展场景	较高

子 Agent：并发执行与上下文隔离

对于复杂的长任务，Claude Code 支持生成子 Agent——独立运行的 Agent 实例，拥有完全隔离的上下文窗口。

• 完全隔离：子 Agent 拥有独立的上下文窗口
• 只返摘要：完整执行历史不污染父 Agent
• 独立存储：Sidechain 文件单独记录

架构细节

子 Agent 通过 AgentTool （ AgentTool.tsx , runAgent.ts ）实现，走的是与所有其他工具 完全相同 的 buildTool() 工厂——统一接口，一致的权限检查流程。子 Agent 内部实际上是在以一个全新的 queryLoop() 调用重新进入 Agent 循环。

这个机制解决两个核心问题

• 上下文膨胀：长任务的中间过程被隔离在子 Agent，不会把父 Agent 的上下文撑爆
• 安全隔离：子 Agent 在独立边界内运行，父 Agent 的权限不自动继承给子 Agent

会话持久化：追加写入，永不覆盖

Claude Code 的会话存储采用 JSONL 格式（每行一条 JSON 记录），追加写入，几乎不修改已有内容——一种"仅追加"的日志风格，存放在 ~/.claude/projects/ 目录。

• 正常会话：会话 A（原始） → 会话 A（续写）
• 分叉会话：会话 A（原始） → 会话 B（新分支）
• 代码快照：修改前快照 → 支持回滚

特性	实现方式	好处
追加写入	JSONL，每行一条记录	完整操作历史，可审计
会话恢复	claude --continue	从断点续接，上下文完整保留
会话分叉	–fork-session	尝试不同路径，不影响原会话
代码快照	修改前自动存档受影响文件	随时回滚到修改前状态
Sidechain	子 Agent 独立 JSONL 文件	子 Agent 历史不污染主会话

五层架构全景图

将以上所有组件整合，Claude Code 的完整分层架构如下。数据从顶部的用户界面流入，向下穿透各层，最终在后端层与真实世界交互：

层级	关键内容
Surface Layer — 表面层（入口与渲染）	交互式 CLI、无头 CLI (-p)、Agent SDK、IDE 插件、Web / Desktop、UI 渲染器（ink）
Core Layer — 核心层（循环与压缩）	queryLoop() Agent 循环、Budget Reduction、Snip、Microcompact、Context Collapse、Auto-compact
Safety/Action Layer — 安全行动层	权限系统（deny-first）、ML 分类器、钩子流水线（27类事件）、54 个内置工具、MCP 工具、Shell 沙箱、子 Agent 生成
State Layer — 状态层（记忆与持久化）	上下文组装（memoized）、运行时状态（src/state/）、JSONL 会话持久化、CLAUDE.md 四层指令、Auto Memory、Sidechain 记录
Backend Layer — 后端层（执行与外部资源）	Shell 执行（BashTool）、远程执行（src/remote/）、MCP 服务器连接、文件系统、网络请求、外部 API

设计哲学：五个核心价值观

这套架构背后有五个驱动性的设计价值观。每一个都可以追溯到具体的架构决策：

• 人类决策权：人是最终决策者，通过主体层级（Anthropic → 运营商 → 用户）明确授权边界。Agent 在边界内自主，边界外必须升级。
• 安全与隐私：多层防御，即使用户疏忽也要保护。与"人类决策权"不同：这是系统主动保护，不依赖用户的正确行为。
• 可靠执行：做你真正想要的事，在跨越上下文边界、会话恢复、多 Agent 委托的长任务中保持连贯一致。
• 能力放大：约 27% 的任务是用户以前不敢尝试的工作。目标是启用全新的工作流，而不只是加速已有流程。
• 情境适应：随着使用深入，系统越来越了解你的项目和偏好。自动批准率从 20% 逐步增长到 40%+，体现信任的积累。

开放性问题：监督悖论

Anthropic 自己的研究发现了一个深层张力：这套系统在 短期 极大放大了工程师的生产力，但"过度依赖 AI 可能导致理解代码的能力退化"。独立研究发现，AI 辅助条件下的开发者代码理解测试得分低 17%。这是 AI 工具设计领域尚未解决的根本性问题。

与其他系统的设计对比

系统	安全边界策略	上下文管理	推理架构
Claude Code	分层权限 + deny-first	五层压缩流水线	最小脚手架，模型自由推理
LangGraph	依赖开发者定义规则	开发者手动管理	显式状态图，约束推理路径
SWE-Agent	容器隔离为主	截断为主	任务专用脚手架
Aider	Git 回滚为主	手动管理	对话式，轻脚手架

一句话总结

Claude Code 的独特之处在于：最小化脚手架 + 最大化运行时基础设施——把推理交给模型，把执行的确定性留给工程。核心是一个简单的 while 循环，但 98.4% 的代码量都是保障这个循环安全、可靠、高效运转的基础设施。

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

👇👇扫码免费领取全部内容👇👇

7、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】