一場價值連城的「意外」
在《從 Anthropic 原始碼外洩看 Claude Code 的 5 個驚人內幕》一文裡，我們簡單說明了這個外洩背後所隱藏的意義，雖然對 Anthropic 官方來說，這更像是一場低級失誤引發的災難。
由於打包過程中的疏忽，Anthropic 在更新 Claude Code 的 npm 安裝包時，意外遺留了一個高達 60MB 的偵錯文件。這個本該被排除的壓縮包，直接讓 Claude Code 的核心——共計 1902 個源碼文件、51 萬行 TypeScript 代碼——在互聯網上徹底「裸奔」。
有趣的是，這並非 Anthropic 第一次在同一個地方跌倒。去年 Claude Code 剛發布時，就曾發生過幾乎一模一樣的打包事故。這讓我們知道，即便擁有頂尖 AI，如果 CI/CD 流水線缺乏基本的審查機制，代碼依然會以最原始的方式「越獄」，而這份外洩的代碼，對我們開發者而言是一份價值連城 AI 工具「工程設計圖」。
AI 工具好用的祕密——Harness Engineering
業界往往過度迷信模型本身，卻低估了圍繞模型搭建的腳手架。源碼揭示了一個殘酷的真相：Claude Code 的強大，60% 歸功於 Claude 3.5/3.7 模型的能力，而剩下的 40% 則全 Harness Engineering （馬具工程）。
「Claude Code 它好用 60% 靠的是模型本身的能力，至於剩下的 40%，其實靠的就是圍繞模型它搭建的整體這個工程系統。」
如果將強大的 AI 模型比作一匹「野馬」，雖然體力（運算能力）驚人，但其輸出本質上是隨機且不可預測的。「馬具工程」就是套在野馬身上的韁繩、馬鞍與方向盤。它包含了工具調用（Tool Use）、安全沙盒、動態記憶管理以及上下文壓縮等一整套複雜系統。這套系統將 AI 從一個「會說話的黑盒」，轉化為一個穩定、可靠且可交付的工業級開發工具。
動態邊界 (Dynamic Boundary) 與昂貴的工具成本
在 prompts.ts 中，我們看到了 Anthropic 對提示詞設計的深刻理解。他們採用了一種名為**「動態邊界」(Dynamic Boundary)** 的技術，將提示詞結構化地切分為兩部分：
- 靜態規則 (Static Rules)： 包含所有用戶共享的核心準則（如：不編造數據、優先使用專用工具、嚴禁過度工程等）。這部分被高度緩存，旨在節省昂貴的 Prefill 成本。
- 動態內容 (Dynamic Content)： 根據項目狀態（Git、MCP 工具、
Claude.md配置）實時加載。
這裡藏著一個極其重要的技術警告，根據原始碼，每個 MCP (Model Context Protocol) 工具的定義會消耗 4,000 到 6,000 個 tokens。這意味著，如果你貪心地掛載了 5 個工具，光是工具描述就可能佔用 context window 的 12%。在 AI 開發中，工具不是越多越好，過剩的工具定義是隱形的效能殺手。
"yoloClassifier" 的影子 AI
為何 Claude Code 鮮少發生誤刪文件的事故？祕密在於其雙 AI 運作機制。當主 AI 下達指令時，系統會調用一個名為 yoloClassifier 的獨立「影子 AI」。
這個分類器擁有完全獨立的系統提示詞，充當大樓的門禁系統。它將操作分為三個安全等級：
- Allow (放行)： 低風險操作，直接自動執行。
- Soft Deny (確認)： 潛在風險操作，降級為需要用戶點擊「Confirm」。
- Hard Deny (攔截)： 絕對危險操作，系統直接拒絕並鎖死，用戶無法繞過。
這種「決策與審查分離」的設計，是構建安全型 Agent 的鐵律。
浪漫又科學的「自動夢境」(autoDream) 記憶系統
Claude Code 的記憶系統並非簡單的數據庫讀寫，其設計體現了對「狀態管理」的敬畏。記憶提取是由權限受限的 fork agent 異步處理的，且嚴格遵守**「不記代碼」**原則。
我們深知「過時狀態」是系統的災難，因為代碼是變動的，一旦記憶記錄了舊的行號或邏輯，就會誤導 AI。因此，Claude Code 只記憶用戶偏好與行為反饋，代碼邏輯永遠選擇「實時讀取」。
最令人驚艷的是其**「9 段式結構化壓縮」**與 autoDream (自動夢境) 機制。當會話過長或超過 24 小時，後台 Agent 會像人類睡覺整理大腦一樣，將冗長的對話壓縮為 9 個關鍵維度：
- 核心請求 (Core Request)
- 關鍵概念 (Key Concepts)
- 涉及文件路徑 (File Paths)
- 代碼錯誤與恢復過程 (Code Errors & Recovery)
- 用戶消息摘要 (User Messages)
- 待辦任務 (TODOs)
- 當前工作狀態 (Current Work)
- 下一步指南 (Next Steps)
- 外部引用
這種結構化提取，確保了 AI 在極長對話中依然能精準「斷點續傳」。
拋棄 RAG 轉向 grep
在人人都談 Vector DB 與 Embedding 的時代，Claude Code 竟然「返璞歸真」，主要使用 grep 進行文本搜索。
這並非落後，而是極致的清醒。確定性搜索 (Grep) 在代碼場景下往往優於概率性搜索 (Vector RAG)。當底層模型（如 Claude 3.5）的推理能力已經足夠強大時，複雜的語義索引層反而會增加不穩定性。與其指望概率性的 Embedding 能找到正確的文件，不如直接把最原始、精準的搜索結果丟給 AI，讓它用超強的自主推理去過濾。簡約，才是複雜度控制的終點。
從原始碼中學習成長
Claude Code 的原始碼讓我們得以窺見：下一階段 AI 競爭的終點線，在於誰能把那套「馬具」搭得更精細、更懂工程邊界，這份 51 萬行的設計圖已經擺在桌面上。作為開發者，與其擔心 AI 取代我們，不如學習如何構建這樣的系統。