Claude Code 架构全景分析
你输入：「帮我重构这个函数」
Claude 给出代码 → 像是 AI 直接回答了你
但实际上：这句话触发了 至少 7 个独立系统 的协作
类比：你按下一个开关觉得灯亮了，但墙后面是整个电网
驱动每一次 AI 交互——心脏
骨骼、肌肉、免疫系统、神经系统
关键洞察：模型是发动机，但发动机不是汽车
12 种异常处理：上下文溢出、预算耗尽、API 故障、用户中断、权限审批...
不是一问一答的聊天，是一个精密的决策循环
AI 本身不能读文件、不能执行命令、不能搜索代码——
工具系统是它与真实世界的唯一通道
40+ 工具：文件读写、代码执行、网络访问...
每个工具告诉 AI 自己能做什么，AI 按需选用
需要哪把递哪把，不是把工具箱全倒出来
不是万能工具箱，是有专业管家管理的工具仓库
打下手
指挥部
持久协作
共享同一个核心引擎——不是三套系统，是一套系统的三种配置
「文件邮箱」通信：AI 之间用文件系统传递消息
四阶段工作流：研究 → 综合 → 实施 → 验证
行安全代码
代码量最大的子系统——安全不是功能，是基础设施
关键原则：人类始终是最终权限授予者
一个编程会话可能持续数小时，产生数十万 token——200K 窗口根本装不下
无损
清缓存
轻量有损
折叠旧结果
AI 摘要
独立 AI 生成
像人的记忆——重要的事情记细节，不重要的记大概，真忘了去翻笔记
系统提示词 = AI 的基因序列：8,000+ 字的精密指令，定义了 AI 的性格、能力边界、安全底线
三层缓存：全球共享 → 组织共享 → 不缓存
一个设计决策让数百万请求的成本降低一个数量级
CLAUDE.md：用户写「给 AI 的规矩」，AI 每次交互自动遵守
3 行修改 = 蝴蝶效应：同时影响模型行为、缓存命中率、token 计费、跨会话一致性
用户意图优先
成本完全透明
绝不静默降级
精密的缓存分层，将 token 成本降低一个数量级
关键启示：AI 产品的成本结构不只是模型推理费，更是工程设计对成本的放大或压缩
一个终端应用做到了：62.5fps 刷新率、双缓冲渲染、Vim 快捷键、鼠标选择、输入法感知
自定义渲染引擎：不是用现成框架，是对 React/Ink 的深度改造
在一个只能显示文字的屏幕上，造了一个接近图形界面的体验
回顾冰山结构：50 万行代码中，模型交互只占 1.4%
真正的壁垒：
安全纵深（25K 行）
上下文压缩
多代理编排
成本优化
Prompt Cache
这些工程系统不是一夜建成的——是数千次 edge case 打磨出来的
对决策者的启示：评估 AI 产品，不要只看模型能力——要看模型「周围」的工程成熟度
代码规模 Top 5
安全与权限 ~25,000 行
MCP 集成 ~12,310 行
Agent 编排 ~8,700 行
查询引擎 ~7,418 行
上下文管理 ~6,000 行
推荐阅读路线
Agent 开发者：Ch.1 → 2 → 4 → 3 → 8 → 10
Prompt 工程师：Ch.5 → 6 → 8 → 9 → 2
安全工程师：Ch.10 → 3 → 11 → 2 → 14
报告来源：Claude Code TypeScript 源码快照（2026-03-31） | 方法论：14 子代理并行分析