核心理念：一个循环统治一切
先讲一个故事
想象你雇了一个远程程序员，给他你电脑的远程访问权限。你会怎么做？
如果你是 Cursor 的做法： 你让他坐在你旁边，每次他要敲命令之前你看一眼，点个"允许"。简单粗暴，但你得一直盯着。
如果你是 GitHub Copilot Agent 的做法： 你给他一台全新的虚拟机，让他在里面随便折腾。搞完了把代码提交上来，你审核后再合并。安全，但他看不到你本地的环境。
如果你是 Claude Code 的做法： 你让他直接用你的电脑——但你给他配了一套极其精密的安检系统。他能做什么、不能做什么、哪些操作需要你点头、哪些可以自己来、甚至他想用 rm -rf 都要经过多层审查才能执行。
| 工具 | 安全哲学 | 优势 | 代价 |
|---|---|---|---|
| Cursor | 人工盯梢 | 简单直接 | 你得一直在场 |
| Copilot Agent | 沙箱隔离 | 安全可控 | AI 看不到你的真实环境 |
| Claude Code | 精密安检 | AI 用你的真实环境干活 | 为此写了 51 万行代码 |
为什么 Anthropic 选了最难的那条路？因为只有这样，AI 才能用你的终端、你的环境、你的配置来干活——这才是"真正帮你写代码"，而不是"在一个干净房间里给你写一段代码然后复制过来"。
先破除你的想象
如果你以为 Claude Code 的架构是这样的：
用户输入 → 意图分类器 → RAG 向量检索 → 任务规划器 → DAG 编排器 → 执行器 → 输出那你猜错了。实际上，Claude Code 的核心架构是：
用户输入 → 模型 → 做完了吗？→ 没有 → 执行工具 → 把结果喂回模型 → 做完了吗？→ ...就这么简单。 一个 while 循环。
用一张图看懂全局
这就是整个 Claude Code 的运作方式。Anthropic 把这个叫做 Agentic Loop（Agent 循环）。
用伪代码表示
如果把上面的图翻译成代码，大概就是：
while True:
response = call_claude(messages)
if response.has_no_tool_calls():
print(response.text)
break
for tool_call in response.tool_calls:
result = execute(tool_call)
messages.append(result)这不到 10 行的代码，就是 Claude Code 4 万多行源码的核心骨架。其余的代码都是围绕这个循环的"增强"：更多工具、权限检查、UI 渲染、上下文管理、错误处理等等。
这里面没有什么？
你可能以为会有但实际上没有的东西
| 你以为有的 | 实际上 |
|---|---|
| 意图分类器 | ❌ 没有。模型自己判断你想干什么 |
| RAG / 向量检索 | ❌ 没有。直接用 ripgrep 搜文件 |
| DAG 任务编排 | ❌ 没有。模型自己决定执行顺序 |
| 规划器 + 执行器 | ❌ 没有。模型同时担任两个角色 |
| 多模型路由 | ❌ 没有。始终用同一个 Claude 模型 |
为什么要这么"简单"？
Anthropic 的设计哲学是："Less scaffolding, more model"（少搭框架，多信模型）。
这句话的意思是：
与其写一堆复杂的代码来"帮助"模型做决定，不如让模型足够聪明，自己做所有决定。
具体来说：
| 传统 AI 应用的做法 | Claude Code 的做法 |
|---|---|
| 先分类用户意图，再路由到不同处理器 | 不分类。直接把请求和工具列表给模型，让它自己选 |
| 用 RAG 检索相关代码片段注入上下文 | 不检索。让模型用 grep/glob 自己搜 |
| 用 DAG 定义任务执行顺序 | 不定义。模型自己决定先做什么后做什么 |
| 小模型做简单任务，大模型做复杂任务 | 只用一个模型。它够聪明 |
小白理解指南
想象你雇了一个非常聪明的实习生。
传统做法是：给他一本 200 页的操作手册，每种情况都写好流程图，"如果客户说 X，你就做 Y"。
Claude Code 的做法是：给他一个工具箱（电脑终端、文件系统、搜索工具），然后说"这件事你自己想办法完成，做完告诉我"。
因为这个"实习生"（Claude 模型）已经足够聪明了，手册反而会限制他的灵活性。
但"简单"不等于"少"
读完源码后你会发现一个惊人的事实：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？
| 功能 | 代码量 |
|---|---|
| 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 + 子 Agent 管理 |
| 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 |
这就是为什么 Claude Code 比别人好用的根本原因——不是模型更聪明，是脚手架更结实。
这对你意味着什么？
如果你想做一个自己的 AI Agent 工具，最重要的启示是：
- 不要过度设计核心循环。一个 while 循环 + 好的工具 + 好的提示词就够了。
- 信任模型的推理能力。不要试图用代码代替模型的判断。
- 把 90% 的精力放在 AI 之外。工具、权限、错误恢复、上下文管理——这才是真正的工程量。
下一章我们来看 Claude Code 具体是怎么启动的——启动流程：CLI 的骨架。