最近在深度体验 Claude Code 这个 CLI 级 AI Coding Agent 时，我常常被它处理高复杂度任务的稳健性所惊艳。剥开 Claude Opus 4.6 基座模型的强大外衣，你会发现其底层工程设计堪称“教科书级别”。
今天，我将结合在分布式系统与 AI Agent 架构上的实战经验，从 Prompt Engineering（怎么说）、Context Engineering（看什么） 以及 Harness Engineering（怎么管） 三大维度，为你深度拆解 Claude Code 的设计哲学。读完本文，你将获得一套可直接复用到企业级 Agent 架构中的高阶方法论。
一、Prompt Engineering：从“写作文”到“流水线组装”
过去，大家总把 Prompt 当作一段静态文本来写。但在 Claude Code 这样的生产级系统中，Prompt Engineering 早就演变成了一套动态组装机制。它就像搭乐高一样，把固定底座与动态积木拼接，以适应极其复杂多变的任务场景。
在 Claude Code 的底层，getSystemPrompt() 函数将 Prompt 分为两大部分，中间用明确的缓存边界线 (__SYSTEM_PROMPT_DYNAMIC_BOUNDARY__) 隔开，以此大幅提升 KV Cache 命中率。
graph TD
A[用户输入 Query] --> B[并行获取三大组件]
B --> C1[默认 System Prompt]
B --> C2[Git/系统上下文]
B --> C3[CLAUDE.md/用户上下文]
C1 --> D{动态组装流水线}
D --> E1[静态块: 身份/安全/工具指南]
D --> E2[边界线: KV Cache Boundary]
D --> E3[动态块: 记忆/MCP指令/环境信息]
E1 --> F[最终 System Prompt]
E2 --> F
E3 --> F
C2 --> |Append| F
C3 --> |Prepend to User| F
为什么这么设计？ 这种“动静分离”不仅仅是为了代码好看，核心是为了成本与速度。静态前缀可以全局缓存，而动态部分则针对每个会话精细化注入。不仅如此，它还构建了多层级的指令防线。比如在“任务执行指南”中明确规定：“不要过度工程化（Don’t gold-plate）”、“三行相似代码好过过早抽象”。这完全是一个资深架构师对初级程序员的谆谆教诲。
二、Context Engineering：对抗上下文膨胀的三层压缩体系
在长程任务中，工具调用的海量输出（比如一次 Grep 或者 Bash 的长尾日志）会迅速榨干 Token，导致模型“失忆”。Claude Code 给出的解法是：三层渐进式压缩体系。
- Layer 1: MicroCompact (微压缩)
- 机制：纯规则驱动，极致轻量。仅针对白名单工具（如 Bash/Read）的冗长输出进行截断，保留 Edit/Write 等状态变更记录。
- 洞见：能用正则和规则解决的，绝不调大模型。这是架构设计中典型的“抓大放小”策略。
- Layer 2: Session Memory Compact (会话记忆压缩)
- 机制：复用已有记忆。当 Token 数突破 1万且消息超 5 条时，将旧消息替换为系统此前已生成的会话摘要，零额外推理成本。
- Layer 3: Full LLM Compact (完全压缩)
- 机制：高精度终极手段。当缓冲区（默认 13000 Tokens）告急时，强制模型按照严格的 9 段式结构（意图、代码块、错误等）生成摘要。
- 防线：为了防止大模型在压缩时“顺手调个工具”，特意加入了反工具调用保护（NO_TOOLS_PREAMBLE）。
除了压缩，Claude Code 还设计了 Memdir 结构化记忆系统，将记忆分为 User、Feedback、Project 和 Reference 四类，并通过 LLM-in-the-loop 的语义检索，让 Agent 真正具备“越用越懂你”的演进能力。
三、Harness Engineering：勒紧大模型的“缰绳”
如果说基座大模型是一匹狂奔的千里马，那么 Harness Engineering（脚手架工程）就是全套的马具。它确保 Agent 能在指定的赛道上安全、可控地飞驰。
1. 系统级强提醒 (<system-reminder>)
在大模型漫长的对话流中，很容易混淆“用户的聊天”和“系统的指令”。Claude Code 实现了一个巧妙的包装函数 wrapInSystemReminder。无论是工具执行结果、日期、还是 Hook 反馈，统统包裹进 <system-reminder> 标签中。这相当于不断在模型耳边敲黑板：“注意，这是系统底层逻辑，不要和用户的自然语言混为一谈！”
2. 异步生成器驱动的主循环
传统的 Agent 往往是同步阻塞的黑盒，而 Claude Code 的主循环被重构为 async function*。
sequenceDiagram
participant User
participant AgentCore as 异步生成器 (async function*)
participant LLM
participant Tools
User->>AgentCore: 提交复杂需求
loop While (Task Not Complete)
AgentCore->>LLM: 发送当前 Context
LLM-->>AgentCore: 返回意图 / 工具调用
AgentCore-->>User: yield 思考进度 / 状态 (UI 渲染)
AgentCore->>Tools: 执行工具校验与调用
Tools-->>AgentCore: 返回执行结果
AgentCore-->>User: yield 工具输出结果
end
AgentCore-->>User: 返回最终响应
这种设计带来了流式处理、协作式控制以及优雅的取消机制。即使遇到网络波动或超长错误，主循环内部的自愈机制也能自动回退压缩或重试，让整个系统“皮实耐操”。
3. 六大内置 Agent 的“红蓝对抗”
Claude Code 并未把所有活儿都压在一个 Agent 身上，而是拆分了六大专职 Agent。其中最令我拍案叫绝的是 Verification Agent（质量检验官）。
它的系统提示词充满了“红蓝对抗”的火药味：
“你是验证专家。你的工作不是确认代码能跑，而是想办法把它搞崩。不要被前 80% 的漂亮 UI 迷惑，你的价值在于找到最后那 20% 的崩溃点。”
它严格只读、不被允许修改文件，甚至内置了对“AI 常见偷懒话术”的无情拆穿（比如“代码看起来是对的”、“我已经用脑子干跑过了”等借口会被直接拦截）。这种精细化的角色隔离，是突破 AI 编程质量瓶颈的关键一招。
四、写在最后：代码里的温度与趣味
在一个严肃的硬核工具中，Anthropic 的工程师们还埋藏了许多有趣的彩蛋：
- 防休眠咖啡因 (Caffeinate)：当你在等 Agent 干活时，它会偷偷调起 Mac 的
caffeinate命令，防止电脑睡着导致 API 断连。 - 电子宠物 (Buddy System)：输入
/buddy就能孵化一只基于你 UserID 确定性生成的专属宠物，甚至还有稀有度设定。 - 情绪安抚：当它检测到你愤怒地敲下“国骂”时，它不会假装没看见，而是温和地弹出一个反馈表单。
这种在极致工程之上包裹的“人情味”，同样值得我们每一位产品和架构设计者深思。