百万人围观！Claude Code团队成员亲述CC究竟如何被开发出来：四条黄金经验

作为当下最热的Agent，Claude Code 究竟是如何打造出来的？

CC团队成员 Thariq 亲自撰文，深度复盘了开发 Claude Code 过程中的实战经验。他指出，构建智能体框架最棘手、也最核心的环节，就是设计它的动作空间。

当前API提供了Bash、技能、代码执行等五花八门的工具调用基元，开发者面临着灵魂拷问：到底该给智能体配备什么工具？是只给一个代码执行工具，还是把智能体可能遇到的50个场景全副武装上专属工具？

想明白这个问题，需要把自己代入模型的视角。想象面对一道数学难题，你需要的工具取决于你自身的能力底线。只有纸笔，你会被手动计算限制；有计算器会好很多，但前提是你得懂进阶操作；最强大最快的工具是电脑，但这要求你具备写代码和执行代码的能力。

这个数学题法则为智能体工具设计提供了一个核心框架：必须为智能体提供与其自身能力相匹配的工具。

至于如何摸清智能体的真实能力，Anthropic团队在开发Claude Code的过程中总结出了一条根本原则：关注它的输出，持续实验，学会像智能体一样思考。以下是他们在实战中踩坑并迭代出的四条核心经验。

1.优化信息获取：死磕向用户提问功能

在开发初期，团队希望提升Claude向用户提问的能力，降低纯文本提问带来的高沟通阻滞感。为了提高通信带宽，团队进行了三次迭代尝试。

第一次尝试是直接改造现有的退出计划工具，在计划中强制加入一个问题数组。这种图省事的做法直接把Claude搞晕了。因为模型被要求同时给出一个执行计划以及针对该计划的提问，如果用户的回答与原计划冲突，Claude就不知道是否需要再次调用该工具。

第二次尝试转向修改输出格式，指令Claude输出带有括号选项的Markdown列表，再由前端解析成用户界面。虽然改动成本极低，但模型表现极不稳定，Claude经常会乱加句子、漏掉选项或者干脆换一种格式输出。

最终的成功方案是打造专属的向用户提问工具。这个工具允许Claude在任何节点调用，触发后会通过模态框拦截智能体的运行循环，直到用户作答完毕。这种做法不仅实现了稳定的结构化输出，确保了多项选择的呈现，还能在SDK或技能中灵活组合。最核心的成功要素在于，Claude非常理解并乐于调用这个工具，输出效果极佳。

2.随能力进化打破常规：从待办清单到任务系统

在Claude Code发布之初，模型需要一个待办清单来保证不跑偏。团队给Claude配备了编写待办工具，并在每5轮对话后强制注入系统提示，提醒它不要忘记目标。

但随着Opus 4.5等模型能力的跃升，旧的辅助工具变成了新的枷锁。一方面，聪明的模型不仅不再需要反复提醒，反而觉得频繁的提示非常受限，让它误以为只能死板执行而不能动态修改计划。另一方面，新模型已经学会熟练使用子智能体，而多个子智能体根本无法在一个简单的共享待办清单上进行复杂的协同。

团队立刻果断废弃了编写待办工具，全面替换为全新的任务工具。待办的核心是防跑偏，而任务的核心是促进智能体间通信。新的任务工具支持设置依赖关系、跨子智能体同步状态，并赋予了模型随时修改和删除任务的权限。

过去的救命稻草可能就是现在的绊脚石。开发者必须随着模型能力的提升，不断推翻此前的工具设计假设。这也是为什么系统最好只兼容少数能力相近的模型，以便精准适配工具。

3.设计搜索交互：让智能体自己找上下文

搜索工具是Claude构建自身上下文的生命线。

早期版本采用了RAG向量数据库方案。虽然速度快、能力强，但系统环境兼容性差，且需要繁琐的索引设置。更致命的逻辑缺陷是，这种模式是将上下文硬塞给Claude，剥夺了它的主动性。

既然Claude能在网页上搜索，为什么不能在代码库里自己找？团队随后引入了Grep工具，赋予Claude自主搜寻文件和构建上下文的能力。

随着模型变聪明，只要工具给对，它们自己找信息的能力远超预期。团队进而确立了渐进式信息披露模式。智能体可以通过探索一步步发现关联信息，比如读取一个技能文件后，再递归读取里面引用的其他文件。目前常见的技能应用，就是教Claude如何使用API或查询数据库，赋予其更深的搜索能力。

历经一年，Claude已经从完全不会构建上下文，进化到能够跨越多个文件层级进行嵌套搜索，精准抽取出它需要的关键信息。渐进式信息披露已经成为在不新增工具的前提下，扩展模型功能的基础范式。

4.零工具负担扩展：构建专属指南子智能体

Claude Code目前维持在约20个工具的规模。团队对新增工具卡得极严，因为每增加一个选项，都会加重模型的决策负担。

当团队发现Claude完全不懂自身系统的MCP或斜杠命令怎么用时，并没有选择把说明书直接塞进系统提示词。这种做法不仅会导致上下文腐化，还会严重干扰Claude写代码的本职工作。

团队再次运用渐进式信息披露，起初给Claude丢了一个官方文档的搜索链接。这能解决问题，但副作用明显：为了找一个确切答案，Claude会把海量的冗余搜索结果全部加载进上下文。

最终的完美解法是构建一个专属的系统指南子智能体。当用户问及系统设置问题时，Claude会被引导调用这个拥有特定指令的子智能体。该子智能体深谙如何高效检索文档，并能精准返回提纯后的答案。通过这种方式，团队成功在没有增加任何新工具的情况下，扩充了Claude的动作空间。

构建智能体工具没有死板的科学公式，它更像是一门艺术。最终的形态高度依赖于你所使用的模型、智能体的核心目标以及它所处的运行环境。唯一的捷径就是：疯狂实验，盯紧输出，用智能体的眼光看世界。