2026 年，所有开发者的终端里几乎都住着一个 AI。但有一个产品把所有人逼到了要给它加"每周使用上限"——因为用户会 24 小时不间断地让 Claude Code 帮自己改代码，直到 Anthropic 不得不出手限流。Tom's Guide 报道这件事时，整个行业都在问同一个问题：为什么是它？
在 AI Engineer 大会上，PromptLayer 创始人 Jared Zoneraich 做了一场名为《How Claude Code Works》的演讲，把这台"印钞机"的引擎拆开来给人看。答案出乎所有人意料：它没有任何花活。 没有 multi-agent swarm（多智能体群蜂），没有 vector database（向量数据库），没有复杂的 state machine（状态机）。它的全部大脑，就是一条 while(tool_call) 循环——和计算机科学入门课上最经典的那个 while 循环，本质上是同一个东西。
这场演讲（以及 PromptLayer 团队配套的深度技术文章）给出了一个反直觉的结论：当模型足够聪明时，最强大的设计不是把架构堆得更复杂，而是把它压到最简。 这篇文章就来拆解，一条循环凭什么能重构整个代码库，以及它对每一个写代码的人意味着什么。
| 项目 | 内容 |
|---|---|
| 视频标题 | How Claude Code Works — Jared Zoneraich, PromptLayer |
| 频道 | AI Engineer（AI 工程师大会官方频道） |
| 时长 | 约 66 分钟 |
| 播放量 | 约 9.6 万（持续增长中） |
| 发布 | 2025 年（演讲及配套文章） |
| 核心主题 | 拆解 Claude Code 的极简单循环架构——为什么最强编程代理只用一个 while 循环 |
演讲开篇就甩出了 PromptLayer 团队逆向分析后得出的中心论点（thesis）：一个简单、单线程的主循环，配合有纪律的工具和规划，就能交付"可控的自主性"。
这之所以反直觉，是因为 2024 到 2025 年间，整个 AI 圈都在疯狂追逐"多智能体协作"。CrewAI、AutoGen、LangGraph 让你定义 planner、researcher、coder、reviewer 等一堆角色，让它们互相通信、投票、汇总，配上 vector store 做 RAG 检索，再叠一层 orchestration 图谱。听起来很高级，工程也很炫，但结果往往是：调试地狱、上下文爆炸、token 烧钱、agent 之间互相"幻觉传染"。
Claude Code 走了完全相反的路。Anthropic 团队内部的设计原则被 PromptLayer 从混淆过的源码里扒了出来，原话翻译过来就一句："永远先做最简单的那件事"（do the simple thing first）。 搜索代码用 regex 而不是 embedding；长期记忆用 Markdown 文件而不是数据库；消息历史保持"扁平的一条列表"而不是分叉成多线程。我的判断是：这其实是 Unix 哲学和"worse is better"在 AI 时代的重演。 当年的 Linux 靠"够用就好"干掉了理论更优雅的微内核，Git 靠"内容寻址+三个对象"干掉了一堆企业级版本控制系统，Redis 靠单线程模型干掉了无数"更先进"的并发数据库。Claude Code 不过是把这条铁律又验证了一次：模型已经够聪明，harness（运行外壳）就该足够笨、足够可调试。
Claude Code 的心脏，是一个被 PromptLayer 标注为 nO 的主循环（这是逆向混淆源码时看到的符号名，属于内部代号，不是官方命名）。它的伪代码简单得令人发指：
while 模型响应中包含工具调用:
执行这些工具
把结果塞回模型
重复
当模型吐出"纯文本、无工具调用"的响应时 → 循环结束，交还控制权给用户
Anthropic 官方的 Agent SDK 文档把这个机制讲得非常清楚：每一次"往返"叫一个 turn（轮次）——Claude 产出输出（含工具调用）→ SDK 执行工具 → 结果自动喂回 → Claude 再决策。这个过程中间不会把控制权交还给你的代码，它会一直转下去，直到某一次输出里没有任何工具调用，循环才自然终止。
这里有两个被刻意强加的约束，正是它们决定了成败。第一，单线程。 整个系统只有一条主线、一个扁平的消息列表，不存在多个 agent 人格抢夺控制权。第二，扁平历史。 不搞复杂的对话树/线程，所有消息就是一条直线 append 下去。Anthropic 明说，这是为了 debuggability（可调试性）和 reliability（可靠性）——当一条线到底时，出了问题你能从头到尾复盘每一步；而一旦允许多个 agent 分叉并发，状态空间立刻爆炸，谁也说不清"它为什么这么干"。
这给我一个很深的感触："可控"和"自主"在工程上常常是对立的，而 Claude Code 用一条循环把两者焊在了一起。 它的自主性来自"循环可以转几十圈不停"，它的可控性来自"每一圈都是同一个可预测的模式"。
这是整场演讲里最让开发者破防的一个细节。Claude Code 要在动辄几十万行的代码库里找东西，它怎么搜？答案是 GrepTool——一个满血的正则搜索工具，能力对标 ripgrep。
没错，它不用 embedding，不用 vector database，不做 RAG。 PromptLayer 文章直接点出 Anthropic 的逻辑：Claude 对代码结构的理解已经深到能自己写出相当复杂的 regex 模式，所以根本不需要维护一套搜索索引。加上 View（默认一次读约 2000 行）、LS（列目录）、Glob（通配匹配）这一套读代码工具，就构成了 agent 的"眼睛"。
这个选择的含金量，做过 RAG 的人都懂。向量检索要切 chunk、算 embedding、建索引、还要处理"召回率调不准"的永恒难题——代码是高度结构化的文本，语义切分极易切坏函数边界。而 regex 是确定性的：搜到就是搜到，搜不到就是搜不到，零幻觉、零索引漂移、零维护成本。我把它叫"模型够强，索引就让位给算法"。 当底座模型能把"我想找所有处理用户输入的地方"翻译成精准的正则，复杂的检索基建就成了多余的负担。这是"先做最简单的事"原则在工具层最漂亮的体现。
代码修改侧同样克制：Edit 做外科手术式的 patch/diff，Write/Replace 处理整文件；Bash 工具提供持久的 shell 会话，但自带风险分级——危险命令要确认，还会主动过滤注入攻击（屏蔽反引号和 $() 这类命令注入构造）。每个工具都遵循同一个接口模式：JSON 进、纯文本出，统一、可预测、可审计。
如果说前三点讲的是"为什么简单能赢"，这一讲的是"简单能撑多久"。任何 LLM 都有一个硬天花板：context window（上下文窗口）。一个能跑几十轮的 agent，消息历史会迅速膨胀，迟早把窗口塞爆。Claude Code 的解法是一个被标注为 wU2 的压缩器（Compressor）。
它的触发条件极其精准：当上下文使用量达到约 92% 时自动启动。 它会把当前对话摘要化，把重要信息转移到长期存储里。而这个"长期存储"是什么？一个 Markdown 文件——也就是大家熟悉的 CLAUDE.md。
这一段是全场技术含量最高的部分，它揭示了一个 2026 年的新兴学科：context engineering（上下文工程）。PromptLayer 文章点明，agentic engineering 的真正难题不在"写好 prompt"，而在"管理好这个窗口里到底放了什么"。压缩器决定该忘掉什么、该记住什么；子代理隔离决定了"哪些活可以放到独立窗口里干、不污染主上下文"；TodoWrite 的提醒决定了"长任务里模型会不会失忆"。这些全是在跟一个固定大小的"工作内存"做斗争，跟操作系统的内存管理本质同构。
我的延伸分析：这其实给所有想自己搭 agent 的人指了明路。与其纠结"用什么模型"，不如先想清楚三件事——你的 context 什么时候会满、满了压缩到哪、压缩后怎么不丢关键约束。Anthropic 的回答是"92% 触发 + Markdown 落盘"，简单粗暴，但因为它是一个确定性的、可观测的机制，所以可靠。在 agent 世界里，可靠性永远比优雅更值钱。
单纯一个死循环有个致命问题：它是个批处理器。你按下回车，它闷头干到结束，中途你想插一句话都插不进去——而真实开发中，你恰恰最需要"等一下，再加个约束"这种实时纠偏。
Claude Code 用一个被标注为 h2A 的异步双缓冲队列（async dual-buffer queue）解决了这个矛盾。它的核心能力是 pause/resume（暂停/恢复） 和 mid-task interjection（任务中途插话）。当 Claude 正在重构某个模块，你突然意识到要换个方向，不用停掉重来——你把新指令塞进队列，Claude 会在下一个 turn 的衔接点平滑地吸收它，调整计划继续干。
h2A 和 nO 主循环配合，把 Claude Code 从"批处理脚本"变成了"真正的结对编程伙伴"。你体验到的不是"等一个巨大的 completion"，而是动态的来回——可以引导、纠正、增强。我的观点是，这个组件常被外界低估，但它才是 Claude Code"好用"的真正秘密。 智能决定它能干多复杂的活，交互模型决定你用得爽不爽。一个不能被打断的 agent，再聪明也只是个黑盒；一个能边干边聊的 agent，才是生产力工具。
那复杂任务怎么办？演讲讲了两个机制，它们共同回答了"既要简单、又要能处理大工程"的矛盾。
第一个是 TodoWrite。面对多步任务，Claude 的第一动作往往是写一份结构化的 JSON 任务清单——带 ID、内容、状态、优先级。这份清单不只是内部记账，UI 会把它渲染成可交互的勾选框，让你看见 Claude 的计划。更关键的是，系统会在每次工具调用后，把当前 Todo 状态作为系统消息重新注入，充当"提醒"。这专门对付长任务里"模型失忆、忘了原始目标"的顽疾。它只支持整表替换、不支持局部更新——又一个"宁可笨、不可乱"的取舍。还有 /think 模式，强制先出计划再动手。
第二个是受控的子代理，内部代号 I2A / Task Agent，通过 dispatch_agent 工具调用。它解决"需要探索多个方向"的需求——比如满代码库广搜，或并行试几种方案。但有三道紧箍咒：主循环同一时刻最多挂一个子代理分支；子代理不能再派生子代理（防止递归爆炸）；子代理的产出作为普通工具结果喂回主循环，从而保持整体的单线程简洁。
这套设计的精妙之处在于：它表面上允许并行，本质上仍是单线程。 并行被封装进了"一次工具调用"里，主循环的状态机纹丝不乱。对比那些让 N 个 agent 自由组网、结果还要开会投票的框架，你会立刻理解为什么 Claude Code 能稳定跑通整库重构——它把复杂性关进了笼子，而不是放任它在系统里蔓延。
最后是安全和透明。Claude Code 的写操作——文件修改、有风险的 Bash、外部工具（MCP/web）——全都走权限系统，需要显式的 allow/deny 决策，可配白名单或"始终允许"。命令不仅按风险分级，还会在工具输出后追加安全提示，同时提醒模型和用户。
而它对开发者工作流的改造，核心是 diffs-first（差异优先）。所有改动以彩色 diff 呈现，鼓励最小改动，便于 review 和 revert。这套机制天然催生测试驱动的闭环：Claude 跑测试 → 看失败 → 迭代修复，每一步改动都透明、可回滚。
这里我想强调一个被忽视的点：Claude Code 的安全模型是"约束驱动"的，而不是"信任驱动"的。 它不假设模型永远正确，而是假设"模型迟早会干蠢事"，于是用权限、确认、diff 审查把每一道闸都做成手动可拦截。这跟前面所有取舍一脉相承——相信约束，不要相信智能。 一个允许模型全自动、无确认地改代码库的 agent，不是产品，是事故。
flowchart TD
U[用户输入] --> Q["h2A 异步双缓冲队列<br/>可中途打断 / 注入指令"]
Q --> L{"主循环 nO<br/>while 存在工具调用"}
L -->|模型决策| T[调用工具 JSON 进 / 文本出]
T --> TR[沙盒执行 + 权限校验 + 风险分级]
TR -->|结果回灌| L
L -->|无工具调用| R[返回最终文本，交还控制权]
L -->|上下文 ~92%| C["压缩器 wU2<br/>摘要写入 CLAUDE.md"]
C --> L
T -.派生.-> S["子代理 I2A<br/>单分支 · 不可递归"]
S -.结果作为工具输出.-> L
L -->|多步任务| TODO["TodoWrite 清单<br/>系统每轮注入提醒"]
TODO --> L
T -->|读写代码| TOOLS["View/LS/Glob/Grep(regex)<br/>Edit/Write · Bash · WebFetch"]
TOOLS --> TR
style L fill:#fff3cd,stroke:#d39e00,stroke-width:2px
style C fill:#d1ecf1,stroke:#0c5460
style S fill:#d4edda,stroke:#155724
第一，重新理解你手里的 AI 编程工具。 当你知道 Claude Code 的本质是"一条循环 + regex + Markdown 记忆"，你使用它的方式就该升级：它不是"问问题的人形搜索引擎"，而是一个需要你喂好上下文的执行体。所以把项目约定、技术栈、禁忌写进 CLAUDE.md——那是它的长期记忆，比反复在对话里说一遍高效得多。
第二，规划是你的杠杆。 既然 Claude 靠 TodoWrite 和 /think 来保持长任务的连贯，那你在下达复杂指令时，先让它出计划、你 review、再放它跑，远比一句"把这个模块重构了"然后祈祷要靠谱。把大任务拆成可验证的小步，每步都能跑测试、看 diff——这正是它设计上鼓励的闭环。
第三，自己搭 agent 时，别迷信"多智能体"。 这场演讲给工程界最大的方法论礼物，是一个可复用的判断标准：当一个设计能用"一条循环 + 几个好工具"解决，就不要上 swarm、不要上 vector DB、不要上状态机图谱。 先跑通最简单的版本，把可调试性做到极致，再按需加复杂度。绝大多数"非得上 RAG"的场景，一个精准的 grep 就够了。
第四，把"上下文"当成稀缺资源来经营。 context engineering 是 2026 年每个工程师都该补的课：明确你的 agent 在什么时候会撑爆窗口、压缩策略是什么、子任务的上下文是否隔离。这三件事想清楚，你的 agent 就比 90% 的原型更接近能用。
第五，安全靠约束。 无论你用哪个 agent，都默认开启 diff 审查、命令确认、写权限白名单。永远不要给一个 LLM"全自动改生产代码"的权限——不是因为它不够聪明，而是因为约束比信任便宜得多。
Claude Code 用一条 CS101 级别的 while 循环证明了一件事——当模型足够强，最强大的 agent 不是把架构堆到最复杂，而是把它压到最简、可调试、可约束。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
关键取舍： - 字幕 API 因 YouTube IP 限制失败（预期内），按规则基于"步骤2-3"的元数据+技术资料完成分析，所有技术细节均来自 Anthropic 官方文档与演讲作者本人博客，可溯源 - 内部代号（nO/h2A/wU2）明确标注为"逆向混淆源码所得，非官方命名"，保证严谨
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。