原文地址: https://minusx.ai/blog/decoding-claude-code/
核心理念
保持简单（Keep Things Simple） - 这是最重要的原则。LLM 本身就很难调试和评估，任何额外的复杂性（多代理、代理切换或复杂的 RAG 搜索算法）只会让调试难度增加 10 倍。
一、控制循环设计
1.1 保持单一主循环
- 避免多代理系统：尽管多代理很流行，但 Claude Code 只使用一个主线程
- 最多一层分支：只在复杂任务时创建一个子代理（不能再创建子代理），结果会添加回主消息历史
- 扁平化消息历史：维护一个简单的消息列表，便于调试
- 原因：每增加一层抽象都会让系统更难调试，并偏离通用模型改进的轨道
1.2 大量使用小型模型
- 超过 50% 的重要调用使用 Claude-3.5-Haiku
- 应用场景：读取大文件、解析网页、处理 git 历史、总结长对话、生成单词标签（每次按键都用！）
- 成本优势：小模型比标准模型便宜 70-80%，可以大量使用
二、提示词设计
2.1 使用 claude.md 协作管理用户偏好
- 上下文文件：类似 Cursor Rules/agent.md
- 作用：让开发者传达无法从代码库推断的上下文，明确用户偏好
- 示例：强制 LLM 跳过某些文件夹或使用特定库
- 效果：有无 claude.md 的性能差异巨大
2.2 使用 XML 标签、Markdown 和大量示例
关键 XML 标签：
-
<system-reminder>: 提醒 LLM 容易遗忘的事项 -
<good-example>和<bad-example>: 对比正确和错误的做法，明确偏好路径
Markdown 结构化：使用标题组织系统提示（语气风格、主动性、遵循约定、代码风格、任务管理等）
提示词规模：
- 系统提示：~2800 tokens
- 工具描述：~9400 tokens
- claude.md：1000-2000 tokens
三、工具设计
3.1 LLM 搜索 >>> RAG 搜索
- 方法：使用复杂的 ripgrep、jq 和 find 命令直接搜索，就像人类开发者一样
-
优势：
- 避免 RAG 的隐藏故障模式（相似度函数、重排序、代码分块等问题）
- 可以像人类一样查看 10 行理解结构，需要时再看更多
- 可通过强化学习改进
- 减少系统复杂度
- 比喻：这是 LLM 时代的"相机 vs 激光雷达"之争
3.2 低级 vs 高级工具的选择
权衡标准：工具使用频率 vs 使用准确性
Claude Code 的工具层次：
- 低级：Bash, Read, Write
- 中级：Edit, Grep, Glob
- 高级：Task, WebFetch, exit_plan_mode
设计原则：
- 高频使用的操作应该有专门的工具（如 Grep、Glob）
- 特殊场景仍可使用通用 bash 命令
- 高级工具用于确定性强的操作，避免多次低级操作
工具列表：Task, Bash, Glob, Grep, LS, ExitPlanMode, Read, Edit, MultiEdit, Write, NotebookEdit, WebFetch, TodoWrite, WebSearch, mcp__ide__getDiagnostics, mcp__ide__executeCode
3.3 让代理管理自己的待办事项
优势：
- 解决上下文衰减问题（长期运行的代理容易偏离目标）
- 保持 LLM 专注（提示词要求频繁参考待办列表）
- 保持灵活性：允许代理中途调整方向
- 利用模型的交错思考能力动态调整待办项
对比：优于多代理切换+验证模式（PRD/PM → 实现 → QA）
四、可控性
4.1 语气和风格
- 系统提示中专门有关于语气、风格和主动性的章节
-
示例规则：
- 不要不必要的开场白或结束语
- 不要添加额外的代码解释总结
- 拒绝帮助时不要说明原因（显得说教和烦人）
- 除非明确要求，否则不使用表情符号
4.2 "这很重要"仍是最先进方法
- 使用 IMPORTANT、VERY IMPORTANT、NEVER、ALWAYS 等强调词
-
示例：
- "IMPORTANT: 不要添加任何注释，除非被要求"
- "VERY IMPORTANT: 必须避免使用
find和grep，改用 Grep、Glob 或 Task" - "IMPORTANT: 永远不要猜测 URL"
4.3 编写算法（含启发式规则和示例）
关键做法：
- 识别 LLM 需要执行的最重要任务
- 为其编写明确的算法流程
- 使用流程图形式组织决策点
- 避免：一堆无组织的"做什么"和"不做什么"列表
Claude Code 的实践：任务管理、执行任务和工具使用策略章节清晰地描述了算法流程，包含大量启发式规则和场景示例。
额外收获：为什么关注大公司的提示词？
- 帮助逆向工程 LLM 的后训练/RLHF 数据分布
- 了解最佳实践：使用 JSON 还是 XML？工具描述放在哪？
- Claude Code 的设计非常有主见，可以参考借鉴
总结
再次强调核心原则：保持简单。过度的脚手架框架弊大于利。Claude Code 证明了"代理"可以既简单又极其强大。
关键教训是减少活动部件，让 LLM 承担大部分重任，建立良好的模型约束，然后让它发挥作用。这种端到端的方法是否会像自动驾驶领域一样最终胜出？值得关注。
