起因
2026年3月上中旬learn-claude-code这个仓库很火，当时27k Star。当时只有s01~s06,只讲基础循环、工具调用、简单记忆。
2026‑03‑31，Claude Code源码泄露，51.2 万行 TypeScript 源码，完整 CLI 实现。4月中下旬更新了s07~s12，对标泄漏源码的v2.1.88核心流程。
偶尔得知这个仓库，花点时间学习一下，当前59.4K Star。
瑕不掩瑜
暂时还没有看Claude Code源码相关的资料，当前教程里有些东西只是演示原理，真实工程里肯定不会这么干的，比如:
- SDK只用了最初的anthropic，没有用最新的sdk;
- 通信方式是直接阻塞时调用anthropic sdk，生产级产品里底层是WebSocket + HTTPS 混合架构，增加了本地KAIROS守护进程
learn-claude-code教程有更新，把字符串线框图改成了图片，增加了8个小节，还增加了cluade code生产级实现细节，666 —- 2026.05.27补充
大语言模型是怎么学会感知环境、推理目标、采取行动的？
- 预训练：大语言模型的核心训练任务是“预测下一个词”；海量文本中包含感知描述、目标制定、行动计划的例子。模型学会了模式匹配，比如“看到X，应该做Y”的统计关联。涌现推理能力。
- 对齐和指令微调：让模型能听懂指令，遵循格式，学会用文本输出“思考”和“行动”。
- 构建“感知-推理-行动”循环：在应用层面，系统将环境信息（如网页文字、API返回）作为提示的一部分输入给LLM，LLM输出推理和行动指令（如调用搜索工具），系统执行该行动后把新结果再次输入，形成循环。模型通过上下文学习适应这种模式。
代码中为什么没看到从环境中读取ANTHROPIC_API_KEY传给模型?
并非遗漏，而是因为Anthropic的Python SDK 默认会自动从环境变量ANTHROPIC_API_KEY中读取API密钥
为什么每次循环都传完整history给LLM，而不是只传新增内容？
演示脚本中是每次传输全量历史; Claude Code本地CLI工具也是有客户端发送完整历史。
LLM 是无状态的，LLM本身不保存任何对话状态。每次API调用都是独立的，模型只会根据当前messages参数重的内容来生成回复。它不会记住之前的调用。
LLM的本质是一个无状态的函数：text_out = f(text_in)。
典型Web应用(如ChatGPT Web),是服务端存储历史，客户端只发送当前用户输入或会话ID,服务端从数据库/缓存读取历史，拼接后调用LLM，再将更新后的历史保存回去。
为什么现在Agent都采用CLI的方式，而不是GUI的方式？
当然很多都是事后的总结，我想可能最先编程工具是提供给内部开发者或者一些爱好者用的，CLI是很自然的方式。
- 技术哲学的同频共振：Unix哲学提出“一切都是文本流”；如今的大语言模型也恰好“只理解纯文本”。
- 降低复杂性。听有人提过，相对于Cusror，Claude Code的版本优化更新速度是很快的
- …
s01 Agent Loop - 一个循环 + Bash
顺序约束：对话历史中的 role 必须严格交替 user ↔ assistant，且第一条消息角色必须为 user。如果需要连续多轮工具调用，可以在 user 角色下放置多个工具结果块。
Claude Code最好关闭自动更新，0528有更新v2.1.154版本，新版本重构为messages数组内的 {“role”: “system”, “content”: “…”} 格式，三方API（如 DeepSeek）的实现出现报错 400。 —- 2026.05.29补充
代码中有2个循环，主循环和Agent循环；前者是用户驱动，负责多轮对话；后者是模型自动驱动，负责单轮内的工具调用链；职责分离。
- 主循环：负责接收用户输入，管理多轮对话。没有主循环，用户则只能问一个问题，无法进行多轮对话。
- Agent循环：负责处理模型工具调用，直到模型给出最终答案。没有Agent循环，模型一次只能调用一个工具，无法实现多步推理。
主循环：
if __name__ == "__main__":
history = []
while True: # 主循环
query = input(...)
if exit_condition: break
history.append({"role": "user", "content": query})
agent_loop(history) # 进入内层循环，直到模型停止
# 打印最终回复
print(...)
Agent 循环：
def agent_loop(messages: list):
while True:
response = client.messages.create(
model=MODEL, system=SYSTEM, messages=messages,
tools=TOOLS, max_tokens=8000,
)
# Append assistant turn
messages.append({"role": "assistant", "content": response.content})
# If the model didn't call a tool, we're done
if response.stop_reason != "tool_use":
return
# Execute each tool call, collect results
results = []
for block in response.content:
if block.type == "tool_use":
print(f"\033[33m$ {block.input['command']}\033[0m")
output = run_bash(block.input["command"])
print(output[:200])
results.append({"type": "tool_result", "tool_use_id": block.id,
"content": output})
messages.append({"role": "user", "content": results})
s02 Tool Use — 单个工具到多个工具
s01只有bash一个工具，s02增加了read_file、write_file、edit_file、glob
s01调用工具是硬编码run_bash，现在改为查表后调用
为什么要增加这几个工具，bash不是也能做读、写、编辑文件、匹配文件/目录路径吗？
- bash+这四个工具，可以覆盖大部分的编程任务。
- bash都能做这些事，但是bash太强大了，可能不安全，且与外部环境、编码等强关联，所以用专用工具覆盖高频安全操作，用通用shell处理剩余的长尾需求。
s03 Permission — 判断能不能做
工具执行之前先进行判断权限
s04 Hooks — 工具调用前后留扩展插槽
注册需要时机的Hook，在相应的时机调用Hook