开始

在 AI 浪潮的大时代，如果你依旧只会传统开发，那必然会落后于别人的，如果你仅仅局限于 chat 或者一些简单的 agent 调用，那也显然远远不够。最近也正在准备面试，Android/Java 这种传统八股掌握的七七八八了，但是对于 Agent 实际上确实半知半解，故打算开始一段 Agent 的学习，当然在这过程中需要继续准备面试的一些其他东西（算法，计网以及一些更细的八股），故更新不一定及时。如果有其他人能看到这篇文章，或许能有一定勉励？

本文所参考的文章内容源于https://github.com/anneheartrecord/claude-code-docs，但本人能力有限，很多时候也只是阅读后的一些总结罢了，希望后续能有一些自己的认识（道阻且长啊）。

概览

claude code 中一次请求的完整流程是什么？

第一步：用户输入捕获

你在终端里输入一段文字按回车。REPL 层会判断这段输入属于哪种类型：

• 以 ! 开头 → 直接执行 shell 命令，不经过 Agent。比如 ! ls、! git status。这是一个快捷方式，让你不用退出 Claude Code 就能跑命令，结果直接输出到终端

• 以 / 开头 → slash command，比如 /clear、/compact、/help。这些是内置的快捷操作，由客户端直接处理

• 否则 → 自然语言，进入 Agent 循环，交给模型处理

第二步上下文组装

组装一份完整的上下文，决定了模型看到什么、知道什么、能做什么。

会由一下部分拼接而成：

• 内置的 Agent 行为规则，告诉模型你是 Claude Code，你能读写文件、执行命令，你应该怎么和用户交互

• 用户的 CLAUDE.md 记忆文件，五层优先级加载，从全局到项目到本地

• 当前 Git 仓库的状态快照：分支、最近 commit、改动了哪些文件

• 权限规则：哪些工具可以自动执行，哪些需要用户确认

• skill 列表

所有这些信息拼在一起，就是模型的 system prompt。这个过程就是 Context Engineering。

第三步：API流式调用

组装好请求就会发起流式 API 调用。模型逐 token 返回响应，客户端每收到一个 token 就在终端进行渲染，用户可以实时看到模型在 "打字"。

如果模型决定调用工具，它会在响应里输出一个 tool_use block，包含工具名和参数。比如模型想读一个文件，它会输出：

{
  "type": "tool_use",
  "name": "Read",
  "input": { "file_path": "/src/main.ts", "limit": 100 }
}

第四步：权限检查+工具执行

收到 tool_use 后，系统先做权限检查：

• 硬编码规则：42 条危险命令直接拒绝，不问用户

• ML 分类器：判断这条命令是否安全

• 用户规则：匹配用户配置的 allow/deny 列表

• 弹窗确认：以上都不匹配时，弹窗让用户选择

通过权限检查后执行工具，多个工具调用可以并行执行。

执行完成后，工具结果作为 tool_result 追加到消息历史。

第五步：压缩判断

检查当前消息历史的 token 总量。如果接近上下文窗口上限，触发压缩：

1. 微压缩：清理旧的工具输出结果，它们的时效性最差

2. Session Memory：把关键信息沉淀到记忆文件，释放上下文空间

3. Full Compact：fork 一个独立 Agent 做全量摘要，把整个对话历史浓缩成一段总结

第六步：继续或结束

看 API 返回的 stop_reason：

• tool_use：模型还想调工具，回到第三步继续循环

• end_turn：模型认为任务完成，结束

• max_tokens：输出达到上限，可能需要继续

一个复杂任务可能循环几十次。比如你让 Claude Code 重构一个模块，它可能先读几个文件了解现状，然后修改代码，然后跑测试，发现测试失败，再修改，再跑测试；每一次工具调用都是一次循环。

Agent循环