Что внутри Claude Code? Почему он так работает и как в этом разобраться? (Разбор исходного кода)

Разобрал исходники Claude Code, чтобы показать, как реально устроена его внутренняя архитектура.

Канал с гайдами и контентом по ИИшкам и что с ними можно реализовывать, мы выписываем абсолютно всю базу по ИИ в наш канал и там другие полезные материалы: https://t.me/claudedevolper

Здесь речь не о внешнем интерфейсе, а о внутренней кухне системы.

Если ты занимаешься созданием AI-продуктов, подходы Anthropic — это фактически готовый разбор того, как строить агентные архитектуры.

Ниже — подборка архитектурных приёмов, которые без лишних сомнений можно адаптировать под свои задачи.

Если материал окажется полезным — смело делись.

Многие воспринимают Claude Code как обычный чат прямо в терминале. Но при детальном изучении кода становится очевидно: за этим стоит многоуровневая система оркестрации агентов, насчитывающая около десятка уровней и покрывающая ключевые сложности разработки AI-продуктов.

Каждый слой — это не абстракция, а конкретное инженерное решение, которое можно внедрить у себя. Причём не имеет значения, создаёшь ли ты coding-агента, бота поддержки или инфраструктурный инструмент для работы с AI.

Давай разбираться.

Claude Code стартует за миллисекунды. Как?

Что можно украсть:Если в твоем AI-продукте есть CLI или долгий запуск, не грузи всё сразу. Делай fast-path для частых кейсов. Используй parallel prefetching. Мемоизируй тяжелые операции. Юзеры замечают время старта гораздо сильнее, чем кажется.

Claude Code не использует стандартные библиотеки для UI в терминале. Они написали собственный React-based рендерер на базе Ink со следующими фичами:

Они буквально притащили концепции веб-рендеринга в терминал.

Что можно украсть:Ставка здесь не на дефолтный UI-фреймворк, а на собственный слой рендеринга под нужный паттерн взаимодействия. Если в продукте специфичный паттерн взаимодействия — streaming ответов, вывод tool outputs, multi-agent вьюшки — вложись в слой рендеринга. Кастомный UI, который плавно переваривает streaming, — это гигантское преимущество в UX. У большинства AI-продуктов стриминг дерганый, потому что они на это забили.

Это ядро продукта. REPL грузит инструменты, собирает system prompt, подтягивает context, а затем заходит в цикл async generator:

for await (event of query({ messages, systemPrompt, tools }))

Каждый event обрабатывается и рендерится в реальном времени. Tool calls, text deltas, ошибки — всё летит через единый стрим.

Сам движок запросов — это цикл while (true), который:

Что можно украсть:Если ты строишь AI-продукт с tool use, вот твой паттерн. Async generators для потока ивентов. Стейт-машина в цикле для работы агента. Четко разделяй «нормализацию context» от «вызова модели» и «выполнения тулзов». Обычно разработчики делают не чистый цикл агента, а одну большую кашу из контекста, модели и тулзов — и получают спагетти-код. Anthropic разделили всё максимально чисто, и это видно.

В Claude Code больше 60 инструментов. Но главная фишка в том, как они запускаются.

Когда модель возвращает несколько tool calls, система их разбивает:

Каждый тулз проходит через:

валидацию инпута (Zod) → pre-hooks → проверку пермишенов → выполнение → post-hooks → truncation результата

Что можно украсть:Если твой AI-продукт использует тулзы, думай о конкурентности. Операции чтения можно смело параллелить. Операции записи требуют строгой очереди. Большинство AI-продуктов выбирают не умную конкурентность, а тупую последовательность — и сами себе режут скорость.

И еще: валидируй инпуты через схему. Обрезай аутпуты. LLM не нужен файл на 50 KB в context, если достаточно 8 KB.

Это реально крутое инженерное решение.

Когда Claude Code нужен доступ для какого-то действия, он не просто спрашивает юзера. Он запускает гонку нескольких резолверов параллельно:

Кто ответит первым — тот и победил. Паттерн createResolveOnce.

Поверх этого работает 5-уровневый каскад правил:

policy > flag > local > project > user

Правила на высоких уровнях нельзя переопределить на нижних.

Что можно украсть:Если твой продукт делает что-то рискованное — доступ к файлам, вызовы API, изменение данных — делай многослойную систему доступов. Тут идея не в том, чтобы дергать пользователя подтверждениями на каждый чих, а в том, чтобы дать системе самой найти самый быстрый безопасный способ разрешения. Сделай настраиваемые правила, авто-классификаторы и интерактивные фоллбеки. Паттерн с гонкой особенно хорош: он гарантирует, что самый быстрый безопасный путь всегда выигрывает.

Сразу видно, что инженеры убили на это месяцы.

Дефолтное окно — 200K токенов. Опционально — 1M. И пять стратегий для обработки переполнения:

Система пробует их по очереди — от наименее деструктивных к самым жестким. И делает это автоматически, когда context начинает переполняться.

Что можно украсть:Если в твоем продукте диалоги длятся дольше пары реплик, тебе жизненно необходима стратегия управления контекстом. Большинство делает не context management, а обычную обрезку истории сверху. Это самый тупой подход из возможных. Делай многоуровневое сжатие. Сохраняй важный context во внешнее хранилище. Делай саммари перед тем, как удалять. Разница между продуктом, который «теряет контекст», и тем, который «помнит всё», кроется именно в такой инженерии.

Anthropic делит system prompt на две части:

Между ними проходит жесткая граница кэширования. Статическая часть улетает в cache на стороне API (TTL 1 час). Динамическая часть пересобирается каждый ход.

Что можно украсть:Если ты отправляешь system prompts в LLM API, строй их не как один монолит, а как две разные зоны: кэшируемую и динамическую. Сначала ставь стабильные инструкции — для кэша. Динамический context кидай в конец. Это радикально режет косты на API, потому что закэшированный префикс не процессится заново. Большинство AI-продуктов пересобирают весь system prompt каждый раз и платят по полной программе.

Когда Claude Code форкает субагента (subagent), он создает байт-в-байт идентичную копию родительского контекста. Это значит, что форкнутый агент попадает в тот же prompt cache, что и родитель.

Пять параллельных агентов стоят почти столько же, сколько один, работающий последовательно.

Что можно украсть:Если пилишь мультиагентную систему, думай не только про роли агентов, а про топологию кэша между ними. Агенты с общими префиксами контекста могут шарить API cache. Проектируй спавн агентов так, чтобы максимизировать cache hits.

И еще: общение агентов через файлы — это просто и надежно. Не надо переусложнять брокерами сообщений, когда JSON-файла в известной директории вполне достаточно.

Больше 25 lifecycle-ивентов. Пять типов хуков: command, prompt, agent, HTTP, function.

Хуки могут подтягиваться из:

PreToolUse может блокировать или модифицировать действия до их начала.PostToolUse может трансформировать результаты.UserPromptSubmit может инжектить context в каждое сообщение.

Что можно украсть:Хуки стоит закладывать не как поздний enterprise-апгрейд, а как часть архитектуры с первого дня. Даже если сразу они тебе не нужны. Возможность прогонять кастомную логику до и после каждого tool call, каждого сообщения и каждой сессии — вот что превращает продукт в платформу. Твои power users построят поверх этих хуков такое, о чем ты даже не подозревал.

Диалоги пишутся в JSONL. Session memory выгружается в файлы. Любую сессию можно продолжить, возобновить (resumable) или форкнуть.

Что можно украсть:Подход должен быть «всё сохраняется и всё можно поднять снова». Диалоги, результаты тулзов, стейт агента. Делай так, чтобы процесс можно было резьюмить. Стоимость стораджа — ничто по сравнению с ценой потерянного контекста. Большинство AI-продуктов относятся к сессиям как к чему-то временному, и это убивает весь UX на длинных задачах.

Что подход Claude Code говорит о создании AI-продуктов в целом:

Claude Code использует React для UI и async generators для цикла агента. Они полностью независимы. Именно поэтому они могут поддерживать интерфейсы терминала, web bridge и SDK из одного ядра.

А не как к помойке. Пять стратегий сжатия существуют потому, что подход «просто засунь всё в модель» не скейлится. Любому серьезному AI-продукту в итоге понадобится context management. Делай его сразу.

Tool batching, fork subagents, cache sharing. Архитектура изначально предполагает, что несколько вещей происходят одновременно. Однопоточные циклы агента — это тупик.

5-уровневый каскад с авто-классификаторами — это куда умнее, чем «разрешить всё» или «спрашивать каждый раз». У юзеров разная толерантность к рискам. Дай им это настроить.

Самая расширяемая часть Claude Code — это не какая-то конкретная фича. Это система хуков, которая позволяет любому добавлять функционал, не трогая ядро.

Разделение system prompts на статику/динамику, шаринг кэша между subagents, использование эфемерных маркеров. Это оптимизация костов, зашитая прямо в архитектуру. На масштабе это разница между прибылью и банкротством.

Claude Code — это не просто удачный продукт, а чертеж того, как вообще стоит строить AI-native софт.

Исходники открыты. Иди читай. Воруй паттерны. И сделай что-нибудь еще круче.

https://t.me/claudedevolper