当大多数 AI 编程工具还在为"更大的上下文窗口"自我标榜时，Anthropic 已经在系统层面构建了一套全新的答案。

---

一个被忽视的真相：规模才是 AI 编程助手的真正考验

任何在生产环境用过 AI 编程工具的开发者都会遇到同一堵墙——当代码库超过几万行，当项目引入了多个微服务、复杂的 CI/CD 流水线，当团队积累了多年的命名规范和架构决策，绝大多数 AI 助手会开始犯错：

• 忽视已有的代码风格约定

• 修改一个文件时，不知道自己破坏了三个其他模块的依赖

• 每次会话都像"第一次见面"，没有任何记忆

• 面对 20 万行的单体应用时干脆放弃

这不是模型智能的问题，而是架构设计的问题。上下文本身不会线性扩展。

Anthropic 对此给出的答案，不是简单地扩大 Token 窗口，而是一套经过深思熟虑的七层分层架构——将持久上下文、行为约束、外部工具集成与多智能体协作，以工程化的方式系统性地叠加在一起。这套方案的核心思路是：构建持久的、分层的上下文，让 Claude Code 像资深开发者一样理解代码库，而不仅仅是依赖单次会话中看到的内容。

以下，我们逐层拆解。

第一层：全局 CLAUDE.md — 永久生效的"开发者人格"

这一层是整个体系的基石。CLAUDE.md 是一个 Markdown 文件，Claude Code 会在每次会话开始时自动读取。根目录的文件提供全局视图，子目录文件则提供局部约定。

全局层（通常位于用户主目录）用来存储跨项目的通用偏好：

• 代码风格（缩进风格、分号使用习惯）

• 惯用语言和框架偏好

• 测试结构偏好

• 通用模式约定（如始终使用 async/await）

这意味着，这些规则你只需要写一次，就在每次 Claude Code 会话中自动生效，无需重复交代背景。

项目层则更为关键。每个项目根目录，乃至具体子目录，都可以维护自己的 CLAUDE.md：描述架构全貌、解释命名规则背后的逻辑、标注不应修改的遗留代码、链接关键设计文档。

有一个最佳实践值得特别强调：这些文件应当保持聚焦，只记录广泛适用的约定，避免随着使用而无限膨胀，否则会开始拖累性能。写好一份项目级 CLAUDE.md，是让 AI 具备"项目上下文意识"成本最低、收益最高的单一举措。

第二层：Hooks — 为 AI 行为植入"安全边界"

Hooks 是事件驱动的回调机制，在 Claude Code 工作流的关键节点触发。它将 Claude Code 从一个"建议引擎"升级为能够真正融入团队 CI/CD 流程的自动化工具。

Pre-tool Hooks（工具执行前） 允许你在 Claude 实际执行操作之前介入：

• 阻止对特定目录（如 /vendor 或 /legacy）的写入

• 对高风险操作（如 DROP TABLE）要求人工二次确认

• 记录所有变更意图供审计使用

Post-tool Hooks（工具执行后） 则在操作完成后自动触发：

• 每次文件保存后运行 Lint 或格式化工具

• 核心模块变更后自动触发相关测试套件

• 向 Slack 频道推送变更通知

Hooks 以 Shell 脚本或可执行文件的形式编写，通过标准输入接收 JSON 格式的事件数据，并返回结构化 JSON 来告知 Claude Code 是否继续、中止还是显示提示信息。

更值得关注的是 Hooks 的另一面：Stop Hooks 可以识别会话中的缺失上下文，并自动生成补充规则写入 CLAUDE.md，实现架构的持续自我优化。这让整个配置体系具备了一定程度的"自我改进"能力。

第三层：Skills — 把机构知识变成可调用的工具

Skills 是你向 Claude Code 暴露的自定义工具集——离散的、可命名的、带描述的功能单元，Claude 会根据描述自主判断何时调用它们。

Claude Code 内置了读写文件、执行 Bash 命令、搜索代码库等基础工具。而 Skills 允许你在此之上叠加任何符合自身工作流的专有逻辑。

实际场景举例：

Skills 的本质是预封装的专业工作流——将特定场景的专业知识、工具使用方法、模板材料和执行逻辑整合打包，让 Claude Code 快速具备对应领域的专业能力，无需重复配置和解释。

对于大型团队而言，Skills 的真正价值在于：它将团队最佳实践转化为版本控制的、可测试的、共享的可执行规范。不再是散落在 Wiki 里没人看的文档，而是 AI 可以直接调用的能力。

第四层：LSP 集成 — 让 AI 像 IDE 一样"看懂"代码

LSP（Language Server Protocol，语言服务器协议）是 VS Code 等编辑器与语言服务器通信的开放标准，支撑了"跳转到定义"、"查找所有引用"、"悬停显示类型"等 IDE 核心功能。

没有 LSP，Claude Code 本质上是在把源代码当文本文件读——靠字符串模式匹配来推断类型和依赖关系。在大型强类型代码库（C、C++、Java、C#）中，LSP 集成确保 Claude 能精确追踪函数定义、引用和类型提示，而非依赖低效的字符串搜索，这与开发者在 IDE 中的使用方式一致。

有了 LSP，Claude Code 可以：

• 获取来自真实类型系统的精确类型信息，而非从变量名猜测

• 查看实时诊断——在做出修改之前就知道当前代码存在哪些错误

• 精确符号解析

  ——当存在多个同名函数时，找到正确的那一个

• 重构安全性

  ——在所有引用中正确重命名符号，而非简单文本替换

LSP 集成给予了 Claude 结构化的代码理解能力——类型信息、引用关系和定义位置——而非基于文本推断。对于大型代码库而言，一个文件的微小变动可能波及数十个其他模块，LSP 是保障修改精确性的关键基础设施。

第五层：MCP 服务器 — 打通工程师的整个数字工作环境

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的开放标准，用于将 AI 模型与外部工具和数据源连接。Claude Code 通过 MCP 服务器发现并调用外部系统的能力，无需任何硬编码。

可以通过 MCP 接入的系统范围极广：

• 版本控制

  ：查询 Git 历史记录、提交 PR、检查 blame 信息

• 项目管理

  ：读写 Jira 工单、GitHub Issues、Linear 卡片

• 文档系统

  ：搜索 Confluence、获取 Notion 页面、查阅内部 Wiki

• 可观测性工具

  ：从 Datadog 拉取日志、从 Sentry 查询错误率

• 数据库

  ：读取 Schema 信息、在开发环境执行查询

• 沟通工具

  ：发布到 Slack、创建日历事件

MCP vs. Skills：如何区分使用场景？

两者并非替代关系，而是互补：Skills 是为特定代码库定制的内部工具；MCP 服务器则面向组织范围内的现有系统集成。在大型工程团队的实践中，你会同时使用两者。

MCP 协议在 2026 年已成为行业标准，这意味着越来越多的工具生态在原生层面支持被 Claude Code 调用。Claude Code 不再只是一个编辑文件的工具，而是能够真正参与到整个工程组织工作流中的 AI 协作者。

第六层：子代理（Sub-agents）— 并行执行大规模变更

这是架构中最具爆发力的一层。

当 Claude Code 面对跨越多个系统组件的复杂任务时，它可以将任务分解，生成多个子代理并行处理不同部分。每个子代理是一个轻量级的独立 Claude Code 实例，拥有自己的上下文窗口——这是为大型代码库获取额外上下文容量的一种优雅方式。

每个子代理可以：

• 在独立上下文和工具权限下运行

• 独立读写文件

• 将结果报告给上层的 Orchestrator 代理

• 根据需要继续生成下级子代理

典型场景：更新一个涉及 API 层、数据库 Schema、前端表单和测试套件的认证流程——4 个部分可以并行推进，而非顺序等待。

一个实用的最佳实践是：用只读子代理先完成系统探索（目录结构、调用链、测试分布），主代理再进行代码修改——这样可以显著降低主代理在修改时"越界"的风险。

Anthropic 的建议是谨慎使用并行代理，因为它们会增加编排复杂度，不当使用可能制造冲突。但对于适合的任务，子代理能将数小时的顺序工作转化为可以并行完成的高效流程。

七层如何协同：一次会话的完整生命周期

把七层的交互方式落到一次真实的 Claude Code 会话上，全貌才会清晰：

1. 会话启动：全局 + 项目 CLAUDE.md 自动加载
   → Claude 在你输入第一行字之前就已了解代码库约定

2. Hooks 注册：
   → 破坏性操作触发人工确认
   → 每次保存后自动运行 Lint

3. Skills 可用：
   → Claude 知道何时可以调用 create_component / run_security_scan

4. LSP 连接：
   → Claude 实时查询类型信息和诊断结果

5. MCP 接入：
   → 可按需拉取相关工单、搜索内部文档、查询日志

6. 任务分解（如需要）：
   → 复杂任务生成子代理并行执行

这七层的设计逻辑有一个统一的内核：AI 负责推理，Scaffolding（脚手架）负责提供相关上下文。让模型专注于它最擅长的部分，让架构层解决它不擅长的部分——规模、记忆、约束和外部集成。

为什么这套架构值得认真对待

从更宏观的视角看，这套七层架构所代表的，是 Anthropic 对 AI 开发工具的一个明确判断：真正的生产力差距不在于模型本身的能力边界，而在于模型与工程环境的集成深度。

2025 年大量工程团队自行搭建的 RAG 层、逐轮摘要、缓存断点逻辑，正在随着平台原生能力的成熟而逐步成为多余的开销。Anthropic 的方向是：让平台吸收那些用来"补偿模型局限性"的脚手架代码，让开发者真正专注于业务价值。

一位使用 Claude Code 配置超过四个月的开发者这样描述他的感受：最大的变化不是效率，而是他不再需要在 SQL 编辑器、终端、浏览器、Slack、Notion 和代码编辑器之间反复切换——他只需坐在一个终端前描述需求，代理搞定剩余的一切。

从"更聪明的自动补全"到"能够理解整个工程组织上下文的 AI 协作者"——这七层架构，是 Anthropic 给出的路径图。

最后一句实在的话：配置这套体系需要前期投入，但它带来的是持续复利的回报。CLAUDE.md 写一次，受益于每次会话。Hooks 配置一次，持续守护代码质量。Skills 沉淀一次，团队共享最佳实践。这不是 AI 的魔法，而是工程化思维在 AI 时代的必然延伸。

更多transformer，VIT，swin tranformer
参考头条号：人工智能研究所
v号：人工智能研究Suo, 启示AI科技

 动画详解transformer  在线视频教程