编写代码调试问题重构代码分析代码库。

Claude Sonnet 4.5 模型本身没有项目级理解能力✅它只是一个语言模型处理输入的文本，生成输出的文本项目级理解 100% 在本地 Claude Code CLI 实现✅代码索引依赖分析AST 解析语义搜索上下文管理不存在独立的"Claude Code 服务端"✅Claude Code CLI 直接调用标准 Claude API慧言平台等只是网络代理所有智能处理在本地完成ccswitch

*根据最新的 2025 年信息，Python 中调用 Claude Code，可以使用 Claude Code API Gateway，以下是一些实践最终还是没运行起来，报错调不起来Claude code,但我单独写了程序用subprocess掉用Claude code Cli 是没问题的。以下用于备忘，仅供参考。

编码处理：Windows 下使用text=False+ 手动 UTF-8 解码Shell 支持：Windows 需要shell=True异步处理：大项目分批用asyncio提高效率错误日志：详细的 DEBUG 输出帮助快速定位问题。

一、核心理解机制Claude Code 使用分层记忆文件系统来持久化项目知识：文件结构：/项目根目录├─ CLAUDE.md# 团队共享记忆（提交到 Git）├─ CLAUDE.local.md# 个人工作空间记忆（gitignore）└─ /子目录└─ CLAUDE.md# 子模块特定记忆Explore Agent（探索代理）：用户：“理解这个项目的认证系统”↓。

一、核心理解机制Claude Code 使用分层记忆文件系统来持久化项目知识：文件结构：/项目根目录├─ CLAUDE.md# 团队共享记忆（提交到 Git）├─ CLAUDE.local.md# 个人工作空间记忆（gitignore）└─ /子目录└─ CLAUDE.md# 子模块特定记忆Explore Agent（探索代理）：用户：“理解这个项目的认证系统”↓。

Kode 的上下文系统 () 负责管理项目中所有与环境相关的上下文信息，并将这些信息自动注入到 AI 对话中。四层记忆架构- 会话、项目、用户、工具记忆协同工作工具系统协同- 7种核心工具提供全方位的代码分析能力实时状态监控- 文件新鲜度追踪和智能提醒机制多层次项目理解- 从 Git 状态、目录结构、代码风格、项目配置等多个维度收集信息自动上下文注入- 基于项目状态智能选择相关上下文。

LoRA是一种高效的大模型微调方法，通过低秩分解冻结原始参数，仅训练少量额外参数来近似权重变化。其核心是将权重变化ΔW分解为两个小矩阵B·A（r远小于原维度），大幅降低计算和存储成本。该方法具有参数效率高、避免灾难性遗忘、便于多任务切换等优势，已成为大模型微调的主流技术，广泛应用于对话模型、多任务学习等场景。