技术博客 全部文章

分析 Claude Code 会话的 Token 成本来源与控制方法，指出费用取决于模型、输入输出、缓存、上下文规模和会话轮数，并建议合理选择模型与 effort、维护提示缓存、缩短上下文、减少工具输出及使用独立子代理，以降低成本并提升效率。

通过漏洞扫描、协作开发、博弈与信息判断实验表明，多智能体虽可借分工提升搜索效率，却易因同质化、错误信任、目标冲突引发串谋、资源挤兑和升级对抗，能力提升不等于协调改善，需重构声誉、协议与监督机制。

Anthropic展示Claude Code用于大规模语言迁移，开发者在数天至两周内完成Bun从Zig到Rust及Python到TypeScript迁移，依靠规则手册、依赖图、多代理翻译、对抗审查和编译测试闭环验证，使原本多年项目降为可重复流程，Bun迁移已上线并降低内存、缩小二进制、提升性能。

Dynamic workflows 是 Claude Code 的脚本化多代理编排能力，由 Claude 为任务生成 JavaScript 工作流并在后台执行，适合代码库审计、大规模迁移、交叉验证研究等需要数十到上百代理的任务；用户可通过 `/deep-research`、提示中加入 ultracode、或 `/effort ultracode` 启动，可审批、查看、暂停、恢复、停止、保存为命令并复用；其优势是把计划、分支和中间结果放进脚本而非上下文，提高可重复性、规模和可靠性，但会消耗更多 tokens，并受并发16个代理、单次最多1000代理等限制。

Claude Code在大型代码库落地的关键不在模型本身，而在围绕代码库建立可导航、可维护、可治理的配置体系：用分层CLAUDE.md提供上下文，配合hooks、skills、plugins、LSP、MCP和subagents提升检索、执行与分发效率，并由专人或团队持续维护规则和治理；组织若提前建设基础设施、控制上下文噪音、定期更新配置，采用效果和规模化速度显著提升。

多智能体协作应先选最简单可行方案，再按瓶颈演进：质量可显式校验用生成者—验证者，任务可清晰拆分用编排者—子代理，长期并行且相互独立用代理团队，事件驱动且生态扩张用消息总线，需要实时共享发现、避免单点故障用共享状态；关键在于任务依赖、上下文持续性与信息流方式是否匹配。

Anthropic推出Managed Agents，将长时代理拆成会话、编排器和沙箱三层接口并彻底解耦，使组件可独立替换、崩溃恢复和跨环境连接，同时把凭证隔离在沙箱外、将上下文持久化到会话日志而非模型窗口。让安全性、可调试性、扩展性显著提升，首字延迟大幅下降，并能适配未来更强模型与多代理协作。

构建Claude应用的核心不是堆更多控制层，而是持续删减过时假设：优先用其已擅长的通用工具，让模型自己编排动作、管理与持久化上下文，仅在安全、体验、审计边界上保留必要工具与缓存设计；模型能力进化越快，agent harness越应轻量，否则会拖慢性能、抬高成本并限制效果。

Anthropic通过为Claude引入规划、生成、评估多智能体架构，并用可评分标准、QA反馈和长时任务编排替代单智能体自评，显著提升了前端设计质量与端到端应用构建能力；结果是模型能在数小时内自主完成更完整、可用的全栈产品，但代价是更高的成本、时延与系统复杂度，且评估环节仍需随模型能力迭代简化。

Claude Code跨会话记忆分自动记忆与CLAUDE.md体系，启动时加载工作目录向上CLAUDE.md全量及MEMORY.md前200行，子目录内容按需读取且指令越具体优先级越高，用户可用/memory编辑并用设置或环境变量开关，CLAUDE.md支持@导入并可用.claude/rules按路径分模块定规则，使组织团队与个人偏好长期一致且可控。