4 月 1 日，Anthropic 意外泄露了 Claude Code 的完整 TypeScript 源码。此次泄露源于 NPM 包更新时未剔除 60MB 的 source map 调试文件，导致任何人下载包都能还原出完整源码——共计 1902 个源文件。
值得注意的是，这已是 Anthropic 第二次犯同样的错误。2025 年 2 月 Claude Code 刚发布时就曾因 Source Map 配置失误导致源码泄露，当时 Anthropic 紧急删包处理。时隔一年多，同一构建流水线再次出现相同问题。
核心发现：Claude Code 好用，60% 靠模型，40% 靠 Harness 工程
深入分析 1902 个源文件后发现，Claude Code 的优秀体验不仅来自模型能力，更来自精心设计的 harness 工程系统。所谓 harness，即为 AI 设计的"笼具"——包括工具系统、约束机制、安全控制和记忆系统，所有让 AI 从"能力强但不可预测"变成"稳定可靠能交付"的工程组件。
发现一：System Prompt 的隐性成本
用户输入一条指令，AI 实际收到的远不止这句话。prompts.ts 文件揭示了完整的 system prompt 拼装逻辑：
- 静态部分：所有用户共享，用于缓存节省 token，包括身份定义、安全准则、工具使用规则
- 动态部分：每个用户独立，包括 CLAUDE.md 配置、工作目录、MCP 服务器、自动记忆、Git 状态
关键数据：每接入一个 MCP 服务器，工具定义固定消耗 4000-6000 tokens（源码 src/prompts.ts 第 147 行注释）。接入 5 个 MCP 服务器，仅工具描述就占上下文窗口的 12%。
设计亮点在于 SYSTEM_PROMPT_DYNAMIC_BOUNDARY 常量将 prompt 切成两段：上部缓存，下部个性化。但这种设计的隐性成本常被忽视——工具并非越多越好，每个工具都有认知成本。
发现二：权限分类器的四层流水线
Claude Code 的 Auto 模式并非直接放行操作。源码中实现了一套独立的权限分类器系统，将操作分为三档：
- Allow：直接放行
- Soft Deny：需要用户确认
- Hard Deny：直接拦截
分类器采用四层流水线架构：
- 查询规则匹配
- 跳过低风险操作
- 白名单放行
- 调用独立 Sonnet 模型做最终分类（温度设为 0，确保确定性输出）
系统还实现了熔断机制：连续 3 次被拒或累计 20 次拒绝，直接降级为手动确认模式（源码 src/permissions/classifier.ts）。
设计哲学：安全边界不是限制，而是信任的基础。用户相信系统有底线，才敢授予更大权限。
发现三：记忆系统的设计边界
Auto Memory 功能能够记住用户的偏好（如使用 TypeScript、引号风格、不喜欢 AI 味等），但源码揭示了其关键设计边界：
- 触发时机：完成一轮回答后才启动记忆提取，有限流机制
- 执行隔离：由独立 fork agent 完成，只能读写记忆文件，无法执行 Bash 命令
- 核心原则：只存偏好，不存代码
为什么"不记代码"？ 代码会变化，但记忆不会自动更新。如果记忆记录"函数 X 在第 30 行"，代码重构后就会成为误导信息。因此系统只存储人的偏好和判断，代码相关事实永远实时读取。
此外还有 autoDream 功能，满足条件时自动在后台整理记忆文件，如同人睡觉时整理白天记忆。
发现四：最简单的搜索方案
在 RAG 行业普遍推崇向量数据库、Embedding 索引的今天，Claude Code 的代码搜索实现出人意料：
使用 grep 和 ripgrep，最朴素的文本搜索。没有 Embedding，没有向量库。
为什么有效？核心逻辑是：当你有足够聪明的大脑理解搜索结果时，不需要聪明的搜索引擎。grep 提供精确匹配，LLM 负责理解关系。与其让每个环节都变复杂，不如让一个环节足够强，其他保持简单。
这是 harness engineering 的核心原则之一。相比之下，Cursor 采用不同的技术方案，但 Claude Code 选择相信 "grep + 聪明大脑" 的组合。
工程启示
分析 1902 个源文件后的最大收获：市面上众多 AI 编程工具都基于相似的模型 API（Claude 或 GPT），但体验差异显著。这种差异不在模型本身，而在 harness 工程的质量。
此次泄露事件本身也提供了反面教材：即使是 Anthropic 这样的顶级 AI 公司，也会在基础构建配置上反复犯错。这提醒我们：
AI 时代最大的风险不是 AI 太强，而是人连基础配置都配不明白。
后续影响
源码已被 GitHub 社区广泛镜像，即使 Anthropic 删除 NPM 包也无法阻止开源社区的传播。从技术学习角度看，这 1902 个文件为 AI 编程工具开发者提供了宝贵的工程参考——展示了 SOTA（State of the Art）级别的 harness 系统如何实现。
对于普通用户，这次泄露的最大价值在于理解：优秀的 AI 工具体验不是魔法，而是精心设计的工程系统的产物。