基于 Claude Code 泄露源码（2026-03-31），约 1,915 个 TypeScript 文件、51.2 万行代码的逐模块拆解。 本文档面向想要理解「一个工业级 AI Agent 系统到底是怎么设计的」的工程师和研究者。 第一章 全局架构：一个 Agent 系统的骨架 1.1 技术选型 层面 选择 为什么这么选 运行时 Bun 比 Node.js 快 3-5 倍的启动速度，内置 bundler，支持编译时 feature flag 语言 TypeScript (strict) 类型安全在大型 Agent 系统中至关重要—
Phase 8：记忆、流式与 API 本阶段目标：为对话增加记忆（多轮上下文）、对图或链做流式输出、并通过 FastAPI 或 LangServe 暴露 HTTP API，形成可用的服务形态。 1. 设计指导 1.1 记忆（Memory） * 问题：多轮对话时，上一轮的问题与答案要作为上下文传给 LLM，否则无法理解「它」「这段代码」等指代。 * 常见做法： * 短期：保留最近 N 轮 HumanMessage/AIMessage，拼进当前 prompt。 * 中期：用 LLM 对历史做摘要，节省 token。 * 长期：把重要信息向量化存检索（本项目可选）。 * 本阶段先做短期记忆：
Phase 7：多 Agent 协作 本阶段目标：在 Phase 6 的图上扩展为 Orchestrator + 多个专家 Agent（至少 Retrieval、Analysis），实现意图路由、多节点协作与结果聚合。 1. 设计指导 1.1 多 Agent 模式 * Orchestrator（编排者）：唯一入口，负责「意图分类 + 任务分解 + 路由」。不直接做检索或写代码，只决定「下一步调用哪个 Agent」。 * 专家 Agent：每个负责一类能力（检索、分析、代码生成、搜索等），有独立工具集或逻辑，通过 State 与 Orchestrator 通信。 * 状态汇聚：
Phase 6：LangGraph 与编排 本阶段目标：理解 LangGraph 的 StateGraph、节点、边（普通边与条件边），能实现一个「意图分类 → 单一路由」的小图，为 Phase 7 多 Agent 协作打基础。 1. 设计指导 1.1 为什么用图而不是手写循环 * 显式状态：图有一个统一的 State（TypedDict），每个节点读/写 State 的若干字段，数据流清晰。 * 条件路由：可以根据 State 中某字段（如 intent）决定下一步走哪个节点，无需在代码里写一堆 if/else。 * 可观测与断点：LangSmith 等能按「节点」
Phase 5：工具与单 Agent 本阶段目标：学会用 LangChain 定义工具（@tool、StructuredTool）、绑定到 LLM，并实现「单 Agent」的 ReAct 循环（推理 → 选工具 → 执行 → 再推理），为多 Agent 打基础。 1. 设计指导 1.1 工具（Tool）在 LangChain 中的角色 * Tool：可被 LLM 调用的函数，有名称、描述、参数 Schema（常用 Pydantic）。LLM 根据描述决定是否调用以及传什么参数。 * bind_tools：把 Tool