尧图网页设计 
1. 为什么我们要拆解 Claude Code从“黑盒”到“白盒”的工程思维转变最近AI 领域最让我兴奋的不是某个新发布的千亿参数大模型而是一个看起来“平平无奇”的代码解释器——Claude Code。如果你也和我一样每天在 VSCode 里和代码打交道那你肯定已经感受到了它的冲击。它不再是那个只会回答你“如何写一个排序函数”的聊天机器人而是能直接在你的项目里理解上下文分析错误甚至帮你重构代码的“结对编程伙伴”。但问题来了当我把一个复杂的、满是历史债务的工程文件丢给它它流畅地给出修改建议时我内心除了惊喜更多的是一个问号它到底是怎么做到的这就是我决定开启这个“Claude Code 源码深度解析”系列的根本原因。我们早已习惯了将 AI 工具当作“黑盒”输入问题得到答案过程如同魔法。对于普通用户这或许足够。但对于开发者尤其是那些希望将 AI 能力深度集成到自己产品、工作流甚至是想基于此构建更强大 Agent 的工程师来说停留在“黑盒”层面是远远不够的。知其然更要知其所以然。理解 Claude Code 的内部机制意味着我们能更精准地使用它知道它的能力边界在哪里什么任务它擅长比如代码理解和局部重构什么任务它可能力不从心比如需要全局架构视野的重设计。避免产生不切实际的期望也避免在它不擅长的领域浪费时间。更有效地调试与排错当 Claude Code 给出了一个看似合理但实际运行会崩溃的代码建议时如果你了解其底层是如何分析代码上下文、如何调用模型 API 的你就能更快地定位问题——是上下文窗口限制导致它漏看了关键文件还是它对某些特定框架的语法理解有偏差进行定制化与扩展这是最吸引我的部分。Claude Code 本身是一个优秀的“参考实现”。通过解析其源码我们可以学习到一套成熟的、将大语言模型LLM与代码编辑器深度集成的工程范式。如何设计工具调用Tool Calling的流程如何管理对话历史和上下文如何安全地执行代码理解了这些你就能为自己的团队定制专属的代码助手或者开发面向特定领域如硬件描述语言、数据管道配置的 AI Agent。网络上关于 Claude Code 的讨论大多集中在“如何安装”、“基础使用技巧”或“与 Copilot 对比”上。这些内容当然有价值但它们更像是“用户手册”。我们这个系列的目标是成为它的“维修手册”和“设计蓝图”。我们将一起打开这个“黑盒”看看里面的齿轮是如何咬合的电路是如何连接的。2. 解析之旅的路线图我们将深入哪些核心模块为了不让这次源码探索变成漫无目的的游荡我基于对 Claude Code 公开信息、插件结构以及 AI 工程最佳实践的了解规划了以下几个核心的解析方向。请注意由于 Claude Code 本身并非完全开源其核心模型服务是闭源的我们的“源码解析”主要聚焦在其客户端插件部分、公开的架构设计以及我们能推断出的工程模式上。我们会像侦探一样从公开的线索插件源码、API 文档、官方博客中拼凑出完整的图景。2.1 客户端插件架构连接 VSCode 与 AI 的桥梁Claude Code 首先是一个 VSCode 插件。这是所有魔法的起点。我们将深入它的package.json、激活入口、贡献点Contribution Points配置理解它如何将自己嵌入到 VSCode 的 UI 和命令系统中。你会看到它如何注册侧边栏、自定义编辑器装饰、响应特定的代码选择或错误点击事件。这部分是相对“标准”的插件工程但它是所有高级功能的基础。一个关键细节是插件如何管理自身的状态例如当前对话的历史、正在处理的任务 ID、用户的偏好设置等。是存储在 VSCode 的全局状态GlobalState里还是本地文件里这关系到会话的持久化和多窗口协作。2.2 通信层与 API 封装安全、高效地与云端对话插件本身不包含 AI 模型它必须与 Anthropic 的云端 API 通信。这一层是工程稳健性的关键。我们将分析请求构造插件如何将编辑器中的代码片段、文件路径、用户指令、系统提示词System Prompt组装成一个符合 Claude API 格式的请求。这里涉及复杂的上下文窗口管理——如何从当前文件、打开的文件、项目根目录中智能地选取最相关的代码作为上下文并确保不超过模型的 Token 限制。流式响应处理Claude Code 的回答是逐字输出的这提供了极佳的实时体验。插件是如何处理这种 Server-Sent Events (SSE) 流式数据的如何在中途取消如何将流式的文本片段实时渲染到编辑器的特定 UI 组件如内联聊天框中错误处理与重试网络波动、API 限流、模型过载……这些在生产中司空见惯。插件的错误处理机制是否健壮是否有指数退避的重试策略如何向用户友好地展示错误信息而不是一堆崩溃的调用栈认证与安全用户的 API Key 是如何被安全存储和使用的插件是否支持配置自定义的 API 端点这对于企业部署或使用代理的用户很重要2.3 核心工作流引擎从用户意图到代码变更这是 Claude Code 的“大脑”所在。当用户说“修复这个错误”或“为这个函数添加注释”时背后触发了一系列复杂的决策和执行流程。我们需要拆解这个工作流意图识别与任务分发用户的一个简单指令可能对应多种底层操作。例如“解释这段代码”可能只需要调用一次模型完成文本生成而“运行这个脚本并告诉我输出”则需要模型生成代码然后插件调用本地终端执行。插件如何解析用户指令并将其分发给不同的“技能”Skill或“工具”Tool工具调用Tool Calling集成这是现代 AI Agent 的核心能力。Claude Code 很可能利用 Claude 模型对工具调用的原生支持。插件需要预定义一套工具比如read_file,write_file,execute_shell_command,search_symbol等。当模型认为需要时它会输出一个结构化的工具调用请求插件捕获这个请求执行对应的本地操作如读取文件内容再将结果作为新的上下文送回给模型让模型继续推理。我们将深入分析这套“模型-工具”交互的循环机制。代码操作与编辑器集成模型最终生成的代码建议如何应用到用户的真实项目中是生成一个 diff 补丁让用户确认还是直接在当前光标处插入或者创建一个新的临时文件这里涉及 VSCode 编辑器的文本操作 APITextEditorEdit的精细使用以及如何优雅地处理代码冲突比如在模型生成建议的同时用户自己也修改了代码。2.4 上下文管理与优化让 AI 拥有“超强记忆力”对于代码助手来说上下文就是它的“眼睛”。给它的上下文质量直接决定了回答的质量。Claude Code 在这方面做了大量工程优化智能文件检索当用户提问时插件不会傻傻地把整个项目几万行代码都塞给模型。它会根据用户光标位置、打开的文件、错误栈信息、以及问题中的关键词动态地检索最相关的文件片段。这背后可能使用了向量检索Embedding技术也可能是基于文件路径、导入关系的启发式规则。我们将探讨其可能的实现策略。对话历史压缩长时间的对话会积累大量历史消息消耗宝贵的上下文窗口。Claude Code 如何管理历史是简单的 FIFO先进先出丢弃还是会对历史进行摘要Summarization只保留核心决策点这对于进行多轮复杂重构任务至关重要。系统提示词工程系统提示词是模型的“人格设定”和“行为准则”。Claude Code 的系统提示词一定非常复杂它定义了助手的角色专业的软件工程师、代码风格偏好、安全限制禁止执行危险命令、输出格式要求等。我们可以通过逆向工程或网络抓包在合规前提下来窥探其提示词的精妙设计这是提升我们自己构建的 Agent 能力的宝贵资料。2.5 技能Skill系统剖析可扩展的能力单元“技能”可能是 Claude Code 实现功能模块化的关键。一个技能Skill对应一类特定的代码任务比如“代码解释”、“生成单元测试”、“性能分析”、“数据库查询生成”等。每个技能可能包含专属的系统提示词片段指导模型专注于该任务。预设的工具组合例如性能分析技能可能需要execute_command来运行 profiling 工具。特定的后处理逻辑对模型的输出进行格式化或验证。分析这个技能系统能让我们理解如何设计一个可插拔、易扩展的 AI 助手架构。未来如果你想为 Claude Code 添加一个“绘制架构图”的新技能应该从哪里入手3. 从 Claude Code 看 AI 工程实践的关键挑战通过解析 Claude Code我们实际上是在学习顶尖团队如何应对 AI 产品化过程中的共性挑战。这些挑战也是任何想要从事 Agent 开发或 AI 工程的同学必须面对的。3.1 延迟、成本与用户体验的平衡AI 模型的 API 调用有延迟且按 Token 收费。Claude Code 如何在提供强大功能的同时控制成本并保证交互的流畅性缓存策略对于常见的、确定性的操作比如获取项目文件树结果是否被缓存响应优化流式响应是减少“感知延迟”的关键。此外是否有一些轻量级操作如语法高亮、简单的代码补全是在本地完成的无需调用大模型Token 预算管理每个请求的上下文 Token 数是否有上限如何优先保证最重要的信息如当前错误信息被包含在内3.2 安全性在强大与危险之间走钢丝允许 AI 在本地读取、写入、执行代码这无异于授予了它很高的权限。Claude Code 如何保障用户系统的安全沙箱环境执行 shell 命令或 Python 脚本时是否在容器或沙箱中运行如何限制其对文件系统和网络的访问危险命令过滤模型可能会被诱导生成rm -rf /或下载恶意脚本的命令。插件层是否有第二道过滤网是简单的关键词黑名单还是更复杂的模式匹配用户确认机制对于写文件、安装依赖等高风险操作是否强制要求用户点击确认这个确认的粒度是如何设计的3.3 可观测性与调试当 AI 出错时怎么办传统软件出错会抛异常、有日志。AI 驱动的应用“出错”可能更隐蔽它给出了一个逻辑正确但风格糟糕的代码或者它完美解决了一个问题但用的方法完全不是你想要的。如何调试完整的交互日志Claude Code 是否记录了每一轮的用户输入、模型输出、工具调用请求和结果这些日志是否以某种形式对用户可见比如一个“调试视图”让用户能回溯 AI 的“思考过程”反馈机制用户如何对不满意的回答提供反馈是简单的“点赞/点踩”还是可以更具体地指出问题所在这些反馈数据如何被收集并用于改进系统4. 如何跟随本系列进行实践这个系列不会是干巴巴的代码罗列。我的目标是“深度解析”意味着我会展示关键代码片段我会截取我认为最能体现设计思想的源码部分基于公开或反编译的插件代码在合法合规的前提下并附上详细的注释。绘制架构示意图用文字和简单的 ASCII 图表来说明模块间的交互和数据流。提出假设并验证对于闭源部分我会基于其外部行为、官方文档和 AI 工程常识提出合理的实现假设并讨论不同设计选择的权衡。引申到通用实践在每一个具体技术点之后我都会讨论“如果我们要自己实现一个类似功能有哪些方案各自的优缺点是什么”提供思考题在每篇文章的末尾我可能会留一两个开放性问题鼓励大家结合自己的项目进行思考和实践。你需要准备的不是去下载某个神秘的“Claude Code 源码包”其核心部分并不开源而是一颗充满好奇心的头脑以及一些基础的开发知识对 VSCode 插件开发有个概念了解 REST API 和 WebSocket熟悉一种编程语言如 TypeScript/Python。即使你不打算亲手造轮子理解这些设计也能极大提升你作为 AI 工具高级用户和决策者的能力。5. 解析的边界与伦理考量在开始之前我们必须明确边界。首先尊重知识产权和服务条款。我们的解析将严格基于公开可获得的资料、官方文档以及通过合法合规方式观察到的行为。不会涉及任何逆向工程破解、盗用 API 或侵犯商业秘密的行为。我们的目的是学习和启发而不是复制或破坏。其次聚焦于工程思想。模型本身的训练数据、参数细节是 Anthropic 的核心资产那不是我们关注的重点。我们关注的是“如何用好模型”即工程化、产品化的那一层。这是目前 AI 应用领域最稀缺、也最值得分享的知识。最后保持建设性视角。我们解析 Claude Code不是为了挑刺而是为了欣赏一个优秀产品背后的设计智慧并将这些智慧应用到我们自己的工作中去。过程中如果发现一些值得商榷的设计点我们也会以技术探讨的方式提出并思考更好的解决方案。这个系列会很长也会很深。我无法承诺每周更新但保证每一篇都会充满干货都是我反复研究和思考的产物。如果你对 AI 与代码的结合、对 Agent 开发、对工程化落地感兴趣那么欢迎你和我一起开启这段拆解“魔法”的旅程。让我们从崇拜工具走向理解工具最终创造属于我们自己的、更强大的工具。 Claude Code源码解析：从AI代码助手到工程化Agent的架构设计
1. 为什么我们要拆解 Claude Code从“黑盒”到“白盒”的工程思维转变最近AI 领域最让我兴奋的不是某个新发布的千亿参数大模型而是一个看起来“平平无奇”的代码解释器——Claude Code。如果你也和我一样每天在 VSCode 里和代码打交道那你肯定已经感受到了它的冲击。它不再是那个只会回答你“如何写一个排序函数”的聊天机器人而是能直接在你的项目里理解上下文分析错误甚至帮你重构代码的“结对编程伙伴”。但问题来了当我把一个复杂的、满是历史债务的工程文件丢给它它流畅地给出修改建议时我内心除了惊喜更多的是一个问号它到底是怎么做到的这就是我决定开启这个“Claude Code 源码深度解析”系列的根本原因。我们早已习惯了将 AI 工具当作“黑盒”输入问题得到答案过程如同魔法。对于普通用户这或许足够。但对于开发者尤其是那些希望将 AI 能力深度集成到自己产品、工作流甚至是想基于此构建更强大 Agent 的工程师来说停留在“黑盒”层面是远远不够的。知其然更要知其所以然。理解 Claude Code 的内部机制意味着我们能更精准地使用它知道它的能力边界在哪里什么任务它擅长比如代码理解和局部重构什么任务它可能力不从心比如需要全局架构视野的重设计。避免产生不切实际的期望也避免在它不擅长的领域浪费时间。更有效地调试与排错当 Claude Code 给出了一个看似合理但实际运行会崩溃的代码建议时如果你了解其底层是如何分析代码上下文、如何调用模型 API 的你就能更快地定位问题——是上下文窗口限制导致它漏看了关键文件还是它对某些特定框架的语法理解有偏差进行定制化与扩展这是最吸引我的部分。Claude Code 本身是一个优秀的“参考实现”。通过解析其源码我们可以学习到一套成熟的、将大语言模型LLM与代码编辑器深度集成的工程范式。如何设计工具调用Tool Calling的流程如何管理对话历史和上下文如何安全地执行代码理解了这些你就能为自己的团队定制专属的代码助手或者开发面向特定领域如硬件描述语言、数据管道配置的 AI Agent。网络上关于 Claude Code 的讨论大多集中在“如何安装”、“基础使用技巧”或“与 Copilot 对比”上。这些内容当然有价值但它们更像是“用户手册”。我们这个系列的目标是成为它的“维修手册”和“设计蓝图”。我们将一起打开这个“黑盒”看看里面的齿轮是如何咬合的电路是如何连接的。2. 解析之旅的路线图我们将深入哪些核心模块为了不让这次源码探索变成漫无目的的游荡我基于对 Claude Code 公开信息、插件结构以及 AI 工程最佳实践的了解规划了以下几个核心的解析方向。请注意由于 Claude Code 本身并非完全开源其核心模型服务是闭源的我们的“源码解析”主要聚焦在其客户端插件部分、公开的架构设计以及我们能推断出的工程模式上。我们会像侦探一样从公开的线索插件源码、API 文档、官方博客中拼凑出完整的图景。2.1 客户端插件架构连接 VSCode 与 AI 的桥梁Claude Code 首先是一个 VSCode 插件。这是所有魔法的起点。我们将深入它的package.json、激活入口、贡献点Contribution Points配置理解它如何将自己嵌入到 VSCode 的 UI 和命令系统中。你会看到它如何注册侧边栏、自定义编辑器装饰、响应特定的代码选择或错误点击事件。这部分是相对“标准”的插件工程但它是所有高级功能的基础。一个关键细节是插件如何管理自身的状态例如当前对话的历史、正在处理的任务 ID、用户的偏好设置等。是存储在 VSCode 的全局状态GlobalState里还是本地文件里这关系到会话的持久化和多窗口协作。2.2 通信层与 API 封装安全、高效地与云端对话插件本身不包含 AI 模型它必须与 Anthropic 的云端 API 通信。这一层是工程稳健性的关键。我们将分析请求构造插件如何将编辑器中的代码片段、文件路径、用户指令、系统提示词System Prompt组装成一个符合 Claude API 格式的请求。这里涉及复杂的上下文窗口管理——如何从当前文件、打开的文件、项目根目录中智能地选取最相关的代码作为上下文并确保不超过模型的 Token 限制。流式响应处理Claude Code 的回答是逐字输出的这提供了极佳的实时体验。插件是如何处理这种 Server-Sent Events (SSE) 流式数据的如何在中途取消如何将流式的文本片段实时渲染到编辑器的特定 UI 组件如内联聊天框中错误处理与重试网络波动、API 限流、模型过载……这些在生产中司空见惯。插件的错误处理机制是否健壮是否有指数退避的重试策略如何向用户友好地展示错误信息而不是一堆崩溃的调用栈认证与安全用户的 API Key 是如何被安全存储和使用的插件是否支持配置自定义的 API 端点这对于企业部署或使用代理的用户很重要2.3 核心工作流引擎从用户意图到代码变更这是 Claude Code 的“大脑”所在。当用户说“修复这个错误”或“为这个函数添加注释”时背后触发了一系列复杂的决策和执行流程。我们需要拆解这个工作流意图识别与任务分发用户的一个简单指令可能对应多种底层操作。例如“解释这段代码”可能只需要调用一次模型完成文本生成而“运行这个脚本并告诉我输出”则需要模型生成代码然后插件调用本地终端执行。插件如何解析用户指令并将其分发给不同的“技能”Skill或“工具”Tool工具调用Tool Calling集成这是现代 AI Agent 的核心能力。Claude Code 很可能利用 Claude 模型对工具调用的原生支持。插件需要预定义一套工具比如read_file,write_file,execute_shell_command,search_symbol等。当模型认为需要时它会输出一个结构化的工具调用请求插件捕获这个请求执行对应的本地操作如读取文件内容再将结果作为新的上下文送回给模型让模型继续推理。我们将深入分析这套“模型-工具”交互的循环机制。代码操作与编辑器集成模型最终生成的代码建议如何应用到用户的真实项目中是生成一个 diff 补丁让用户确认还是直接在当前光标处插入或者创建一个新的临时文件这里涉及 VSCode 编辑器的文本操作 APITextEditorEdit的精细使用以及如何优雅地处理代码冲突比如在模型生成建议的同时用户自己也修改了代码。2.4 上下文管理与优化让 AI 拥有“超强记忆力”对于代码助手来说上下文就是它的“眼睛”。给它的上下文质量直接决定了回答的质量。Claude Code 在这方面做了大量工程优化智能文件检索当用户提问时插件不会傻傻地把整个项目几万行代码都塞给模型。它会根据用户光标位置、打开的文件、错误栈信息、以及问题中的关键词动态地检索最相关的文件片段。这背后可能使用了向量检索Embedding技术也可能是基于文件路径、导入关系的启发式规则。我们将探讨其可能的实现策略。对话历史压缩长时间的对话会积累大量历史消息消耗宝贵的上下文窗口。Claude Code 如何管理历史是简单的 FIFO先进先出丢弃还是会对历史进行摘要Summarization只保留核心决策点这对于进行多轮复杂重构任务至关重要。系统提示词工程系统提示词是模型的“人格设定”和“行为准则”。Claude Code 的系统提示词一定非常复杂它定义了助手的角色专业的软件工程师、代码风格偏好、安全限制禁止执行危险命令、输出格式要求等。我们可以通过逆向工程或网络抓包在合规前提下来窥探其提示词的精妙设计这是提升我们自己构建的 Agent 能力的宝贵资料。2.5 技能Skill系统剖析可扩展的能力单元“技能”可能是 Claude Code 实现功能模块化的关键。一个技能Skill对应一类特定的代码任务比如“代码解释”、“生成单元测试”、“性能分析”、“数据库查询生成”等。每个技能可能包含专属的系统提示词片段指导模型专注于该任务。预设的工具组合例如性能分析技能可能需要execute_command来运行 profiling 工具。特定的后处理逻辑对模型的输出进行格式化或验证。分析这个技能系统能让我们理解如何设计一个可插拔、易扩展的 AI 助手架构。未来如果你想为 Claude Code 添加一个“绘制架构图”的新技能应该从哪里入手3. 从 Claude Code 看 AI 工程实践的关键挑战通过解析 Claude Code我们实际上是在学习顶尖团队如何应对 AI 产品化过程中的共性挑战。这些挑战也是任何想要从事 Agent 开发或 AI 工程的同学必须面对的。3.1 延迟、成本与用户体验的平衡AI 模型的 API 调用有延迟且按 Token 收费。Claude Code 如何在提供强大功能的同时控制成本并保证交互的流畅性缓存策略对于常见的、确定性的操作比如获取项目文件树结果是否被缓存响应优化流式响应是减少“感知延迟”的关键。此外是否有一些轻量级操作如语法高亮、简单的代码补全是在本地完成的无需调用大模型Token 预算管理每个请求的上下文 Token 数是否有上限如何优先保证最重要的信息如当前错误信息被包含在内3.2 安全性在强大与危险之间走钢丝允许 AI 在本地读取、写入、执行代码这无异于授予了它很高的权限。Claude Code 如何保障用户系统的安全沙箱环境执行 shell 命令或 Python 脚本时是否在容器或沙箱中运行如何限制其对文件系统和网络的访问危险命令过滤模型可能会被诱导生成rm -rf /或下载恶意脚本的命令。插件层是否有第二道过滤网是简单的关键词黑名单还是更复杂的模式匹配用户确认机制对于写文件、安装依赖等高风险操作是否强制要求用户点击确认这个确认的粒度是如何设计的3.3 可观测性与调试当 AI 出错时怎么办传统软件出错会抛异常、有日志。AI 驱动的应用“出错”可能更隐蔽它给出了一个逻辑正确但风格糟糕的代码或者它完美解决了一个问题但用的方法完全不是你想要的。如何调试完整的交互日志Claude Code 是否记录了每一轮的用户输入、模型输出、工具调用请求和结果这些日志是否以某种形式对用户可见比如一个“调试视图”让用户能回溯 AI 的“思考过程”反馈机制用户如何对不满意的回答提供反馈是简单的“点赞/点踩”还是可以更具体地指出问题所在这些反馈数据如何被收集并用于改进系统4. 如何跟随本系列进行实践这个系列不会是干巴巴的代码罗列。我的目标是“深度解析”意味着我会展示关键代码片段我会截取我认为最能体现设计思想的源码部分基于公开或反编译的插件代码在合法合规的前提下并附上详细的注释。绘制架构示意图用文字和简单的 ASCII 图表来说明模块间的交互和数据流。提出假设并验证对于闭源部分我会基于其外部行为、官方文档和 AI 工程常识提出合理的实现假设并讨论不同设计选择的权衡。引申到通用实践在每一个具体技术点之后我都会讨论“如果我们要自己实现一个类似功能有哪些方案各自的优缺点是什么”提供思考题在每篇文章的末尾我可能会留一两个开放性问题鼓励大家结合自己的项目进行思考和实践。你需要准备的不是去下载某个神秘的“Claude Code 源码包”其核心部分并不开源而是一颗充满好奇心的头脑以及一些基础的开发知识对 VSCode 插件开发有个概念了解 REST API 和 WebSocket熟悉一种编程语言如 TypeScript/Python。即使你不打算亲手造轮子理解这些设计也能极大提升你作为 AI 工具高级用户和决策者的能力。5. 解析的边界与伦理考量在开始之前我们必须明确边界。首先尊重知识产权和服务条款。我们的解析将严格基于公开可获得的资料、官方文档以及通过合法合规方式观察到的行为。不会涉及任何逆向工程破解、盗用 API 或侵犯商业秘密的行为。我们的目的是学习和启发而不是复制或破坏。其次聚焦于工程思想。模型本身的训练数据、参数细节是 Anthropic 的核心资产那不是我们关注的重点。我们关注的是“如何用好模型”即工程化、产品化的那一层。这是目前 AI 应用领域最稀缺、也最值得分享的知识。最后保持建设性视角。我们解析 Claude Code不是为了挑刺而是为了欣赏一个优秀产品背后的设计智慧并将这些智慧应用到我们自己的工作中去。过程中如果发现一些值得商榷的设计点我们也会以技术探讨的方式提出并思考更好的解决方案。这个系列会很长也会很深。我无法承诺每周更新但保证每一篇都会充满干货都是我反复研究和思考的产物。如果你对 AI 与代码的结合、对 Agent 开发、对工程化落地感兴趣那么欢迎你和我一起开启这段拆解“魔法”的旅程。让我们从崇拜工具走向理解工具最终创造属于我们自己的、更强大的工具。