目录前言1. 普通 AI 聊天 vs 智能体四个维度的本质差异1.1 四维对比表1.2 直观比喻问路人 vs 代驾2. LLM Loopcc 如何自主读代码、改代码、跑命令2.1 对话式 AI 的工作方式2.2 cc 的工作方式2.3 LLM Loop 带来的三个能力跃迁3. Agentic Searchcc 怎么读懂整个代码库3.1 Agentic Search 的工作方式3.2 与传统 RAG 检索的本质区别4. Harness 体系脚手架比模型更重要4.1 什么是 Harness4.2 Harness 的 7 层扩展点4.3 一个重要提醒顺序重要5. cc 跟传统 Copilot 的本质区别5.1 Copilot 是补全引擎cc 是执行代理5.2 上下文获取方式不同5.3 工作模式不同5.4 可控性不同结语参考资料前言如果你用过 ChatGPT 网页版再用 Claude Code后文简称 cc你会在前 5 分钟内感受到一个根本性的差异在 ChatGPT 里你是提问者AI 是答题者在 cc 里你是委托人AI 是执行者。这个差异不只是产品形态的区别背后是一整套AI Loop 机制 Harness 工程的范式升级。这篇要回答三个问题普通 AI 聊天和 Agent 到底差在哪cc 的自主循环是怎么工作的为什么说脚手架比模型更重要理解了这些你才能真正把 cc 用出 Agent 的威力而不是停留在高级版 ChatGPT的水平。1. 普通 AI 聊天 vs 智能体四个维度的本质差异AI 聊天和AI 智能体经常被混为一谈但它们在行为、能力、主动性、记忆四个维度上有质的区别。1.1 四维对比表维度普通 AI 聊天智能体Agent行为你问一句它答一句你说一个目标它自己规划并执行多个步骤能力只能生成文字能读写文件、运行命令、搜索代码、调用工具主动性被动回答主动规划、主动发现问题记忆仅限当前对话可以有长期记忆CLAUDE.md、Skills 等比喻百科全书实习生程序员最关键的区别在能力和主动性两栏。普通 AI 聊天只能给你文字回复你必须自己把代码复制到项目里、自己跑命令、自己看报错Agent 能直接操作你的电脑在你授权下修改文件、运行命令、安装依赖——它有手而普通 AI 聊天只有嘴。主动性的区别同样关键。普通 AI 聊天是你问什么它答什么你不说它就沉默Agent 拿到一个目标后会自己拆解成子任务、自己找需要修改的文件、自己写代码、跑测试、发现 bug、改 bug——一直循环到任务完成。1.2 直观比喻问路人 vs 代驾一个更直观的比喻ChatGPT 像你问路人怎么去某个地方路人会告诉你路线但你得自己走Claude Code 像你请了一个代驾你只说目的地代驾自己开车到。这个比喻的精髓在于主动权的转移。在 ChatGPT 里主动权永远在你手里——你不问它不动在 cc 里你交出的是目标AI 拿走的是过程。2. LLM Loopcc 如何自主读代码、改代码、跑命令cc 之所以能成为 Agent 而不是聊天框核心在于一套叫LLM Loop大模型循环的机制。2.1 对话式 AI 的工作方式在 ChatGPT / Claude.ai 这种对话式 AI 里工作流是这样的你问一句 → AI 答一句 → 结束。如果答案不满意你再问一次。主动权一直在你手里AI 只是个高级回答机器。2.2 cc 的工作方式cc 的工作流完全不一样你下达一个目标 → cc 自己拆解步骤 → 自己调用工具 → 看结果 → 决定下一步 → 再调用工具 → ……一直循环到任务完成。主动权交给了 AI。这个不断思考-行动-观察-再思考的循环就叫LLM Loop。你给一个目标 ↓ 思考制定下一步计划 ↓ 行动调用工具/执行命令 ↓ 观察读取执行结果 ↓ 任务完成─否─→ 回到思考 ↓是 交付结果2.3 LLM Loop 带来的三个能力跃迁第一处理模糊目标。你可以给 cc 一个帮我做一个番茄钟这样的高层目标cc 会自己拆解成创建项目、装依赖、写组件、加样式、接计时器 API、写测试。第二自我纠错。cc 在执行过程中会自己读错误信息——某条命令报错了它会读报错内容调整方案再试。这和普通 AI 聊天你报错给它看它给你建议是完全不同的。第三不一定每步都问你。cc 在执行过程中会自主决策不会每个动作都打断你。这是它看起来很高效的原因也是它偶尔会撒丫子跑偏的原因——所以在它开跑前你要给好上下文CLAUDE.md、Skills、计划。cc 是一整套程序模型的组合底层的大模型其实可以替换——这也是为什么我们能用 DeepSeek、千问、GLM 等国产模型来驱动 cc。是这套 Loop 机制 Harness 工程让 cc 比单纯的对话式 AI 强大得多。3. Agentic Searchcc 怎么读懂整个代码库很多人对 cc 有个误解以为它会像其他 AI 工具一样需要先把项目代码上传到服务器建立索引。事实上cc 不需要任何预先的代码库索引。官方把这种机制叫做Agentic Search智能体式检索。3.1 Agentic Search 的工作方式Agentic Search 的工作方式和一个新人工程师冷启动一个项目完全一样你的需求 ↓ 浏览目录结构ls / find ↓ 读取关键文件cat / read ↓ 用 grep 搜索代码 ↓ 跟进引用/调用关系 ↓ 在本地理解代码 ↓ 执行任务cc 不会一次性把整个代码库塞进脑子里——它会按需读取像一个经验丰富的工程师那样先看目录结构、找关键文件、读相关代码、跟引用关系、按需深入。3.2 与传统 RAG 检索的本质区别维度传统 RAG 检索cc 的 Agentic Search工作方式预先嵌入整个代码库为向量查询时按相似度拼凑现场读文件、grep、追引用需要服务器索引需要且需持续维护不需要代码变动处理索引过期可能返回已删除或重命名的代码始终读取实时代码代码上传通常需要预先上传或建立索引不需要预先上传/索引整个代码库但被读取进上下文的片段仍会发送给模型服务适合场景老项目、不变代码库活跃开发中的项目、百万行 monorepo这意味着 cc天生适合活跃代码库——它不依赖一份可能过期的预建索引也不需要 IT 部门部署向量数据库。但它读取到的相关文件内容仍会作为上下文发送给模型服务所以处理敏感代码时依然要遵守公司安全规范。4. Harness 体系脚手架比模型更重要如果你问 Anthropic 官方cc 为什么这么强他们会反复强调一个观点决定 cc 表现的不只是背后的模型还有围绕模型搭建的脚手架 Harness。4.1 什么是 HarnessHarness脚手架是指模型之外的所有工程化能力——上下文管理、工具调用、规则约束、子任务分发等等。一个粗略的公式是实际能力 模型能力 × Harness 质量。模型能力是地板Harness 质量才是天花板。模型能力决定下限项目上下文、工具权限、规则文件和工作流决定上限。实际生产中围绕模型搭建的工具生态会显著影响最终表现。4.2 Harness 的 7 层扩展点Anthropic 官方在 2026 年 5 月的企业级指南中把 cc 的工程化能力抽象成 7 个扩展点。建议按从底到顶的顺序理解——先打好上下文和规则基础再接入更复杂的外部工具层组件作用加载时机①CLAUDE.md项目上下文文件项目背景、约定、禁区每次会话自动加载②Hooks会话生命周期钩子启动/结束/文件写入等事件事件触发③Skills可复用的任务方法论如代码审查“部署”按需加载④Plugins打包一整套 Skills Hooks MCP 配置装上后始终生效⑤LSP语言服务器给 AI 装上跳到定义/查找引用等 IDE 级导航始终生效⑥MCP 服务器打通 cc 与外部工具数据库、文档、票务系统始终生效⑦Subagents子代理独立上下文窗口的 cc 实例只返回结论任务发出时创建前 3 层是纪律——项目上下文、规则钩子、专业知识后 4 层是武器——包分发、IDE 能力、外部工具、子代理。4.3 一个重要提醒顺序重要初学者不要在基础还没搭好时就急着上 MCP 或 Subagents。先把CLAUDE.md、Hooks、Skills这三层基本功做扎实再说。这个顺序和软件工程的先写单元测试再做微服务是同一个道理。5. cc 跟传统 Copilot 的本质区别很多人会把 cc 和 GitHub Copilot 归为同一类工具但它们的差异比命令行版 vs 插件版要深刻得多。5.1 Copilot 是补全引擎cc 是执行代理GitHub Copilot 的核心是代码补全——你写一行注释或函数签名它帮你补全后面的代码。它的本质是高级版的代码提示主动权永远在你手里AI 只是补全你的输入。cc 的核心是任务执行——你描述一个目标它自己规划、自己动手、自己验证。它的本质是远程程序员你把任务委派给它它自己完成。打个比方Copilot 像是你打字时的输入法联想你打今天天它提示气真好cc 像是你雇的助理你说帮我订明天去上海的机票它自己去查航班、比价格、订票、确认。5.2 上下文获取方式不同Copilot 只能看到当前文件 少量上下文——它是个近视眼看不到整个项目的全貌。cc 通过 Agentic Search 能看到整个代码库——它是个能跑遍全公司的巡视员。这个差异决定了它们能解决的不同问题Copilot 适合补全一个函数、“写一段测试这种局部任务cc 适合重构整个模块”、实现一个完整功能这种全局任务。5.3 工作模式不同Copilot 是被动响应——你不打字它不工作。cc 是主动推进——你给了目标后它会主动拆解任务、主动调用工具、主动验证结果。Copilot 的工作流是单步的补全 → 你接受或拒绝 → 结束。cc 的工作流是循环的思考 → 行动 → 观察 → 反思 → 再行动 → ……直到任务完成。5.4 可控性不同Copilot 几乎不可控——它的行为完全由 IDE 中的输入决定。cc 有完整的权限控制、规则文件、子代理机制——你可以精细地控制它能做什么、不能做什么。结语这一篇帮你建立了对 Claude Code 的工程化认知它不只是个命令行版的 AI 聊天工具而是一套LLM Loop Harness组合出来的自主执行系统。普通 AI 聊天是问答机器cc 是远程工程师普通 AI 看代码靠塞上下文cc 靠现场读取 引用追踪普通 AI 靠模型能力cc 靠模型 × Harness 的乘积。理解了这些你在使用 cc 时就不会再犯以为它什么都懂的错误——你会主动配置 CLAUDE.md、主动用 Skills 沉淀经验、主动用 Hooks 管住它的行为把 cc 当作一个需要被管理的实习生而不是无所不能的神。参考资料1 https://www.bilibili.com/video/BV1RPET6tEp22 https://claude.ai/