Claude Code 洩漏事件解析：一窺 Anthropic 的 AI Agent 核心藍圖

在 2026 年 3 月 31 日，AI 開發者社群迎來了一顆震撼彈：Anthropic 在發布 @anthropic-ai/claude-code v2.1.88 版本的 npm 套件時，意外打包了一個高達 59.8 MB 的 JavaScript Source Map (.map) 檔案。這個看似微小的發布失誤，讓外界得以還原出超過 50 萬行的 TypeScript 原始碼。

這並非是一次遭駭客攻擊的資安外洩，而是純粹的「人為打包錯誤」。然而，對於密切關注 AI 應用開發的工程師而言，這無疑是免費公開了當今最頂尖的 高階 AI Agent 架構藍圖（Blueprint）。

Claude Code 從來就不只是把 API 包裝成 CLI 工具這麼簡單。在這次的程式碼洩漏中，我們得以一窺其背後被稱為「Harness」的框架，究竟藏著哪些祕密？

秘密一：終結單一 Prompt，迎接動態重組矩陣

許多開發者在打造自己的 AI Agent 時，習慣寫死一個落落長的「系統提示詞（System Prompt）」。但 Claude Code 完全捨棄了這種做法。

洩漏的程式碼顯示，Claude Code 會根據當前的任務狀態（State）與選定模式（例如：Plan、Explore、Delegate），動態組裝數十種微型 Prompt Fragment。

當你要 Claude Code 執行一個複雜的 Refactor 任務時，它不是把所有的規則一次丟給模型，而是將 Prompt 視為一組「積木」，在每個推論步驟（Inference Step）之前，即時生成出當下最合適的組合。這大幅度降低了 LLM「注意力渙散（Attention Span Drop）」的機率。

秘密二：嚴謹的 6 層提示詞堆疊架構

這次最令業界驚豔的設計，是 Claude Code 維繫運作的「六層 Context 堆疊（The Six-Layer Prompt Stack）」：

1. System Prompt (核心定義)：規範 Agent 的基本身分與破壞性行為防護。
2. Tool Definitions (工具定義)：提供 Bash、Write、TodoWrite 等指令的嚴謹 JSON Schema。
3. Runtime Instructions (運行環境)：目前機器的權限邊界限制與環境變數。
4. Project Context (專案脈絡)：讀取 CLAUDE.md 或者開發者給予的長期指導原則。
5. Conversation History (歷史對話)：經過壓縮、過濾的工具調用紀錄與輸出。
6. User Input (當前指令)：使用者最即時的要求。

更令人意外的是，Anthropic 選擇將這個 Prompt 組裝引擎寫在 Client 端（也就是使用者的終端機內），而不是 Server 端。這種讓 Client 掌握拼裝邏輯的做法也是這次 Leak 能夠看得如此清晰的原因。

秘密三：「臥底模式」與背景作業代理人

在洩漏的程式碼中，開發者還挖出了幾個極具啟發性的進階機制：

• 臥底模式 (Undercover Mode)：這是一個防止 AI「自曝身分」的巧妙設計。它強制 Claude 在撰寫 Git Commit 或是產生公開對外的技術文件時，必須剝離掉具有 AI 特徵的詞彙（像是 “As an AI…”）或是 Anthropic 內部的代號，讓產出的程式碼與紀錄看起來完全像是人類工程師的手筆。
• 多層次記憶體 (Multi-layered Memory)：Claude Code 具有在 MEMORY.md 檔中儲存短期與長期經驗的能力。甚至有段尚未完全啟用的 autoDream 邏輯，暗示未來 AI 代理人可能在終端機閒置時，自己於背景進行記憶重組與最佳化。
• 委派代理 (Delegator & Worker)：程式碼展示了成熟的多代理人（Multi-agent）工作流邏輯 —— 一個主 Agent 可以派更小、只有受限工具權限的「Worker Agent」去處理單一代碼的繁瑣修改，然後再收斂結果。

對開發者的啟示

Claude Code 的程式碼外洩雖然讓 Anthropic 損失了部分商業機密，但卻等於幫全球的 AI 開發者上了一堂免費的「企業級 Agent 系統設計大師課」。

這次事件證明了，打造具備高度自治性（High-agency）的 AI 產品，關鍵早已不在於模型本身有多聰明，而是你如何設計一套強大的「Harness 控制框架」，負責精準的 Prompt 組裝、權限守門與錯誤恢復。

當你下一次因為你的 AI Agent 不聽話而苦惱時，或許可以參考 Claude Code 的六層 Prompt 堆疊，重新設計你的框架。這就是 AI 驅動軟體工程的下一個標準姿勢。