Anthropic 为 Claude Code 加入了一项名为 Code Mode 的实验功能,它改变了这款编程智能体使用工具的方式。Claude 不再逐个调用工具、逐条阅读结果,而是编写 JavaScript,在一步之内调用多个工具,用代码处理结果,只把筛选后的输出交还给模型。在一次共八轮的测试中,同一模型的输入 token(模型读取并据以计费的文本单位)用量为常规模式的 53%,运行成本约为常规模式的 71%。该功能默认关闭,Anthropic 也说明,其语法和默认行为可能发生变化。

逐个调用工具为什么越来越贵

harness 是包裹在模型外层的软件,负责把模型与工具和执行环境连接起来。传统 harness 运行的是一个循环:模型读取文件、编辑文件、执行 bash 命令、抓取网页,如此反复,直到它判断任务完成。每一次结果都会进入上下文窗口,也就是模型每一轮都要读取的工作记忆。

这种循环处理简单任务很顺手。但遇到复杂的多步骤工作就显得低效,尤其是智能体接入大量工具,或接入各自暴露数十个函数的 MCP 服务器时。MCP 即 Model Context Protocol(模型上下文协议),是把模型接入外部服务的一种标准方式。

设想一个智能体先从 Stripe 拉取记录,再从 Cloudflare 拉取指标,然后把两者交给第三个工具。每一份中间数据都会落进上下文窗口,而模型在之后的每一轮都要把这份不断变长的记录从头再读一遍。提示词缓存按标准费率的 10% 对重复输入计费,可以缓解成本压力。即便如此,庞大的原始数据仍会带来毫无意义的开销,并拉低模型的推理质量。

另一条路是让模型自己写逻辑,把一个工具的输出直接送进下一个工具的输入,中间数据根本不进入上下文窗口。模型不再充当逐轮转发的路由器,而是成为编排工具的程序员。

左:纸堆在三台机器和一个机器人之间传递。右:机器在玻璃房内相连,只送出一个包裹

▲ 原始工具输出与筛选后结果的对比

从单个 MCP 服务器到整个 harness

这个思路已有一年多的历史。Cloudflare 的一篇文章让它广为人知,文中指出,开发者一直在低效地使用 MCP:把庞大的工具 schema 直接暴露给模型。Cloudflare 自家的 API 涵盖约 2,600 个工具。它没有加载全部定义,而是把接口精简为两个工具:search 让 Claude 查找所需的端点,execute 则在安全的服务器端沙箱中运行 Claude 编写的 TypeScript。

方式 暴露的工具数 工具定义占用的 token
完整 schema 约 2,600 1,170,523
search 与 execute 2 1,069

降幅达 99.8%。Datadog 也采用了类似模式,用在沙箱中执行查询的代码执行工具,取代了许多专用的 MCP 端点。

服务器端的 code mode 有其局限:它只能解决单个服务商 MCP 服务器内部的工具膨胀问题。要在一个脚本里把 Stripe、PostHog 和 Supabase 串起来,就需要客户端的执行层。在 Claude Code 提供这一能力之前,开发者使用 Executor.sh 这类 MCP 网关:它对外呈现为一个带有统一 search 和 execute 工具的 MCP 服务器,并在同一个运行时中针对所有已连接的 API 运行脚本。例如,一个自托管的 Executor.sh 实例管理着 33 个 MCP 集成,并按客服、工程和财务团队划分为不同的权限包。

Code Mode 把这一模式从 MCP 延伸到 Claude Code 自身的工具:文件读取、文件写入、编辑和 bash。Codex、OpenCode、Pi 和 Prime Agent 中也出现了这一做法的变体。它契合一个更大的趋势,有时被概括为“模型吞掉 harness”,即模型接手原本由外部 harness 代码完成的工作。

Code Mode 在 Claude Code 中如何运作

开启 Code Mode 后,Claude Code 通过 repl 和 poll 两个工具运作。

保持状态的 JavaScript 会话

REPL 是 read-evaluate-print loop(读取-求值-输出循环)的缩写。在这里,它是一个在整个 Claude Code 会话期间始终保持运行的 JavaScript 控制台。bash 命令、文件读取、编辑、网页抓取和 MCP 函数,都以可调用的 JavaScript 函数的形式出现在其中。

由于进程持续运行,某次调用中定义的变量到下一次调用时仍在内存里。Claude 可以把一个数据集存一次,之后再做筛选或转换,无需重新下载或解析。Cloudflare Workers 或 Executor.sh 这类服务器端环境会在两次调用之间丢弃状态,因此无法这样复用变量。

在模型读取之前先筛选

在单个脚本内,Claude 可以遍历数百个文件,用 Promise.all 并行发起调用,用 reduce 对行数据求和,用 Set 去重,并对行进行筛选。这一切都发生在结果返回上下文窗口之前,既节省上下文空间,也省去了与模型之间的额外往返。

这对设计不佳、返回数据过多的 MCP 服务器同样有帮助。Claude 可以把庞杂的输出赋给一个变量,先预览其中几项,再针对其余部分运行有针对性的代码。

bash 脚本做不到同样的事,因为 bash 无法直接访问 harness 层面的工具、子智能体(主智能体为某项子任务启动的辅助智能体)或 MCP 服务器。Code Mode 让代码可以同时掌控这三者。

后台运行的长任务

poll 工具负责处理包含长循环的脚本。这些脚本会脱离前台、在后台继续运行,Claude 则定期检查它们是否已经完成。

一个例子

假设请求是把 Stripe 数据与 PostHog 数据结合起来,生成一个 HTML 文件,展示生命周期价值最高的客户及其来源。在 Code Mode 下,Claude 会写出一个异步脚本,通过循环分页读取 Stripe 的收款记录,与 PostHog 的分析数据做关联,再写出 HTML 仪表盘。原始的客户对象和收款对象始终不会进入对话。

测量数据说明了什么

一个追踪 Claude Code 版本发布的自动化智能体记录了一项测试:在 Claude Code 2.1.318(该功能首次出现的版本)上,一个 Claude Sonnet 模型分别在开启和关闭 Code Mode 的情况下处理真实的开源 issue。八组成对运行的结果如下:

指标 Code Mode 相对常规模式的占比
输入 token 53%
输出 token 61%
总成本 约 71%

另有两个外部项目指向同一方向。

  • Browser Use 1.0.0 删掉了 90% 的预定义状态与动作库,代之以一个直接驱动原始 Chrome DevTools Protocol 的 Python REPL。该项目称,与僵化的、基于 schema 的智能体相比,基准测试表现最高提升 50%,成本降低 2 至 5 倍,运行速度快 2 至 3 倍。
  • 一个名为 Unharnessed 的项目在 Terminal-Bench 4.0 上只给 Opus 5.5 配了一个简单的 Python REPL,准确率达到 71.2%,每个任务成本为 $12.19。Claude Code 的得分为 64.85%,每个任务成本为 $14.30。

三位 MIT 研究者在一篇题为《The Mismanaged Geniuses Hypothesis》(“被错误管理的天才”假说)的文章中,为这些结果提供了一个解释框架。他们认为,当前的前沿模型能力已经足够,只是被僵化的 harness 束缚住了;软件需要学会通过灵活的任务分解来管理这些模型,而不是只等下一代模型出现。Code Mode 看起来正是这一原则的应用:它给模型留出空间去搬运数据、运行工作流,而不至于过早填满上下文。

未来可能的走向

Claude Code 2.1.318 中还藏有三个尚未发布的函数:spawnContext、listContexts 和 releaseContext。它们暗示,子智能体正在被重构为可由代码启动、组合和结束的隔离上下文。由于尚未发布,这些函数可能会有变化。

用途之一是分叉。当被要求让代码跑得更快时,Claude Code 可以把对话分叉五到十次,在每个分叉中并行尝试一种不同的优化策略,只把排名前三的结果带回主对话。以这种方式启动的子智能体与协调智能体之间保有双向通道,这不同于子进程无法回话的僵化工作流。

一条道路分成八条车道,机器人在各车道上测试一个机械零件,其中三条车道汇回协调者

▲ 并行上下文分叉与择优保留

这与 MIT CSAIL 关于递归语言模型(Recursive Language Models,简称 RLM)的研究相呼应。RLM 需要三样东西:跨调用持久存在的 REPL、从该 REPL 内部派发子智能体的能力,以及把提示词当作外部变量而非原始上下文来处理。

第三点改变了大体量输入的处理方式。直接粘贴一份 200 万 token 的输入,通常会把上下文窗口撑满。RLM 则把这份输入存进一个变量,由模型编写代码将其切片,再把各部分交给子智能体,比如把一个代码库拆给 20 个子智能体。

同样的思路也可以用于对话历史。模型可以用简短摘要替换冗长的工具调用记录,或者删去无关日志。现有的压缩方法并不完善,可能丢失重要的细节,因此用代码切分历史或许是更好的选择。不过成本上有个陷阱:改动较早的消息可能使提示词缓存失效。Meta 一篇关于 Context Language Models 的研究论文探讨了前缀缓存和后缀缓存,以避免这种失效。Anthropic 的 API 提供上下文编辑功能,可以裁剪工具结果和思考块,但如果节省的 token 抵不上破坏缓存带来的代价,总成本反而可能上升。

作为一种预测而非已确认的计划,2027 年可能出现的 Opus 6 或 Opus 7 等模型,或许会直接针对由 REPL 驱动的上下文与子智能体管理进行后训练。RLM 很可能只有经过这类训练才能充分发挥潜力。

如何开启

  1. 设置环境变量后启动 Claude Code:CLAUDE_CODE_EXPERIMENTAL_CODE_MODE=1 claude。该变量也可以写入 settings.json。
  2. 如果 Claude Code 提示因已安装的 mod 而无法使用 Code Mode,请停用所有检查单次工具调用的钩子或 mod(例如对会话记录做脱敏处理的那类),然后重启会话。这些钩子之所以冲突,是因为单次工具调用不再触发常规的 harness 事件。
  3. 询问 Claude 它有哪些工具。它应当列出 repl 和 poll。
  4. 按 Ctrl+O 展开日志,查看 Claude 编写并运行的 JavaScript。

要点与下一步

Code Mode 把工具编排从对话中移到了代码里。上下文窗口拿到的是筛选后的结果;在一次 Claude Code 测试中,同一模型的输入 token 用量约为原来的一半,成本大约为原来的 71%。这一数字来自八组成对运行,应把它看作早期信号,而不是保证。

现在是否开启,取决于手头的工作。它看起来最适合串联多个工具或 MCP 服务器、且会返回大量数据的任务,否则中间数据会在上下文中越积越多。就目前而言,它不太适合依赖钩子逐个检查工具调用的环境,因为这些钩子在更新之前必须停用。

打算尝试的读者可以这样做:

  • 让 Claude 把中间数据集保存在变量里,而不是重复获取。
  • 让它把多步骤的数据处理封装进一个脚本,而不是拆成许多次单独调用。
  • 面对输出冗长的 MCP 服务器,让它先把输出存入变量,再预览一小部分。
  • 遍历大型数据集的循环使用后台轮询,避免长时间运行超时。
  • 用 Ctrl+O 检查生成的代码,并留意:只要该功能仍处于实验阶段,其行为就可能变化。