---
title: "为什么写这份白皮书"
description: "将 LLM 能力落地到真实工作流的工程范本"
---

{/* 本章目标：解释为什么这个项目的架构值得深入研究 */}

## 不只是一个聊天工具

Claude Code 解决的核心问题是：**如何让大语言模型从"能说会道"变成"能说会做"**。

这不是简单地给 AI 套一个 shell。它涉及一系列精巧的工程决策：

- AI 说"我要编辑这个文件"时，如何确保安全？
- 对话越来越长，token 快爆了怎么办？
- AI 需要并行处理多个子任务时，如何隔离和协调？
- 用户想扩展 AI 的能力（接数据库、连 API），如何设计插拔机制？

## 这份白皮书关注什么

<CardGroup cols={2}>
  <Card title="功能视角" icon="eye">
    不堆代码，从"用户能做什么、AI 如何决策"出发
  </Card>
  <Card title="设计决策" icon="lightbulb">
    每个功能背后的"为什么这样设计"
  </Card>
  <Card title="架构模式" icon="sitemap">
    可复用的模式：Agentic Loop、工具抽象、上下文工程
  </Card>
  <Card title="安全哲学" icon="shield">
    AI 操作真实环境时的信任与控制平衡
  </Card>
</CardGroup>

## 适合谁读

- 想理解 AI Agent 产品架构的开发者
- 正在构建类似工具的团队
- 对 LLM 应用工程化感兴趣的任何人