วิศวกร AI Akshay Pachaar เมื่อวันที่ 10 พฤษภาคม บน X ได้เผยแพร่ภาพผังสถาปัตยกรรมแบบเต็มของ Claude Code โดยแยกทั้งระบบออกเป็น 6 ชั้น พร้อมเน้นว่า “โมเดลเป็นเพียงหนึ่งในโหนดภายในลูป” โพสต์ของ Pachaar อ้างอิงบทความยาวของเขาวันที่ 6 เมษายน เรื่อง “The Anatomy of an Agent Harness” โดยสาระสำคัญคือ Claude Code ดูเหมือน “เวทมนตร์” ไม่ใช่เพราะตัวโมเดลเอง แต่เพราะการออกแบบ harness วิศวกรรมอย่างละเอียด
6 ชั้นสถาปัตยกรรม: โมเดลเป็นเพียงหนึ่งในโหนด
Claude Code 6 ชั้นที่ Pachaar สรุป:
Input Layer(ชั้นอินพุต):รับผิดชอบการจัดการ session การควบคุมสิทธิ์ และการตั้งค่าระดับความน่าเชื่อถือด้วย YAML คำสั่งใด ๆ ที่เข้าสู่โมเดลจะต้องผ่านชั้นนี้ก่อน
Knowledge Layer(ชั้นความรู้):ประกอบด้วย skill registry, context compressor(บีบอัด 3 ชั้น, เกณฑ์ 92% สำหรับการทริกเกอร์)、task graph และการจัดเก็บความจำข้าม session นี่คือส่วนที่ harness “ฉลาด” อยู่ในโครงสร้าง โดยแยกต่างหากจากน้ำหนักโมเดล
Execution Layer(ชั้นการประมวลผล):ส่งคำสั่งเรียกใช้เครื่องมือผ่าน typed registry โดยแต่ละเครื่องมือมี handler ของตัวเอง—bash、read、write、grep、glob、revert runtime แบบ streaming รองรับการรันแบบขนาน prompt cache นำกลับมาใช้ซ้ำสำหรับคำนำหน้าที่เสถียร ทำให้ต้นทุนลดลงเหลือ 10%
Integration Layer(ชั้นการบูรณาการ):MCP runtime เชื่อมต่อเซิร์ฟเวอร์ภายนอก(filesystem、git、เครื่องมือที่กำหนดเอง)เครื่องมือจะลงทะเบียนเข้าด้านใน ในขณะที่ความจำเขียนออกไปยัง agent_memory.md
Multi-Agent Layer(ชั้นมัลติเอเจนต์):ประกอบด้วย subagent spawner, teammate mailboxes สื่อสารผ่าน redis pub/sub, โปรโตคอล state machine แบบจำกัด(IDLE→REQUEST→WAIT→RESPOND), autonomous board ด้วย atomic lock และการแยก worktree(ให้แต่ละงานเป็น git branch ของตัวเอง)
Observability Layer(ชั้นการสังเกตการณ์):เป็นชั้นห่อหุ้ม event bus รวมทั้ง lifecycle hooks ของทุกชั้น โดย background executor ทำงานแบบ daemon thread แบบไม่บล็อก
ตรงกลางคือ “master agent loop”(ลูปของเอเจนต์หลัก):รับรู้ → ลงมือทำ → สังเกตการณ์ Anthropic เองจัดลูปนี้เป็น “dumb loop”(ลูปทื่อ)—ความฉลาดทั้งหมดอยู่ในตรรกะการอนุมานของโมเดล ส่วน harness ทำหน้าที่เป็นตัวจัดสรรเท่านั้น
ดีไซน์สำคัญ:context compressor และ worktree แยกขอบเขต
รายละเอียดการออกแบบบางส่วนที่น่าสนใจ:
Context compressor บีบอัด 3 ชั้น เกณฑ์ 92%:เมื่อบริบทเข้าใกล้ 92% ของความจุจะทริกเกอร์การสรุปและการบีบอัด โดยคงไว้ทั้งทางเลือกเชิงสถาปัตยกรรมและบั๊กที่ยังไม่ถูกแก้ ทิ้งเอาต์พุตของเครื่องมือที่ซ้ำกัน นี่สอดคล้องกับ “คำแนะนำด้าน context engineering” ที่ Anthropic เผยแพร่สู่สาธารณะ:หาชุด token ที่ให้สัญญาณสูงสุดพร้อมขนาดที่เล็กที่สุด และเพิ่มโอกาสในการบรรลุเป้าหมายสูงสุด
Worktree แยกขอบเขต:ให้ subagent แต่ละตัวทำงานบน git worktree และ branch ที่แยกอิสระ และตอนรวมจะทำการตรวจจับความขัดแย้ง การออกแบบชุดนี้ทำให้การแก้ไขโค้ดฐานเดียวกันแบบขนานโดยหลายเอเจนต์เป็นไปได้โดยไม่เหยียบกัน Claude Code มีโหมดการทำงานของ subagent 3 แบบ “Fork / Teammate / Worktree” โดย Worktree คือระดับการแยกที่แข็งแกร่งที่สุด
Prompt cache ต้นทุน 10%:ผ่านการแคชคำนำหน้าที่เสถียร(system prompt、คำจำกัดความของเครื่องมือ、CLAUDE.md)การเรียกซ้ำด้วยคำนำหน้าเดิมจะจ่ายเพียง 10% ของค่าใช้จ่าย token มาตรฐาน นี่คือกุญแจสำคัญที่ทำให้งานที่ใช้เวลานานแบบ session ยังคงคุมต้นทุนได้
ทำไมการวิเคราะห์นี้ถึงได้รับเสียงตอบรับจากชุมชน
โพสต์ของ Pachaar ได้ 522 ไลก์ และ 115 รีโพสต์ ในส่วนความคิดเห็นมีฟีดแบ็กอย่าง “ฉันคิดว่าเป็นแค่เครื่องมือ CLI”,”คิดว่า Claude Code เท่ากับ model + การเข้าถึง terminal ไม่รู้ว่ามี multi-agent layer ที่รันอยู่อีกเยอะ” และอื่น ๆ สิ่งนี้สะท้อนว่าโดยรวมแล้วนักพัฒนาหลายคนยังเข้าใจ Claude Code แค่ระดับ “Claude API ห่อชั้นเป็น CLI” และมองข้ามความซับซ้อนของ harness engineering
Pachaar อ้างคำพูดของ Vivek Trivedy จาก LangChain เป็นแก่นประเด็น: “ถ้าคุณไม่ใช่โมเดล คุณก็คือ harness” การทดสอบของ LangChain บน TerminalBench 2.0 แสดงให้เห็น—ใช้น้ำหนักโมเดลชุดเดิมแค่เปลี่ยน harness รอบนอก อันดับจากเดิมหลุดออกจากท็อป 30 ไปอยู่ที่อันดับ 5
สำหรับผู้อ่านของ abmedia การวิเคราะห์นี้ให้จุดอ้างอิงที่จับต้องได้:เมื่อคุณเห็นความแตกต่างของผลิตภัณฑ์เอเจนต์อย่าง Claude Code、Codex、Gemini Code Assist แท้จริงแล้วความแตกต่างส่วนใหญ่ไม่ได้อยู่ที่ตัวโมเดล แต่ขึ้นอยู่กับการออกแบบ harness—กลยุทธ์การจัดการ context ขอบเขตของเครื่องมือ วงจรการตรวจสอบ และรูปแบบการทำงานร่วมกันของหลายเอเจนต์ เมื่อมีการอัปเกรดเวอร์ชันโมเดล การเลือก harness engineering จะเป็นตัวกำหนดระดับของประสบการณ์ผลิตภัณฑ์
บทความนี้เรื่อง Akshay วิเคราะห์ Claude Code โครงสร้าง 6 ชั้น:โมเดลเป็นเพียงหนึ่งในโหนดภายในลูป แรกเริ่มปรากฏใน 鏈新聞 ABMedia
news.related.news
ผู้บริหารจาก Google Cloud และ PayPal: ธุรกิจ AI เอเจนต์จะดำเนินบนเส้นทางการชำระเงินด้วยคริปโต
Stanford เปิด Agent Island: โมเดล AI ใช้กลยุทธ์ทรยศและโหวตร่วมตัดออกในเกมสไตล์ Survivor
ศึก Anthropic Code Mode กับ MCP Vs CLI: เครื่องมือคุม Runtime และลด tokens จาก 150K เหลือ 2K
Garry Tan: ตอนนี้ผมน้อยมากที่จะป้อนคำสั่งให้กับ AI! CEO ของ YC อธิบาย "เวิร์กโฟลว์ AI ที่ทบต้นได้"
OpenAI เผยคะแนน CoT ส่งผลกระทบโดยไม่คาดคิด: การคงการตรวจสอบสายโซ่ความคิด (CoT) คือแนวป้องกันสำคัญในการทำให้ AI Agent ตรงแนว