三亩地 三亩地SAN MU DI · CODE DIARY
交流投稿
ARTICLE DETAIL

日记详情

真实记录编程学习的某一天，欢迎挑你感兴趣的翻一翻。

首页/学习日记/日记详情

使用ccglass透视AI编程助手：揭秘Claude Code与LLM API的交互全流程

发布时间：2026/8/10 6:37:13 三亩地 编程学习日记
使用ccglass透视AI编程助手：揭秘Claude Code与LLM API的交互全流程

1. 项目缘起：从“黑盒”到“透明”的探索

最近在折腾AI编程助手，特别是Claude Code，发现它写代码确实有一套。但用久了，心里总有个疙瘩：它到底是怎么“想”的？每次我让它写个功能，比如这次我让它写一个贪吃蛇游戏，它噼里啪啦就给我吐出一堆代码。表面上看，是它理解了我的需求，生成了解决方案。但作为一个有点“技术洁癖”的开发者，我更想知道这个过程的“后台日志”——它究竟把我的指令转化成了什么样的请求，发给了哪个模型？模型又返回了什么样的原始数据？这中间有没有什么“魔法”或者“损耗”？

这就像你点了一份外卖，你只关心最后送到手里的餐食好不好吃，但你可能也会好奇后厨是怎么备料的，用了什么配方，甚至送餐员走了哪条路。对于AI编程工具，这个“后厨”和“送餐路线”，就是它和背后大语言模型（LLM）API的交互过程。市面上大多数AI编程工具，无论是Claude Code、GitHub Copilot还是Cursor，都把这一层交互封装得严严实实，用户只能看到一个输入框和一个输出结果，中间过程完全是个“黑盒”。

“黑盒”用起来是方便，但不利于学习和调试。比如，Claude Code写出的贪吃蛇游戏逻辑有点小瑕疵，我想知道是它理解我的描述有偏差，还是模型在生成代码时“脑抽”了？又或者，我想让它用特定的风格（比如更函数式、更面向对象）来写代码，我该如何更精确地“调教”它？要回答这些问题，最直接的办法就是看到它和模型对话的“原始记录”。

这就是我这次折腾的核心目的：用ccglass这个工具，像戴上一副“透视眼镜”一样，看清Claude Code（或者说，任何基于类似架构的AI编程Agent）在背后发送的真实API请求和接收的响应。这不仅是一次技术上的“解密”，更是为了让我们作为使用者，能更深入地理解工具的工作原理，从而更高效、更精准地使用它。

2. 工具选型：为什么是ccglass？

要实现“透视”API请求的目标，通常有几个技术路径可选。比如，直接去抓取Claude Code客户端与服务器通信的网络包，或者尝试逆向工程其客户端代码。但这些方法要么门槛太高（需要处理TLS加密、复杂的网络协议），要么不稳定（客户端一更新可能就失效了）。

ccglass提供了一个更优雅、更通用的解决方案。它的核心原理是中间人代理（MITM Proxy）。简单来说，它在你本地电脑上启动一个代理服务器，然后让你需要监控的应用程序（比如Claude Code）的所有网络流量都先经过这个代理，再由代理转发到真正的目标服务器。在这个过程中，代理就像一面透明的玻璃（这也是其名字ccglass的寓意），可以清晰地记录下所有流经它的请求和响应数据，包括Header、Body等详细信息。

注意：使用代理拦截流量需要确保你有权监控目标应用的网络行为，并且仅用于学习、调试等合法合规的目的。切勿将其用于窥探他人隐私或进行非法活动。

我选择ccglass，主要基于以下几点考虑：

  1. 跨平台与易用性：ccglass使用Go语言编写，编译后是单个可执行文件，在Windows、macOS、Linux上都能运行，无需复杂的依赖环境。它的配置也相对简单，通过命令行参数就能指定监听的端口和日志输出方式。
  2. 对HTTPS流量的支持：现代API通信几乎全部使用HTTPS加密。ccglass内置了生成和信任自签名根证书的能力。你只需要在系统或浏览器中安装这个根证书，并让目标应用信任ccglass的代理，就能解密并查看HTTPS流量内容，这是实现“透视”的关键。
  3. 清晰的日志输出：ccglass可以将拦截到的请求和响应以结构化的格式（如JSON）输出到控制台或文件，内容非常完整，包括完整的URL、方法、请求头、请求体、响应状态码、响应头、响应体等。这对于分析AI工具与模型API的交互格式至关重要。
  4. 轻量级与专注：相比功能庞杂的Fiddler或Charles这类通用抓包工具，ccglass更轻量，专注于“记录”这一核心功能，没有太多复杂的UI和过滤规则，对于开发者快速上手进行API分析非常友好。

确定了工具，接下来就是具体的实施步骤。我们的目标很明确：让Claude Code的流量走ccglass代理，然后触发它执行“写一个贪吃蛇游戏”的任务，最后在ccglass的日志中寻找我们关心的API调用记录。

3. 环境搭建与配置：让流量“改道”

要让Claude Code的流量经过ccglass，我们需要完成两件事：启动ccglass代理服务器，并配置Claude Code使用这个代理。

3.1 获取与启动ccglass

首先，你需要从ccglass的GitHub发布页面下载对应你操作系统的最新版本。解压后，你会得到一个名为ccglass（Windows下是ccglass.exe）的可执行文件。

打开终端（命令行），进入到该文件所在目录。一个最基本的启动命令如下：

# Linux/macOS ./ccglass -l :8080 # Windows ccglass.exe -l :8080

这个命令告诉ccglass在本地的8080端口启动一个HTTP代理服务器。-l参数指定监听地址和端口，:表示监听所有网络接口。

但是，仅仅这样还不够，因为Claude Code与Anthropic服务器的通信是HTTPS的。我们需要让ccglass能够解密HTTPS流量。这就需要生成根证书并让系统信任它。ccglass通常提供相关参数来简化这个过程，具体请参考其官方文档。一个常见的流程是：

  1. 运行一个特定命令生成根证书（如./ccglass -gen-ca）。
  2. 将生成的.crt或.pem证书文件安装到系统的受信任根证书颁发机构中。
  3. 重新启动ccglass，并带上使用该证书的参数（如./ccglass -l :8080 -ca /path/to/ca.crt -key /path/to/ca.key）。

启动成功后，你应该能在终端看到类似[INFO] Proxy server started on :8080的提示，表示代理正在运行并等待连接。

3.2 配置Claude Code使用代理

接下来是关键一步：告诉Claude Code走我们刚搭建的代理。配置方式取决于Claude Code的具体实现和你的启动方式。

情况一：通过命令行启动如果你是通过终端命令启动Claude Code（例如某些开源版本或CLI工具），那么最简单的方法是在启动命令前设置系统代理环境变量。

# 在Linux/macOS的终端中 export HTTP_PROXY=http://127.0.0.1:8080 export HTTPS_PROXY=http://127.0.0.1:8080 # 然后运行启动Claude Code的命令 ./claude-code # 在Windows的CMD中 set HTTP_PROXY=http://127.0.0.1:8080 set HTTPS_PROXY=http://127.0.0.1:8080 # 然后运行启动Claude Code的命令 claude-code.exe # 在Windows PowerShell中 $env:HTTP_PROXY="http://127.0.0.1:8080" $env:HTTPS_PROXY="http://127.0.0.1:8080" # 然后运行启动Claude Code的命令 .\claude-code.exe

情况二：桌面应用（如Claude Desktop）对于有图形界面的桌面应用，配置代理可能稍微麻烦一些。通常有以下几种途径：

  1. 应用内设置：检查应用的设置或偏好设置菜单，看是否有“网络”或“代理”相关选项，直接填入http://127.0.0.1:8080。
  2. 系统级代理：将整个操作系统的网络代理设置为127.0.0.1:8080。这样所有应用（包括Claude Code）的流量都会默认经过ccglass。但这样可能会影响其他网络应用，用完记得改回来。
  3. 启动参数：有些应用支持通过启动参数指定代理。你需要找到应用的快捷方式或启动脚本，在其中添加代理参数，具体格式需要查阅该应用的文档。

情况三：VS Code插件（如Claude Code插件）如果Claude Code是作为VS Code的插件运行，那么它的网络请求很可能继承自VS Code主进程。因此，你需要配置VS Code使用代理。在VS Code中，可以通过文件->首选项->设置，搜索“proxy”，在设置中填入http://127.0.0.1:8080。同样，也需要确保系统信任了ccglass的根证书，否则VS Code可能会报告SSL证书错误。

配置完成后，启动Claude Code。此时，观察运行ccglass的终端窗口，如果配置成功，你应该能看到一些来自Claude Code的HTTP/HTTPS请求日志开始滚动出现，可能是检查更新、获取配置或初始化会话的请求。这证明流量已经成功“改道”了。

4. 实战：捕获“编写贪吃蛇游戏”的API对话

环境配置妥当，现在可以开始我们的核心实验了。打开Claude Code，在聊天框或指令区输入我们的任务：“请用Python写一个贪吃蛇游戏，要求使用pygame库，包含基本的移动、吃食物增长、撞墙和撞自身游戏结束的逻辑。”

点击发送后，Claude Code开始“思考”并生成代码。与此同时，ccglass的终端窗口会刷出大量的请求日志。我们的任务就是从这些海量日志中，找到最核心的那一次或几次与AI模型API的对话请求。

4.1 识别关键请求

Claude Code背后可能是直接调用Anthropic的Claude API，也可能是通过某个中间服务层。但无论如何，其核心的“代码生成”功能，必然涉及向一个文本补全或对话API发送包含我们指令的请求。

在ccglass的日志中，你需要关注以下几点来筛选：

  1. 请求URL：寻找包含api.anthropic.com、claude、completions、messages、v1等关键词的URL。这是最直接的标志。
  2. 请求方法：通常是POST方法。
  3. 请求体大小：向模型发送复杂指令的请求体（Request Body）通常会比较大，因为里面包含了系统提示（System Prompt）、用户消息（我们的指令）、以及各种参数。
  4. 响应体大小：模型返回代码的响应体（Response Body）也会非常大，是一段完整的JSON，其中包含模型生成的文本内容。

找到疑似目标后，重点查看该条记录的Request Body和Response Body。ccglass通常会以JSON格式漂亮地打印出来，方便阅读。

4.2 解析请求体：窥探提示词工程

当我找到那条关键的POST请求时，打开其Request Body，一个结构化的对话上下文展现在眼前。它很可能是一个符合Anthropic Messages API格式的JSON对象。

{ "model": "claude-3-5-sonnet-20241022", "max_tokens": 4096, "messages": [ { "role": "user", "content": "请用Python写一个贪吃蛇游戏，要求使用pygame库，包含基本的移动、吃食物增长、撞墙和撞自身游戏结束的逻辑。" } ], "system": "你是一个专业的代码助手，擅长编写清晰、高效、可运行的代码。请直接输出代码，除非用户特别要求，否则不要添加解释性文字。" }

这个请求体揭示了几个关键信息：

  1. 模型指定：model字段明确指出了调用的是哪个具体的Claude模型版本。这有助于我们了解工具的性能基准和成本（不同模型价格不同）。
  2. 对话历史：messages数组包含了整个对话上下文。在这个简单例子里，只有我的一条用户消息。但在多轮对话中，这里会包含之前所有的问答记录。这说明Claude Code在请求时是携带了上下文历史的，这解释了为什么它能基于之前的对话进行续写或修改。
  3. 系统指令：system字段是“提示词工程”的核心。Claude Code并不是简单地把我的问题扔给模型，而是预先为我包装了一个“系统角色”。这个系统提示词定义了AI在本次交互中的行为准则——“专业代码助手”、“直接输出代码”、“不要解释”。这极大地影响了模型的输出风格和内容。如果没有这个系统提示，模型可能会在代码前后加上很多解释性文字。
  4. 生成控制：max_tokens参数限制了模型本次响应的最大长度，防止生成过长的无关内容。

通过这个请求体，我们清晰地看到了Claude Code是如何将用户自然语言指令，结构化、标准化地准备成模型API所能理解的格式的。这本身就是一层重要的“预处理”逻辑。

4.3 解析响应体：接收模型的“原始思考”

紧接着，我们查看对应请求的Response Body。它同样是一个JSON结构。

{ "id": "msg_01ABCDEFGH", "type": "message", "role": "assistant", "content": [ { "type": "text", "text": "```python\nimport pygame\nimport random\nimport sys\n\n# 初始化pygame\npygame.init()\n\n# 游戏常量\nWIDTH, HEIGHT = 600, 600\nGRID_SIZE = 20\nGRID_WIDTH = WIDTH // GRID_SIZE\nGRID_HEIGHT = HEIGHT // GRID_SIZE\nFPS = 10\n\n# 颜色定义\nBLACK = (0, 0, 0)\nWHITE = (255, 255, 255)\nGREEN = (0, 255, 0)\nRED = (255, 0, 0)\nBLUE = (0, 120, 255)\n\n# 方向向量\nUP = (0, -1)\nDOWN = (0, 1)\nLEFT = (-1, 0)\nRIGHT = (1, 0)\n\nclass Snake:\n def __init__(self):\n self.reset()\n\n def reset(self):\n # 蛇初始位置在屏幕中央，长度为3\n self.body = [(GRID_WIDTH // 2, GRID_HEIGHT // 2 + i) for i in range(3)]\n self.direction = UP\n self.grow_pending = 0 # 待增长的长度\n\n def move(self):\n head_x, head_y = self.body[0]\n dx, dy = self.direction\n new_head = ((head_x + dx) % GRID_WIDTH, (head_y + dy) % GRID_HEIGHT) # 穿墙逻辑\n # 检查是否撞到自己\n if new_head in self.body:\n return False # 游戏结束\n \n self.body.insert(0, new_head)\n \n if self.grow_pending > 0:\n self.grow_pending -= 1\n else:\n self.body.pop() # 如果没有待增长，则移除尾部，保持长度不变\n return True\n\n def grow(self):\n self.grow_pending += 1\n\n def draw(self, screen):\n for i, (x, y) in enumerate(self.body):\n color = BLUE if i == 0 else GREEN # 头部蓝色，身体绿色\n rect = pygame.Rect(x * GRID_SIZE, y * GRID_SIZE, GRID_SIZE, GRID_SIZE)\n pygame.draw.rect(screen, color, rect)\n pygame.draw.rect(screen, BLACK, rect, 1) # 黑色边框\n\nclass Food:\n def __init__(self, snake_body):\n self.position = self.generate_new_position(snake_body)\n\n def generate_new_position(self, snake_body):\n while True:\n pos = (random.randint(0, GRID_WIDTH - 1), random.randint(0, GRID_HEIGHT - 1))\n if pos not in snake_body:\n return pos\n\n def draw(self, screen):\n rect = pygame.Rect(self.position[0] * GRID_SIZE, self.position[1] * GRID_SIZE, GRID_SIZE, GRID_SIZE)\n pygame.draw.rect(screen, RED, rect)\n pygame.draw.rect(screen, BLACK, rect, 1)\n\ndef main():\n screen = pygame.display.set_mode((WIDTH, HEIGHT))\n pygame.display.set_caption(\"贪吃蛇 by Claude\")\n clock = pygame.time.Clock()\n \n snake = Snake()\n food = Food(snake.body)\n font = pygame.font.SysFont(None, 36)\n game_over = False\n score = 0\n\n while True:\n for event in pygame.event.get():\n if event.type == pygame.QUIT:\n pygame.quit()\n sys.exit()\n if event.type == pygame.KEYDOWN:\n if game_over:\n if event.key == pygame.K_r:\n # 按R键重新开始\n snake.reset()\n food = Food(snake.body)\n game_over = False\n score = 0\n else:\n # 方向控制，防止直接反向移动\n if event.key == pygame.K_UP and snake.direction != DOWN:\n snake.direction = UP\n elif event.key == pygame.K_DOWN and snake.direction != UP:\n snake.direction = DOWN\n elif event.key == pygame.K_LEFT and snake.direction != RIGHT:\n snake.direction = LEFT\n elif event.key == pygame.K_RIGHT and snake.direction != LEFT:\n snake.direction = RIGHT\n \n if not game_over:\n # 移动蛇\n if not snake.move():\n game_over = True # 撞到自己，游戏结束\n \n # 检查是否吃到食物\n if snake.body[0] == food.position:\n snake.grow()\n score += 10\n food = Food(snake.body) # 生成新食物\n \n # 绘制\n screen.fill(BLACK)\n snake.draw(screen)\n food.draw(screen)\n \n # 显示分数\n score_text = font.render(f'Score: {score}', True, WHITE)\n screen.blit(score_text, (10, 10))\n \n if game_over:\n over_text = font.render('Game Over! Press R to Restart', True, WHITE)\n screen.blit(over_text, (WIDTH // 2 - over_text.get_width() // 2, HEIGHT // 2))\n \n pygame.display.flip()\n clock.tick(FPS)\n\nif __name__ == \"__main__\":\n main()\n```" } ], "stop_reason": "end_turn", "usage": { "input_tokens": 123, "output_tokens": 987 } }

这个响应体信息量更大：

  1. 原始生成内容：content[0].text字段里，就是模型“脱口而出”的完整回答。注意，它严格遵循了请求中system提示词的要求——直接输出了完整的、可运行的Python代码，没有多余的废话、没有“首先，让我们来...”，也没有“这段代码实现了...”。这就是系统提示词的力量。我们平时在Claude Code聊天窗口里看到的，正是这个文本字段经过前端渲染（如代码高亮）后的结果。
  2. 结构化内容：content是一个数组，里面可以是多个type为text或tool_use（如果使用了工具）的对象。这为多模态或复杂交互留下了空间。
  3. 停止原因：stop_reason字段说明了模型为何停止生成，常见的有end_turn（正常结束）、max_tokens（达到令牌限制）、stop_sequence（遇到停止序列）等。
  4. 用量统计：usage字段极其重要。它清晰地列出了本次请求消耗的input_tokens（输入令牌数，即你的问题+系统提示+历史对话的长度）和output_tokens（输出令牌数，即模型生成的代码长度）。这是计算API调用成本的直接依据。很多AI编程工具会向你收费，其背后的计费逻辑就是基于这些令牌数，按照不同模型的单价进行计算。看到这个，你就能对自己每次请求的成本有一个直观的认识。

至此，我们成功地“透视”了Claude Code从接收指令到获取模型响应的完整闭环。我们看到的不再是一个魔法般的黑箱，而是一个标准的、可观测的API调用过程。

5. 从“看到”到“用到”：深度分析与实践价值

仅仅看到请求和响应是第一步，更重要的是如何利用这些信息来提升我们使用AI编程工具的效率和效果。基于这次“透视”实验，我总结出几个非常实用的方向和技巧。

5.1 成本感知与优化

通过usage字段，我们可以精确量化每次代码生成的“代价”。例如，生成这个约150行的贪吃蛇游戏，消耗了123个输入令牌和987个输出令牌。假设使用Claude 3.5 Sonnet模型（价格仅供参考，需以官方为准），其成本可能是输入$3/百万令牌，输出$15/百万令牌。那么这次生成的成本大约是： 输入成本：123 / 1,000,000 * $3 = $0.000369输出成本：987 / 1,000,000 * $15 = $0.014805总成本：约$0.015。

虽然单次看很少，但积少成多。了解成本后，我们可以有意识地优化使用习惯：

  • 精简指令：在提问时，尽量清晰、简洁地表达需求，避免冗长的背景描述（除非必要）。不必要的上下文会增加input_tokens。
  • 利用上下文：对于连续相关的任务（如“写个函数A”然后“再写个调用函数A的函数B”），在同一个对话中进行，这样第二次请求时，关于函数A的描述已经在历史消息中，可能只需要很短的指令，从而节省输入令牌。
  • 设定max_tokens：如果你能预估回答的大致长度，可以在自定义请求中设置一个合理的max_tokens，避免模型生成过于冗长（且昂贵）的回答。

5.2 提示词逆向工程与定制

我们看到了Claude Code默认使用的system提示词。这本身就是一份极佳的学习资料。你可以分析这个提示词是如何塑造AI行为的（“专业代码助手”、“直接输出代码”）。当你发现AI生成的代码风格不符合你的预期时，你就可以思考：是不是默认的提示词限制了它？

例如，如果你希望AI在生成代码的同时，添加关键行的注释，你就可以尝试修改或添加系统提示词：“你是一个专业的代码助手，请为生成的复杂逻辑代码添加必要的行内注释，解释关键步骤。”然后，你可以通过类似ccglass的方式，或者如果工具支持自定义配置，直接应用新的提示词，观察输出变化。

更进一步，一些高级的AI编程工具或框架允许你完全自定义发送给模型的请求模板。通过ccglass分析得到的请求JSON结构，就是一个完美的模板参考。你可以基于此，构建属于自己的、针对特定编程语言或任务的“超级提示词”，从而让AI生成更符合你团队规范或个人偏好的代码。

5.3 调试与问题诊断

当Claude Code给出的代码运行出错，或者逻辑明显有问题时，如何定位问题？是AI理解错了我的描述，还是模型在生成时“胡言乱语”了？

通过查看原始请求，你可以确认你发出的指令是否被准确无误地传递给了模型。有时候，前端界面可能会有字符截断或转义问题。通过查看原始响应，你可以看到模型最原始的输出。有时候，前端展示可能会对输出进行二次处理（比如截断过长的代码）。如果原始响应里的代码就是错的，那问题可能出在模型本身或你的指令不够清晰。如果原始响应是正确的，但前端展示或后续处理出了问题，那就需要向工具开发者反馈了。

此外，观察stop_reason也很有帮助。如果经常因为max_tokens而停止，导致代码不完整，你就需要考虑是否要增加max_tokens的限制，或者将任务拆分成更小的步骤。

5.4 理解工具的工作流与集成可能性

一次代码生成，可能不止一次API调用。ccglass的日志可能会显示，在发送主要的代码生成请求之前，Claude Code可能先调用了一个“快速模型”来对用户指令进行意图分类或简单补全，或者之后调用了一个“代码解释模型”来生成注释。通过分析完整的请求序列，你可以勾勒出这个AI编程Agent内部的工作流。

这种理解打开了集成和自动化的可能性。如果你是一个开发者，想要将类似的代码生成能力集成到你自己的IDE插件或内部工具中，那么ccglass捕获的请求/响应格式就是最好的“接口文档”。你可以模仿这个格式，直接调用对应的模型API，绕过官方客户端，实现更深度的定制集成。

6. 边界、局限与伦理考量

虽然ccglass提供了强大的透视能力，但在使用过程中，我们也必须清醒地认识到其边界和需要注意的地方。

技术边界：

  • 加密与混淆：一些客户端可能对请求体进行额外的加密或编码，即使HTTPS被解密，看到的也可能是乱码。ccglass对此无能为力。
  • 非HTTP流量：如果工具使用WebSocket、gRPC等其他协议进行通信，ccglass作为HTTP/HTTPS代理可能无法捕获。
  • 证书绑定（Certificate Pinning）：一些安全意识强的应用会使用证书绑定技术，即只信任特定的证书。即使你安装了ccglass的根证书，应用也会因为证书不匹配而拒绝连接。绕过证书绑定通常需要更复杂的逆向工程手段。
  • 动态性：AI工具的API格式和端点可能会随时更新，今天分析出的结构，明天可能就变了。

隐私与安全：

  • 敏感信息：你拦截的流量中，很可能包含你的API密钥（通常以x-api-key之类的Header形式发送）、会话令牌等极度敏感的信息。在分享日志、截图或进行分析时，务必、务必、务必将这些信息彻底打码或删除，防止泄露。
  • 合规使用：确保你的行为符合工具的服务条款。大多数API服务禁止未经授权的大规模自动化调用或逆向工程。ccglass用于学习、调试和小规模的个人分析通常是可接受的灰色地带，但用于商业性、攻击性的目的则绝对不可取。

伦理考量：我们“透视”工具的目的，应该是为了更好地理解它、更高效地使用它，乃至在此基础上进行创新和创造，而不是为了破解、盗用或破坏。尊重开发者的劳动成果，遵守平台规则，在合法合规的范围内探索技术的边界，这才是技术爱好者应有的态度。

通过ccglass这面“镜子”，我们得以窥见AI编程工具幕后的精密齿轮是如何咬合运转的。从一句简单的自然语言指令，到一份结构清晰的API请求，再到一段可直接运行的代码，这个过程不再神秘。它由清晰的协议、可控的参数和可量化的成本构成。这种透明化带来的，不仅是知识上的满足，更是实践能力的提升——我们知道了成本如何产生，便学会了节制与优化；我们看到了提示词的魔力，便学会了定制与调校；我们理解了数据的流动，便拥有了调试与集成的能力。技术工具的价值，终归在于赋能使用者。当黑盒变成玻璃盒，我们便从被动的使用者，向着更主动的协作者迈进了一步。

编程学习 学习日记 实战经验
← 返回列表