Claw Code 深度研究：193K Stars 的 Claude Code 開源替代，Rust 重寫的 AI 編碼 Agent 完全解剖

核心命題： 當 Anthropic 的 Claude Code 完整源碼意外洩露，一個開發者在幾小時內啟動了淨室重寫。193K+ Stars 的開源編碼 Agent 究竟有多強？它和我們現有的技術棧是什麼關係？
數據： 193,000+ Stars · 10 Rust crates · 106K LOC · 60+ 斜槓指令 · 3 個二進制 · MIT License
方法論： 克隆 → 編譯安裝 → 源碼級解剖 → 10 crate 逐一分析 → 完整對比報告

前言：一個 2 天 193K Star 的現象級項目

2026 年 3 月 31 日，安全研究員 Chaofan Shou（@shoucccc）發現 Anthropic 的旗艦 AI 編碼 CLI 工具 Claude Code 的完整源碼被意外發布到了 npm 公開 registry——通過 @anthropic-ai/claude-code v2.1.88 包中的一個 59.8MB JavaScript source map 文件（.map）。

這不是代碼片段。這是完整的、可讀的、帶有原始變量名的源碼。

幾小時內，開發者 Sigrid Jin（@sigridjineth）——曾被《華爾街日報》報導為全球最活躍的 Claude Code 用戶之一，一年內消耗超過 250 億 Claude Code tokens——啟動了淨室重寫（clean-room rewrite）。

這就是 Claw Code。

一、什麼是 Claw Code？

官方定位

Claw Code 是 Claude Code agent harness 架構的公開 Rust 實現。它不是 Claude Code 的 fork，不是抄襲，而是一個從架構文檔出發、重新設計和實現的獨立項目。

核心數字

三個二進制

二、背景故事：從洩露到重寫

時間線

人物

• Sigrid Jin（@sigridjineth）：發起人。WSJ 報導的 Claude Code 重度用戶。項目由他提供方向。
• Bellman / Yeachan Heo：UltraWorkers 背後的人。開發了 oh-my-codex (OmX)、clawhip。
• Yeongyu：開發了 oh-my-openagent (OmO)，多 Agent 協調層。
• Lobsters/Claws：AI Agents。倉庫的日常開發、測試、文檔由它們自主完成。

哲學

Claw Code 的哲學寫在 PHILOSOPHY.md 中：

"Humans set direction; claws perform the labor."
（人類設定方向；爪子執行勞動。）

核心思想：

1. 重要的界面不是終端，是 Discord 頻道——人類從手機打字，claws 自主執行
2. 瓶頸不再是打字速度，而是架構清晰度、任務分解、判斷力、品味
3. 倉庫本身就是自主軟體開發的公開演示

三、架構深度解剖

3.1 10 個 Rust Crate 完整分解

rust/
├── Cargo.toml              # Workspace root (v0.1.3)
├── Cargo.lock
└── crates/
    ├── api/                # 1️⃣ Provider 客戶端 + SSE streaming + 認證
    ├── commands/           # 2️⃣ 60+ 斜槓指令註冊表
    ├── compat-harness/     # 3️⃣ TypeScript manifest 提取（parity check）
    ├── mock-anthropic-service/ # 4️⃣ 確定性 Mock 服務（測試用）
    ├── plugins/            # 5️⃣ 插件元數據、管理器、marketplace
    ├── runtime/            # 6️⃣ 核心運行時（session/config/permission/MCP/hooks/sandbox）
    ├── rusty-claude-cli/   # 7️⃣ 主 CLI 二進制 `claw`（16,662 LOC）
    ├── telemetry/          # 8️⃣ Session 追蹤、使用量統計
    ├── tools/              # 9️⃣ 內建工具執行器（10,595 LOC）
    ├── claw-analog/        # 🔟 輕量工具循環（CI/腳本，2,944 LOC）
    └── claw-rag-service/   # 代碼索引 + HTTP 搜索 API

3.2 架構圖

┌──────────────────────────────────────────────────┐
│  Providers: Anthropic / OpenAI-compat / xAI      │
└─────────────────┬────────────────────────────────┘
                  │
    ┌─────────────┼─────────────────────┐
    ▼             ▼                     ▼
┌────────┐  ┌──────────┐  ┌──────────────────────┐
│  claw   │  │  analog  │  │  claw-rag-service    │
│ (REPL)  │  │ (CI/API) │  │  HTTP + SQLite       │
│ 40MB    │  │ 28MB     │  │  ingest / query      │
└───┬────┘  └────┬─────┘  └──────────┬───────────┘
    │            │                    │
    │  crates/api│      retrieve_context HTTP
    │  runtime   │                    │
    │  tools     │                    │
    └──────┬─────┴────────────────────┘
           │
           ▼
    Filesystem / Workspace

3.3 完整斜槓指令體系（60+ 條）

Claw Code 的斜槓指令按類別組織，這是我見過最完整的 Agent 指令系統之一：

Session 管理（14 條）

/help  /status  /cost  /resume  /session  /version  /usage  /stats
/rename  /clear  /compact  /history  /tokens  /cache

工具操作（12 條）

/mcp  /init  /diff  /bughunter  /commit  /pr  /issue
/ultraplan  /teleport  /export  /plugin  /agents  /skills

配置管理（5 條）

/model  /permissions  /config  /memory  /providers

分析與自動化（8 條）

/review  /advisor  /insights  /security-review  /release-notes
/subagent  /team  /cron

介面自定義（8 條）

/theme  /voice  /vim  /color  /output-style  /keybindings  /ide  /desktop

其他（15+ 條）

/sandbox  /debug-tool-call  /doctor  /feedback  /share  /tag
/summary  /thinkback  /fast  /login  /logout  /upgrade  /stickers
/branch  /rewind  /brief  /plan  /tasks  /context  /add-dir  /copy

四、五大核心機制深度分析

4.1 AskUserQuestion：讓人類決策不被 AI 跳過

這是 claw-code 中最簡單卻最深刻的工具。實現只有 ~50 行 Rust：

fn run_ask_user_question(input: AskUserQuestionInput) -> Result<String, String> {
    // Step 1: 向 stdout 寫出問題
    writeln!(out, "\n[Question] {}", input.question)?;

    // Step 2: 有選項時列出編號選項
    if let Some(ref options) = input.options {
        for (i, option) in options.iter().enumerate() {
            writeln!(out, "  {}. {}", i + 1, option)?;
        }
        write!(out, "Enter choice (1-{}): ", options.len())?;
    } else {
        write!(out, "Your answer: ")?;
    }

    // Step 3: 阻塞等待 stdin
    stdin.lock().read_line(&mut response)?;

    // Step 4: 回傳 JSON
    to_pretty_json(json!({
        "question": input.question,
        "answer": answer,
        "status": "answered"
    }))
}

設計理念： Agent 不應該自己猜測使用者意圖。遇到不確定時，應該停下來問而非自行腦補。這與我們在 AK-SDD 調研中反覆遇到的 Anti-Rationalization 問題（Agent 根據不完整資訊強行得出結論）是同一問題的不同解法。

交互流程：

Agent → 調用 AskUserQuestion {question: "選哪個方案?", options: ["A","B","C"]}
  → Terminal 顯示 [Question] + 選項列表 + "Enter choice:"
  → 用戶輸入 "2"
  → Agent 收到 {answer: "B", status: "answered"}
  → Agent 基於 "B" 繼續推理

4.2 Smart Session Compaction：永不丟失上下文的壓縮

這是 Claw Code 最精緻的機制之一：

CompactionConfig:
  preserve_recent_messages: N    // 保留最近 N 條消息不壓縮
  max_estimated_tokens: T        // Token 超過 T 時觸發

壓縮流程：
  1. estimate_session_tokens() → 計算當前用量
  2. should_compact() → 超過 T 且有足夠舊消息？
  3. compact_session() → 舊消息壓成結構化摘要
  4. merge_compact_summaries() → 二次壓縮時合併新舊摘要
  5. get_compact_continuation_message() → 告訴 LLM「之前做了什麼」

關鍵保護：
  ✗ 不拆散 tool_use + tool_result 配對
  ✗ 摘要可累積合併（不會丟失第一次的摘要）
  ✗ 自動觸發，無需手動 /compact

這個機制的價值在於：長期運行的 Agent session 不會因為 token 限制而丟失關鍵上下文。

4.3 背景任務系統（TaskRegistry + LaneBoard）

Claw Code 內建了一個完整的任務管理基礎設施：

TaskRegistry:
  ├─ create(prompt) → task_id       // 創建背景任務
  ├─ list(status_filter) → tasks    // 列出所有任務
  ├─ get(task_id) → task            // 獲取單個任務
  ├─ update(task_id, msg) → task    // 更新狀態
  ├─ stop(task_id) → task           // 停止任務
  └─ append_output(task_id, out)    // 追加輸出

LaneBoard:
  ├─ heartbeat tracking             // 心跳追蹤
  ├─ staleness detection            // 僵屍檢測
  └─ lane_status_json               // 機器可讀狀態

設計理念： Agent 不只是「一次性對話」，而是持續運行的 worker。每個任務有明確的生命週期狀態和心跳，僵屍任務會被自動檢測。

4.4 Hook 生命週期系統

HookEvent:
  PreToolUse          → 工具執行前攔截（可拒絕、可修改輸入）
  PostToolUse         → 工具執行後處理（可記錄、可通知）
  PostToolUseFailure  → 工具失敗後處理（可重試、可降級）

Hook 的權力：

• 可以拒絕工具調用（返回 denied）
• 可以修改工具輸入（返回 updated_input）
• 可以覆蓋權限決定（返回 permission_override）
• 所有決策帶有原因說明（permission_reason）

這比單純的 allow/deny 權限模型強大得多——它把安全策略從「二元開關」變成了「可編程管線」。

4.5 MCP 生命週期強化（mcp_lifecycle_hardened）

Claw Code 的 MCP 集成不是簡單的「啟動 → 可用」，而是有完整的生命周期管理：

McpLifecyclePhase:
  Starting → Handshake → Listing Tools → Ready
     │          │            │
     └──────────┴────────────┴── 任一階段失敗 →
                                      McpDegradedReport {
                                        phase: McpLifecyclePhase,
                                        error: McpErrorSurface,
                                        failed_servers: Vec<McpFailedServer>
                                      }

關鍵設計： 部分 MCP server 啟動失敗不會阻止整個 Agent。Degraded mode 會結構化報告哪些 server 失敗、在哪個階段失敗、錯誤原因是什麼。Agent 可以在降級模式下繼續工作。

五、權限與安全模型

Claw Code 的權限系統是目前開源 Agent 中最完善的之一：

三級權限

PermissionEnforcer（精細權限引擎）

配置格式（.claw.json）：
{
  "permissions": {
    "allow": ["BashTool:git*", "BashTool:cargo*"],
    "deny": ["BashTool:rm*", "BashTool:curl*"],
    "ask": ["BashTool:docker*", "BashTool:npm*"],
    "deniedTools": ["WriteFileTool"]
  }
}

支持的模式匹配：

• BashTool:git* → 匹配所有 git 命令
• BashTool:rm* → 阻止所有刪除操作
• BashTool:docker* → docker 命令需要問用戶

交互式權限提示（REPL 內）

⚠️  Claude wants to run: rm -rf node_modules
Allow? (y/N/yes/no/always/never)

選項含義：

• y → 本次允許
• n → 本次拒絕
• always → 記住模式，以後相同命令自動允許
• never → 記住模式，以後相同命令自動拒絕

六、與 OpenClaw（君澤智庫技術棧）全面對比

我們在本地完整安裝了 Claw Code（cargo build --workspace，25.86 秒），並與現有技術棧做了 15 個維度的正面對比：

誰更強？

OpenClaw 的不可替代優勢

Claw Code 完全沒有以下能力：

1. Sub2API 商業化平台 — 多模型統一 API + 團隊計費 + 管理後台（這是最大壁壘）
2. OMLX 本地推理 — 5 個 MLX 量化模型 ~169GB，Apple Silicon 原生零延遲
3. 飛書生態整合 — 文檔/表格/日曆/任務/審批全覆蓋 + 多 Bot 路由
4. 向量記憶系統 — Qdrant + agentmemory + 雙層記憶（1,400+ 條）
5. 多 Agent 團隊 — 8 角色分工（main/planner/maker/checker/research/analyst/legal/designer）
6. 6 渠道通訊 — 飛書 + WhatsApp + Discord + Signal + 微信 + 電郵

七、10 項可借鑑設計模式

我們從源碼級分析中提煉了 10 項可以移植到 OpenClaw 的設計模式，按優先級排序：

🔥 高優先級

🟡 中優先級

🟢 低優先級

八、風險與爭議

法律風險

Claw Code 聲稱是「淨室重寫」（clean-room rewrite），即：

• 只看架構文檔和公開行為，不看源碼
• 由從未見過原始源碼的人實現
• 重新設計 API 和實現細節

但 Reddit 和 Hacker News 上有討論質疑：

• 從源碼洩露到項目創建只有「幾小時」，是否真的完成了正規的淨室流程？
• 大量代碼由 AI Agents（claws/lobsters）生成，如何證明沒有「看到」原始源碼？
• Anthropic 目前尚未採取法律行動，但風險存在

技術爭議

九、原型實戰與風險評估

在文章撰寫的同時，我們基於 claw-code 的最佳設計模式，構建了一個獨立原型專案 claw-inspirations：9 個 Python 模塊、153 個單元測試、全部通過。以下是每個模塊的風險評估和引入建議。

原型位置： claw-inspirations/ · 測試： 153 passed · 0 failed · 1.93s

風險等級定義

9 模塊風險總覽

第一梯隊：可以直接引入（🟢 低風險）

1. Init System（項目初始化）

2. Cost Tracker（成本追蹤）

3. Doctor System（環境診斷）

第二梯隊：加防護後可引入（🟡 中風險）

4. Session Export（會話導出）

5. Task Registry（任務寄存器）

第三梯隊：需要重新設計（🔴 高風險）

6. AskUserQuestion（同步問答）

7. Smart Compaction（智能壓縮）

8. Hook System（生命週期攔截）

9. Permission Enforcer（精細權限）

風險主題分析

從 9 個模塊的風險評估中，浮現出五個跨模塊的共性風險主題：

1. 同步 vs 異步架構衝突 claw-code 的 CLI stdin 同步模型與 OpenClaw 的 Gateway 多渠道異步模型是根本架構衝突。直接移植會導致 session 永久卡死。所有涉及用戶交互的模塊都必須改造為異步回調模式。

2. 數據丟失風險 compaction 不可逆、task registry 無持久化——兩個模塊都存在數據丟失風險。備份 + 持久化是硬要求，不是可選項。

3. 雙重真相來源 新模塊如果與 OpenClaw 現有機制（Gateway 權限、內建 compaction、sessions_spawn/cron）並存且功能重疊，會產生配置衝突和不一致。這和我們在 follow_up_tracker.json vs MEMORY.md 踩過的坑是同一類問題。

4. 安全繞過與縱深防禦 Python 層的 hook 和權限攔截可以被繞過（直接調用底層 exec）。安全模塊必須實現雙層防禦：Gateway 層 + Python 層雙重攔截。

5. 數據隱私 導出和診斷功能可能洩露敏感信息（對話歷史、API key 前綴、環境變數名稱）。需要默認脫敏和使用前警告。

引入路線圖

Phase 1 (立即可做)          Phase 2 (加防護後)         Phase 3 (重新設計)
─────────────────────────────────────────────────────────────────
✅ init-system              ⚠️ session-export          🔴 ask-user-question
✅ cost-tracker             ⚠️ task-registry           🔴 smart-compaction
✅ doctor-system                                       🔴 hook-system
                                                       🔴 permission-enforcer

預計工時: 0.5 天              預計工時: 1-2 天            預計工時: 3-5 天

十、戰略建議

不做什麼

• ❌ 不要用 claw-code 取代 OpenClaw（定位完全不同：編碼 vs 助理）
• ❌ 不要在 macOS 上追求 sandbox（Linux namespace 不可用）
• ❌ 不要追求完全自主無人模式（我們的場景需要人類決策）

應該做什麼

• ✅ 提取最佳設計模式（Hook/PermissionEnforcer/Doctor/Compaction）
• ✅ 強化 CI/自動化能力（參考 claw-analog 模式）
• ✅ 保持 Sub2API/OMLX 的差異化優勢
• ✅ 考慮將 claw-code 作為 Sub2API 的客戶端之一

互補路線圖

OpenClaw (助理) ←──────────→ Claw Code (編碼)
       │                            │
       ├─ 飛書/WhatsApp              ├─ CLI/REPL/tmux
       ├─ 多Agent團隊協作             ├─ 自主編碼Agent
       ├─ Sub2API代理+計費            ├─ 本地執行沙箱
       ├─ Qdrant記憶系統              ├─ RAG服務
       └─ 企業生態整合                └─ CI/CD集成

互補點：
1. Claw Code 可作為 OpenClaw 的編碼執行後端（類似我們用 Claude Code）
2. Sub2API 可為 Claw Code 提供 15+ 模型支持
3. OpenClaw 記憶系統可為 Claw Code sessions 提供長短期記憶

十一、結語

Claw Code 是一個現象級項目——不僅因為它的 star 數，更因為它展示了一個未來：

軟體開發不再是「人寫代碼、機器執行」，而是「人定方向、AI Agent 自主執行」。

它的 60+ 斜槓指令、5 層權限模型、Smart Compaction、Hook 生命週期、MCP 強化生命週期管理、背景任務系統——這些設計模式代表了 AI Agent 工程的當前最佳實踐。

但 Claw Code 不是萬能的。它是更好的編碼 Agent，而 OpenClaw 是更好的 AI 助理平台。兩者定位不同，互補大於競爭。

真正有價值的是：從它的設計中學習，把學到的東西變成我們自己的競爭力。

本文基於 2026-06-01 對 ultraworkers/claw-code 的完整安裝與源碼級分析。
倉庫：https://github.com/ultraworkers/claw-code
構建環境：macOS aarch64 (Apple Silicon) · Rust 1.96.0 · cargo build 25.86s
完整技術對比報告：knowledge/claw-code-vs-openclaw-analysis.md (12KB, 10 章節)