从分布式架构到 AI 架构面试题
一句话概括
这篇文章用传统系统设计的“从 SLA 和约束反推方案”思路解释 AI 架构面试：Claude-Code 不只是聊天式代码生成，而是由记忆、扩展、集成、编程四层构成的 Harness-Engineering；不同组件须按触发方式与风险边界选型。
实践内容
四层模型与组件选择
记忆层：CLAUDE.md / rules / memory，提供项目背景
扩展层：commands / skills / subagent / hooks，承载可组合能力
集成层：headless + MCP，进入 CI/CD 与外部系统
编程层：SDK，构造可无人值守的业务工作流
固定且人主动触发 → command 或仅用户可触发的 Skill
需模型按语义判断 → Skill
支线或长任务 → Subagent
工具调用事件上的硬约束 → Hook
无交互流水线 → headlessHook 作为推理外门禁
{
"hooks": {
"PreToolUse": [{
"matcher": "Bash",
"hooks": [{
"type": "command",
"command": "sh \"$CLAUDE_PROJECT_DIR/.claude/gate.sh\"",
"statusMessage": "commit 死规则闸门"
}]
}]
}
}文章示例以提交规模为门禁：脚本拒绝超过 400 行的单次提交。重要的是，Hook 不依赖模型是否“记得遵守”，用非零退出可确定性拦截。
摘录
分布式架构题训练的是把系统拆开、把流量扛住的推导能力；进入 AI 时代，问题上移为如何给模型套上缰绳、让它稳定完成工作。作者强调，同一模型在不同 Harness 下的表现差异往往比不同模型在同一 Harness 下更大，因此 AI 架构考察的核心不是背概念，而是能否将工具、权限、上下文、持久化和事件约束编排成可工作的系统。
文章把 Claude Code 的架构自底向上分为四层：记忆层用规则和文档减少无状态模型对项目的误解；扩展层把 command、Skill、Subagent、Hook 作为正交原语；集成层由 headless 和 MCP 将 Agent 接到 CI/CD 与外部数据；编程层通过 SDK 构造稳定工作流。四层不是功能罗列，而是解释“哪些信息常驻、什么能力按需、何时触发外部操作、何时由代码编排”的责任分工。
commands 与 Skills 都属于模型需要解释执行的软约束，而 Hooks 在工具调用前后运行于推理之外。对于数据库写入、git push 等高风险动作，文章建议用 Hooks 形成硬拦截；打包、部署、代码审查等标准化流程可封装成 Skill 再由用户或模型触发。这个差异把“告诉 Agent 不要做”与“系统实际上不允许做”明确区分开来。
涉及实体
- Claude-Code —— 四层模型的主体，提供 Skill、Hook、headless 与 SDK 等工程原语。
- Harness-Engineering —— 把模型能力转换为可控执行链路的工程层。
- Agent-Skill —— 适合由语义命中、按需加载的过程性知识。
- MCP —— 集成层将外部工具与数据引入 Agent 的标准接口。
涉及主题
我的评注
传统架构题的关键价值在“可从约束反推且可验证”，这一点可直接迁移到 AI 工程：不要只问有没有 Skill 或 MCP，而应追问触发方、权限边界、可观测证据与失败后的停止条件。