我让 Claude 写了一个贪吃蛇游戏，然后用 ccglass 看清它发给模型的真实请求AI 编程 Agent 越来越强。

现在我们已经不只是让模型补全一段代码而是直接让 Claude Code、Codex、OpenCode 这类工具读项目、写文件、调用命令、修改代码、完成一整个开发任务。但随之而来的问题是Agent 的执行过程越来越像黑箱。我们通常只能看到最后结果却不容易知道它到底把什么内容发给了模型system prompt 里有哪些规则当前任务的上下文是怎么组织的模型看到了哪些工具它如何决定写入文件token、cache、latency 这些指标到底是多少为了把这个过程看清楚我用一个很小的 demo 做了一次实验让 Claude Code 从零生成一个贪吃蛇小游戏同时用 ccglass 记录整个请求过程。ccglass 项目地址https://github.com/jianshuo/ccglass补充说明这次演示里我使用的是第三方模型 API上游是阿里云 DashScope 的 Anthropic 兼容接口并不是直连 Anthropic 官方 API。ccglass 在本地作为代理接入 Claude Code记录本地代理收到的请求再转发到配置好的上游服务。因此截图里可以看到 Claude Code、Anthropic 兼容协议和阿里云上游一起出现。这次 demo 做什么这次任务很简单让 Claude Code 在demo-snake目录里从零创建一个可以直接打开的贪吃蛇小游戏。我给 Claude 的要求是请在当前目录 demo-snake 里从零创建一个可以直接打开的贪吃蛇小游戏。 要求 1. 使用纯 HTML/CSS/JavaScript不依赖外部框架。 2. 生成 index.html、style.css、game.js 三个文件。 3. 支持方向键控制。 4. 显示当前分数和最高分。 5. 撞墙或撞到自己后游戏结束。 6. 支持点击按钮重新开始。 7. 页面风格做得稍微精致一点适合截图展示。 8. 完成后告诉我如何在浏览器打开测试。 这次 demo 的记录重点不是游戏本身而是 Claude 生成这个游戏时ccglass 看到什么。先启动 ccglass选择 Claude Code然后在 Claude 里输入这段任务。从终端可以看到ccglass 读取到 Claude Code 配置中的上游地址并将请求转到本地代理。这里的上游是https://dashscope.aliyuncs.com/apps/anthropic也就是说这次 demo 的调用链路大致是Claude Code - ccglass 本地代理 - 阿里云 DashScope Anthropic 兼容接口 - 模型这里的重点不是“Claude 能不能写一个小游戏”。这个任务足够简单很多 AI 工具都能完成。真正值得看的是它在生成这个游戏时背后发给模型的请求到底长什么样。用 ccglass 观察 Claude Code 的请求ccglass 是一个面向 AI 编程 Agent 的本地观测工具。它通过“本地代理 Web Dashboard”的方式记录 Claude Code、Codex、DeepSeek、Kimi、OpenCode 等工具实际发给模型 API 的请求和响应。启动后ccglass 会把 Claude Code 的请求转到本地代理再转发给真实上游。这样我们就能在 Dashboard 里看到请求内容。在这次 demo 中ccglass 记录到了多轮请求。左侧可以看到每一轮请求的模型、耗时、消息数量、工具数量和 HTTP 状态。这张图里有几个信息很关键provider 是 Anthropic 兼容接口上游模型来自第三方 API这次使用的是阿里云 DashScope请求不是一次性的而是多轮追加每一轮都有 latency请求里包含 messages后续请求里包含 toolsClaude 在过程中出现了Write工具调用准备写入文件。这就把“Agent 在背后做了什么”从猜测变成了可观察事实。不只是用户 prompt还包括系统上下文很多人以为 AI Agent 发给模型的内容就是“用户输入的那句话”。但实际请求远比这复杂。在 ccglass 的 messages 视图里可以看到这次请求包含了系统提醒、当前日期、用户任务以及后续的 assistant 内容。可以看到Claude 收到的不只是“写一个贪吃蛇游戏”。请求里还会包含类似这样的上下文当前日期system-reminder用户完整需求工作目录信息前几轮 assistant 内容已发生的工具调用结果后续模型需要继续处理的上下文。这也是为什么 AI Agent 有时候表现得像“知道很多现场信息”它不是凭空知道的而是这些上下文被组织进了模型请求。对于开发者来说这一点非常重要。如果 Agent 跑偏了我们不能只看最后回复而应该回到请求里检查模型到底看到了什么它是不是缺了关键上下文是不是带了太多无关信息是不是工具结果影响了下一轮判断ccglass 的价值就在这里。模型看到了哪些工具AI 编程 Agent 和普通聊天机器人最大的区别之一是它可以调用工具。比如读文件、写文件、运行命令、搜索代码、启动子任务等。但模型能不能正确使用工具很大程度取决于工具 schema 和描述写得怎么样。在 ccglass 的 tools 视图里可以看到 Claude Code 暴露给模型的工具定义。这张图展示的是工具定义而不是最终工具调用结果。它告诉我们模型在这一轮请求里能看到哪些工具、这些工具什么时候该用、参数 schema 是什么。比如 Agent 工具的描述里会说明什么时候应该启动一个新 agent每种 agent type 有不同能力使用工具时需要指定参数工具结果会如何返回。同理Claude Code 还会向模型提供写文件、读文件、运行命令等工具。模型根据这些工具描述决定下一步如何行动。这对调试 Agent 很有帮助。如果某个工具经常被误用问题可能不在模型本身而在工具说明、参数设计或上下文组织方式上。从需求到文件写入这次 demo 的任务是生成三个文件index.htmlstyle.cssgame.jsClaude 在分析任务后开始把用户需求转成实际文件。在 ccglass 的记录里可以看到 Claude 的 response 和后续状态。最后它总结已经创建了三个文件并提示下一步在浏览器中打开index.html测试。