Claude Code系统提示词逆向分析：利用mitmproxy抓包与GLM API环境配置

最近体验了GLM的API，因其宣称对Claude Code有不错的兼容性。实际效果如何，这里不做过多评价。如果你对当前国内各大LLM API在支持Claude Code方面的具体表现有所了解，欢迎分享你的经验。

按照官方教程完成接入后，无论是在命令行中使用Claude Code，还是将其集成到VSCode中，整体流程都非常顺畅，基本实现了开箱即用。

但一个更深层次的问题浮出水面：Claude Code的系统提示词究竟是如何设计的？

对于许多AI工具而言，决定体验上限的往往不是模型本身，而是其背后的工程化设计，主要包括三个方面：

1. 系统提示词结构
2. 工具调用策略
3. 上下文管理方式

想要真正理解这些设计，最直接有效的方法只有一个：

抓包，分析真实请求。

因此，我们接下来将详细探讨如何捕获Claude Code的实时网络请求日志，这是进行任何深入的逆向工程分析的第一步。

一、整体思路

核心思路非常清晰：

1. 使用 mitmproxy 作为反向代理服务器。
2. 将Claude Code的API请求地址指向本地运行的代理服务。
3. 在mitmproxy提供的Web界面中，查看每一次请求的详细内容，包括请求体（request body）和响应体（response body）。
4. 最终，分析捕获到的数据，重点研究其中的系统提示词（system prompt）。

整个数据流的结构如下：

Claude Code
↓
本地 mitmproxy（监听8125端口）
↓
真实模型 API（例如 GLM / Anthropic 等）

二、安装 mitmproxy

官方安装文档地址：
https://docs.mitmproxy.org/stable/overview/installation/

macOS（推荐使用Homebrew）
使用brew命令进行安装：

brew install --cask mitmproxy

当然，你也可以根据自身环境选择使用 uv 或 pip 进行安装。

三、启动反向代理

这里以代理GLM的API地址为例，执行以下命令：

mitmweb --mode reverse:https://open.bigmodel.cn --listen-port 8125

命令执行后：

• mitmproxy会自动在浏览器中打开一个Web控制台界面。
• 默认的访问地址通常是：http://127.0.0.1:8081

在这个控制台页面中，你可以清晰地看到每一个经过代理的请求详情，包括：

1. 请求头（request headers）
2. 请求体（request body）
3. 响应体（response body）

四、修改 Claude Code 的 API 地址

Claude Code的配置文件默认位于以下路径（macOS系统）：
~/claude/settings.json

修改逻辑
原本，Claude Code会直接请求目标API服务器，例如：
https://open.bigmodel.cn

现在，我们需要修改配置，让所有请求先经过我们本地启动的代理服务器：
http://127.0.0.1:8125

配置示例
以下是修改后的 settings.json 文件示例：

{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "xxxx.yyyy",
    "ANTHROPIC_BASE_URL": "http://127.0.0.1:8125/api/anthropic",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1,
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "glm-4.5-air",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "glm-4.7",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "glm-4.7"
  }
}

其中，最关键的一处修改就是：
"ANTHROPIC_BASE_URL": "http://127.0.0.1:8125/api/anthropic"

五、启动 Claude Code 并抓包

完成上述配置后，在终端启动Claude Code：

claude code

然后，打开之前提到的mitmweb控制台地址：http://127.0.0.1:8081。

现在，你就能在控制台中实时观察到：

1. Claude Code发出的每一次API请求。
2. 完整的对话Prompt结构。
3. 工具调用（Tools）的细节。
4. 最核心的——系统提示词的结构。

这一步至关重要，因为你所看到的并非官方文档中简化的“示例Prompt”，而是真实生产环境中使用的、工程化级别的提示词。

六、接下来要分析什么？

成功捕获到数据之后，真正有趣的分析才刚刚开始。我们可以深入探究：

• Claude Code的系统提示词究竟有多长？结构如何？
• 它是如何组织并约束工具调用规则的？
• 模型的行为被哪些规则所限制？
• 代码上下文是如何被有效管理和嵌入的？
• 其多轮对话的交互策略是如何设计的？

这些设计，才是一个工程级AI编程助手区别于普通对话模型的真正核心。

在下篇文章中，我们将对抓取到的具体系统提示词进行拆解。这里先展示一个简单的对话响应（response body）片段，让大家有一个直观感受：

{
    "model": "glm-4.5-air",
    "messages": [
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "把这个命令写到shell文件"
                }
            ]
        },
        {
            "role": "assistant",
            "content": [
                {
                    "type": "text",
                    "text": "{"
                }
            ]
        }
    ],
    "system": [
        {
            "type": "text",
            "text": "You are Claude Code, Anthropic's official CLI for Claude."
        },
        {
            "type": "text",
            "text": "Analyze if this message indicates a new conversation topic. If it does, extract a 2-3 word title that captures the new topic. Format your response as a JSON object with two fields: 'isNewTopic' (boolean) and 'title' (string, or null if isNewTopic is false). Only include these fields, no other text. ONLY generate the JSON object, no other text (eg. no markdown)."
        }
    ],
    "tools": [],
    "metadata": {
        "user_id": "user_ee020b4626dc49055a0c53279bbe0acc9cd2fc3086ab3ac72d9cc91367b27520_account__session_ac0ef032-3c7d-4ce7-8e4a-01fd03124886"
    },
    "max_tokens": 32000,
    "stream": true
}

通过这种方法，我们不仅能了解Claude Code，更能举一反三，为构建或优化自己的人工智能应用提供宝贵的工程参考。这种开源实战精神驱动的探索，正是技术不断前进的动力。如果你对这类深度技术拆解感兴趣，欢迎到云栈社区交流讨论。