Claude Engineer：让 AI 自己学会造工具的编程助手

从"你有什么功能"到"你自己决定需要什么工具"

传统的 AI 编程助手，本质上是一个回答者。你问它答，问什么给什么——它的能力上限就是开发者在设计之初预留给它的那些工具。而 Claude Engineer 走了一条完全不同的路：它是一个学习者。

想象一下，你在和一位经验丰富的工程师 Pair Programming。你说"帮我把这个网页里的数据提取出来做一个表格"，他二话不说，直接写了一个 WebScraperTool；你说"我要对比两个文件的差异"，他立刻创建了 DiffEditorTool；你说"这个目录下的文件太多了，帮我整理一下"，他生成了 CreateFoldersTool。这些工具不是一开始就有的，而是在对话中按需生长出来的。

这就是 Claude Engineer 的核心哲学：AI 的能力不是固定的，而是动态扩展的。 你用得越多，它就越懂你需要什么，工具库就越丰富。

背景：AI Agent 的自我进化浪潮

Claude Engineer 诞生于 2024 年 6 月，由开发者 Doriandarko 创建。它站在 Claude 3.5 Sonnet 这位"最强代码助手"的肩膀上，专注于解决一个核心问题：LLM 如何在长程对话中持续保持高效？

业界已有许多 Agent 框架——LangChain、AutoGPT、BabyAGI——它们各有侧重，但普遍存在一个痛点：工具集是静态的。当模型发现当前对话需要某个能力，但工具库里没有，它只能返回"我做不到"。Claude Engineer 的回答是：做不到？那就自己造一个。

核心架构：三层解耦的动态工具系统

项目的代码结构清晰地体现了这一设计理念：

claude-engineer/
├── app.py              # Flask Web 服务器
├── ce3.py              # CLI 主程序 + Assistant 核心类
├── config.py           # Anthropic API 配置
├── tools/              # 工具实现
│   ├── base.py         # BaseTool 抽象基类
│   ├── toolcreator.py  # 工具创建器（核心！）
│   ├── browsertool.py  # 浏览器自动化
│   ├── webscrapertool.py
│   ├── filecreatortool.py
│   ├── fileedittool.py
│   ├── screenshottool.py
│   └── ...             # 14 个内置工具
├── prompts/            # 系统提示词
│   └── system_prompts.py
└── templates/          # Web UI 模板

核心流程是这样的：当用户在对话中表达了一个需求，而现有工具无法满足时，ToolCreator 就会启动。它会引导 Claude 分析需求，生成工具的 Python 代码，然后通过 importlib 在运行时动态加载。整个过程用户几乎无感知，工具就"长"出来了。

关键技术栈

内置工具一览

Claude Engineer 内置了 14 个经过精心设计的基础工具，覆盖了日常开发的核心场景：

• BrowserTool：浏览器自动化操作
• WebScraperTool：网页内容抓取
• FileCreatorTool / FileEditTool：文件创建与编辑
• FileContentReaderTool：文件内容读取
• CreateFoldersTool：目录结构创建
• DiffEditorTool：文件差异对比
• ScreenshotTool：屏幕截图
• LintingTool：代码质量检查
• DuctDuckGoTool：网络搜索
• E2BCodeTool：云端代码执行（沙箱环境）
• UVPackageManager：Python 包管理
• ToolCreator：自助工具生成（最关键）

Claude 3.5 Sonnet 的强力加持

项目使用 claude-3-5-sonnet-20241022 模型，配合 MAX_TOKENS=8000 的输出限制和 MAX_CONVERSATION_TOKENS=200000 的上下文窗口。这意味着单次对话可以积累大量交互历史，模型能够记住之前创建过的工具，并在后续对话中复用它们——这正是"自我进化"的技术基础。

项目还接入了 Anthropic 的Token 计数 API，实现了精细化的 token 使用追踪，并通过 Web UI 实时可视化。开发者可以清晰看到每轮对话消耗了多少 token、上下文窗口的占用情况。

部署体验：简单但有前提

Claude Engineer 没有提供 Docker 容器化方案，部署依赖本地 Python 环境。不过得益于 uv 的引入，安装过程被大幅简化：

git clone https://github.com/Doriandarko/claude-engineer.git
cd claude-engineer
uv venv && source .venv/bin/activate
uv run ce3.py   # CLI 模式
uv run app.py   # Web UI 模式 (http://localhost:5000)

Web UI 模式提供了现代化的对话界面，支持实时 token 追踪、图片上传（拖拽即传）、Markdown 渲染和语法高亮。对于不习惯命令行的用户非常友好。

CLI 模式则面向 terminal 原住民，使用 Rich 库实现了彩色输出、进度条和实时面板。两种模式的底层逻辑完全一致，用户可以根据场景切换。

硬件需求方面，由于所有推理都由远程的 Claude 3.5 Sonnet 完成，本地无需 GPU，一台普通开发机即可流畅运行。

局限与争议

硬币的另一面同样值得正视：

1. Anthropic API 成本：所有对话都调用 Claude 3.5 Sonnet，工具生成、代码执行都在 token 消耗中。长期高频使用需要关注 API 账单。

2. 单人维护：仓库只有 1 位主要贡献者，Issue 数量（50+）和 Star 增长（11k+）之间的落差说明项目在快速扩张但维护力量有限。

3. 安全边界：动态工具生成意味着模型可以"写代码并执行"。虽然有 E2B 沙箱保底，但在本地直接运行时，工具的权限边界完全依赖模型自身的判断。

4. 工具持久化：动态创建的工具在会话结束后是否保留？这决定了"进化"是否真实累积，目前看来答案并不明确。

行业意义：重新定义 AI 助手的边界

Claude Engineer 11k+ 的 Star 数量说明了一件事：开发者对"能自我进化的 AI 助手"有着强烈的需求。

它代表了一个方向性转变：从"AI 帮你做事"到"AI 学会帮你做事"。当工具不再是瓶颈，开发者与 AI 的协作模式将从"指令-执行"进化为"对话-共创"。

这个项目也在客观上推动了 Claude Code、Cursor Agent 等后来者的探索。可以说，Claude Engineer 是 2024 年 AI 编程助手自我进化浪潮中的一个标志性节点。