В современном мире искусственного интеллекта одним из вызовов является понимание работы сложных систем и инструментов, предоставляемых ведущими AI-компаниями. Claude Code CLI — одна из таких мощных платформ, предоставляющая разработчикам и исследователям уникальные возможности управления процессами с помощью командной строки и встроенных AI-подагентов. Недавний опыт обратной разработки Claude Code с помощью специализированных подагентов открыл новые горизонты в понимании архитектуры и принципов функционирования подобных систем. Обратная разработка, или реверс-инжиниринг, представляет собой процесс анализа программного обеспечения с целью выявления его структуры, компонентов и алгоритмов работы без доступа к исходному коду в читаемом виде. В случае Claude Code CLI разработчику пришлось столкнуться с минфицированным, обфусцированным JavaScript-кодом, затрудняющим понимание внутренней логики.
Для решения этой задачи было применено новое функциональное расширение системы — подагенты Claude. Подагенты представляют собой отдельные, специализированные AI-ассистенты, способные выполнять определённые задачи более эффективно и изолированно. Благодаря этому можно делегировать им часть работы, сохраняя общий контекст и обеспечивая масштабируемость процесса. В процессе обратной разработки были созданы три ключевых подагента. Первый занимался разбиением минфицированного кода на удобные для анализа части, учитывая ограничения по размеру.
Второй — отвечал за анализ архитектуры, обнаружение используемых модулей, фреймворков и зависимостей. Третий — выполнял форматирование и приведение кода в читабельный вид. Такой модульный подход позволил значительно ускорить процесс и повысить качество понимания внутренней структуры Claude Code. Разбивка файла на небольшие фрагменты не только облегчила их обработку, но и снизила риск ошибок при деобфускации. Анализ структуры выявил ключевые зависимости и контактные точки системы с внешними библиотеками, такими как Sentry, Zod, Protobuf, Ink.
js и React. Это дало возможность построить высокоуровневую карту кода, понимание которой необходимо для эффективной работы и модификации. Одним из наиболее интересных результатов исследования стало обнаружение так называемого инструмента TODO с тщательно проработанным промптом. Этот инструмент играет важную роль в организации работы AI-ассистента, позволяя структурировать задачи, отслеживать прогресс и оптимизировать выполнение многозадачных операций. Промпт описывает правила пользования списком дел, включающие критерии использования, описание задач, принципы управления и примеры из реальной практики.
Такой подход демонстрирует глубину и серьёзность подхода разработчиков к управлению сложными сценариями, обеспечивая гибкость и прозрачность процесса. Также в процессе работы был обнаружен экспериментальный режим UltraClaude, который представляет собой расширенный функционал с новыми возможностями, вероятно, предназначенными для более глубокого и эффективного взаимодействия с AI-системой. Несмотря на то что подробности функционирования этого режима остаются ограниченными, наличие такого режима свидетельствует о постоянном развитии и инновациях внутри платформы. Ещё одним важным элементом стала интеграция веб-инструмента Web Fetch. Этот инструмент предназначен для извлечения контента с веб-страниц, преобразования его в удобный для обработки формат и анализа с помощью встроенной модели искусственного интеллекта.
Web Fetch полезен для получения актуальной информации из интернета, позволяя расширить возможности AI-ассистента за рамки локального контекста. Инструмент оснащён встроенным кэшированием, поддерживает обновление протокола безопасности с HTTP на HTTPS и обрабатывает URL-перенаправления, что обеспечивает надежность и безопасность работы. Кроме технических аспектов, применение подагентов продемонстрировало эффективный подход к параллельной и долгосрочной работе с большими кодовыми базами. Разделение задач на отдельные потоковые процессы снижает нагрузку на основную систему и позволяет написать более четко структурированные отчёты и результаты анализа. Такой подход особенно полезен при работе с монолитными или сильно минифицированными проектами.
Однако эксперименты показали, что для достижения лучших результатов необходимо не просто предоставлять общие инструкции, а максимально детально направлять работу подагентов. Это связано с тем, что современные AI еще не всегда способны самостоятельно оптимально решать сложные задачи без дополнительного контекста и разъяснений. Ключевым моментом оказалась необходимость активного участия человека в управлении процессом, точного формулирования целей и дополнительной информации, что значительно снижает риски ошибок и нецелевых выводов. Таким образом, комбинация автоматизации с помощью специализированных подагентов и экспертного управления позволила успешно выполнить задачу обратной разработки Claude Code CLI. Это не только повысило качество анализа, но и открыло новые перспективы для расширения функционала с помощью AI, демонстрируя потенциал подобных систем в будущем.
Подытоживая, можно сказать, что использование подагентов Claude для реверс-инжиниринга является инновационным и эффективным методом, открывающим доступ к сложным технологиям и инструментам разработки на основе искусственного интеллекта. Такой метод способствует более глубокому пониманию систем, ускоряет процессы анализа, а также повышает прозрачность и контролируемость работы AI-инструментов. В дальнейшем подобные технологии и подходы будут играть ключевую роль в развитии AI-индустрии, помогая создавать более адаптивные и полезные решения для самых разных сфер деятельности.
