UATU: Claude Code 的业务伙伴

原创

Knight
Knight

JDArmy

2026年6月3日 21:20
北京

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

UATU: Claude Code 的业务伙伴

1. 为什么需要 UATU？

Claude Code + Opus 作为目前最前沿的 Harness 工程，在各类任务执行上都有优秀的表现。但要将其应用于业务系统，需要面临模型稳定性、费用成本控制、安全性及可观测性等多个挑战。

UATU的出现，是为了解决 Agent 业务落地的最后一公里。

在云端和客户端大量使用 Claude Code 的过程中，我们发现了以下核心痛点：

解决方案概览

针对以上问题，我们提出了五种解决方案：

• • 模型动态切换 — 多模型动态切换，保障任务不因单一模型错误而终止
• • 敏感数据可用不可见 — PII 在输入模型前进行 MASK，同时保留模型对敏感信息的使用能力
• • 模型安全策略绕过 — 绕过 Claude 安全策略防护导致的 API Error
• • 混合模型降低成本 — 开源模型与闭源模型混合调用，降低整体模型费用
• • 本地数据存储及可观测性 — 所有模型交互数据本地存储，提供全链路可观测性

2. 【提效】Claude Code 稳定性提升

通过长期使用，我们发现 Claude Code 报错通常有以下几种模式：

2.1 错误模式分析

模式一：接口稳定性不足 — 请求过大或过频，触发限速

整个组织账号超过每分钟 token 限制：

模型超过每分钟 token 限制：

模式二：触发接口敏感数据保护 — 远程模型的敏感数据防护机制

模式三：触发安全拦截策略 — 执行敏感任务被 Claude 安全策略拦截

2.2 解法一：模型动态切换

同一个 Profile 下配置多个模型，当某个模型异常后自动切换到其他模型。由于远程模型请求是无状态的，可以在检测到异常时动态切换，不影响任务执行。

在平台的模型界面，可以控制每个 Profile 下的模型顺序，系统会依次重试调用：

2.3 解法二：敏感数据可用不可见

核心思路：让 Agent 了解各个凭证的含义（从而正常使用），但不让 Agent 拿到凭证本身。

• • 用户输入：请求[email protected]
• • 模型请求：请求⟦EMAIL_ED98891B⟧

实现效果：

完整请求流程：

2.4 解法三：绕过安全策略限制

Claude Code 的安全策略并非通过接口直接报错返回，而是将用户的序列化行为在后端通过模型进行判断。因此安全策略拦截通常发生在任务执行的最后几步（取决于 Claude 的安全防护强度）。

Agent Observatory 在模型响应中增加了拒绝监控：当检测到模型触发安全策略后，自动切换到其他模型，保障任务继续执行。

3. 【降本】模型成本管理

3.1 解法一：模型成本计费

模型成本计算的难点在于 token 缓存命中——命中缓存能大幅降低成本。UATU 基于各模型提供商的定价，自动完成 token 计费计算。

以 Claude 模型为例，计费涉及输入计费、输出计费、缓存命中和缓存写入四个维度：

Claude 模型单次请求计费公式：

总费用 = input_tokens × input价格
       + output_tokens × output价格
       + cache_read_tokens × 缓存命中价格
       + cache_creation_tokens × 缓存写入价格（按 TTL 选 5min 或 1h 档位）

缓存命中节约：

节约金额 = cache_read_tokens × input价格 × 0.9

即完全命中缓存时，成本可节约 90%。

为了让用户更好地了解费用情况，平台在主界面直接展示当日费用：

在模型界面展示本月费用及不同模型的成本分布：

3.2 解法二：保质降本——模型分级切换

基于上述计费逻辑可以明确：同一上下文内不适合切换模型，因为切换会击穿缓存，导致费用暴增。

那什么时候适合切换？

当前 Agent 都支持 Subagent 机制，Subagent 与 MainAgent 上下文隔离，不影响 Claude 的缓存命中。因此我们可以通过 Subagent 机制实现动态模型切换——让 IO 较大的 Subagent 路由到国产模型以降低成本（大部分国产模型比 Claude 命中缓存还便宜）。

在实践中，我们发现了以下关键坑点：

坑点一：CCH 导致 OpenAI 格式模型缓存击穿

Claude Code 的 CCH 机制会在 System Prompt 中添加标识字段：

x-anthropic-billing-header: cc_version=2.1.37.3a3; cc_entrypoint=claude-vscode; cch=<random>;

每次请求都会计算随机值，导致切换到 OpenAI 格式模型时始终无法命中缓存（如 GPT-5.5 + Claude 混用时成本增加数倍）。

解法： UATU 在转发给 OpenAI 格式模型时，自动去除 CCH 标识，提高缓存命中率。

坑点二：Claude Prompt 与其他模型错配

Claude Code 是为 Claude 模型设计的 Harness 系统。当模型替换为 DeepSeek、GLM 等时，Prompt 与模型能力产生错配。

以文件探索场景为例：Claude 模型会先读 README，再看文件目录，再详细看文件；而 DeepSeek-V4-Flash 会跳过理解阶段直接 Read 文件，导致探索结果浅显。

解法： 针对路由到不同 OpenAI 类模型的行为进行分析，形成定制化 Prompt 来优化国产模型在 Claude Code 中的表现。

3.3 优化结果（文本探索场景）

任务： 针对一个 12000 行代码的小型项目，执行代码探索 + 架构分析

结论：

• • GLM-5.1 + Prompt 优化综合最优： 成本仅 Opus 的 32%，时间最短，报告质量接近 Opus
• • DeepSeek + Prompt 优化： 成本略高于 GLM，但响应极慢导致总耗时近 3 倍、探索效率最低

用户可在策略界面自行配置各种切换策略：

4. 【观测 & 安全】Claude Code 行为观测

4.1 解法一：构建行为 Trace 瀑布

参考 Langfuse，将模型请求日志转化为 Trace 瀑布图，包括：用户请求、真实调用模型、Agent 思考过程、工具调用及响应。

完整日志存储在 ~/.cc-proxy/log，可直接让 Claude 分析该目录来排查问题。

4.2 解法二：Agent 高危行为告警

当监控到 Agent 执行高危行为时，观测界面会将相关 Session 标记为红色，让用户一眼识别哪个任务在执行高危操作。

在会话界面中，高危操作通过红色标识展示；在 Session 日志中，行为会被详细标注，方便事后审计。

5. 安装及使用

5.1 安装方式

在https://github.com/MCPFence/UATU下载对应系统版本，然后执行：

npm install && npm start

即可启动程序。

Linux 版考虑到运行在远程环境，默认开启了 Token 验证。

5.2 使用方式

初始配置： 填入相关 Key，选择模型，一键激活即可使用。UATU 会自动设置相关环境变量。

模型配置： 支持两种添加方式——添加新的模型提供商 / 直接添加新的模型。通过以下两个按钮即可完成配置，实现所有模型的混合使用。

写到最后：

最后加一点碎碎念，这是这几个月在Agent安全和Agent渗透方面的作业。在这几个月使用CC渗透过程中，它的能力经常让我感到惊喜与惊吓，好的方面来说，它经常能挖出超出预期的漏洞（这是为什么我抛弃了cc+skill的路线）。但是坏的方面来说，它有时候也会出现一些问题，例如内网接口访问不限速（容易把内网接口DOS影响业务），删除文件过多，删除更改等高危接口访问等。作为渗透这种高风险的工作，一个小的错误就可能导致巨大的业务损失，所以Agent行为的可视、可控就变得非常重要了。

由此原因，我们开始深入研究claude本身，给claude外面再加一层Harness以实现对Claude行为的控制，从claude渗透方面，可以通过行为纠正来提升在渗透的表现，在agent安全方面，可以也需要通过行为来纠正任务。因此，我们把UATU开源出来，它将作为一种基础设施和大家一同探索Agent行为管控及自动化渗透，感兴趣的朋友可以加以下微信群。

加的人有点多，需要的朋友，麻烦备注下目的，及公司或者学校相关的信息，增加通过率，或点击原文跳转github链接