Eflow Base观察Claude Code每一步执行细节：全链路追踪配置指南

为什么需要观察AI Agent的每一步？

当我们使用Claude Code这类AI编程助手时，往往只能看到最终输出结果，却无法了解中间发生了什么——模型调用了哪些工具、每步消耗了多少Token、系统提示词是如何拼接的。这种"黑盒"状态让优化变得无从下手。

在传统软件工程中，可观测性（Observability）已经是成熟概念，包括日志（Logging）、指标（Metrics）和追踪（Tracing）三大支柱。但AI Agent领域的可观测性面临独特挑战：模型推理过程本身是非确定性的，工具调用链路可能动态变化，Token消耗与任务复杂度之间的关系难以预测。LangSmith、Helicone、Braintrust等工具正在尝试解决这一问题，而Eflow Base作为本地可控的中间层方案，特别适合对数据隐私有要求的开发者。

Eflow Base正是为解决这个问题而生的中间层工具。它能完整记录你与Claude Code的每一次对话，不仅包括最终回答，还包括每次工具回调、系统提示词拼接、Token消耗等细节数据。本文将详细介绍如何配置和使用Eflow Base来实现对Claude Code的全链路观测。

配置模型供应商API Key

所有后续接入的基础是在Eflow Base的模型供应商中配置你的API Key。目前Eflow Base支持多种接口协议：

DeepSeek^广告：安装对应插件，常规文本任务选择Chat接口，基础地址填写 api.deepseek.com
阿里百炼^广告：通过兼容接口接入
Anthropic兼容接口：可以把地址配置为DeepSeek的兼容路口
OpenAI接口：检测模型时可直接拉取官方模型列表确认连通性
Gemini接口

Anthropic兼容方式配置

保存后供应商会出现在管理列表里，后续创建应用时可以直接选用。

创建应用作为中间层

创建一个新的应用，让它作为Claude Code访问大模型的中间层。Eflow Base采用的中间层（Middleware/Proxy）架构是一种经典的软件设计模式——它位于客户端（Claude Code）和上游模型API之间，对双方透明地拦截、记录和转发请求。这种架构的优势在于无需修改客户端或服务端代码，只需将API请求地址指向中间层即可。类似的设计在API网关（如Kong、Envoy）中广泛应用，Eflow Base将这一理念专门适配到了LLM调用场景。

Eflow Base会自动生成三个基础节点：

开始节点：包含内置变量，可按Agent场景重新组织上下文
LLM节点：核心推理节点
回复节点：输出最终结果

关键配置要点

这里需要特别注意上下文和History变量的处理。Eflow Base已经将它们封装成前端变量，简化了配置流程。

关于推理强度，有两种策略可选：

追随外部请求：让Claude Code传来的设置继续传给LLM
固定推理强度：让应用始终按你设定的策略运行

配置完成后，先检查流程有没有报错，确认模型节点和变量都能正常连接。然后进入预览对话，用一次简单请求验证整条链路。

发布接口并配置Claude Code

预览没问题后，点击发布将应用暴露成外部客户端可访问的接口。发布后进入API页面，Eflow Base会给出兼容OpenAI和Anthropic的接口入口。

创建API密钥

创建一个新的API密钥供Claude Code本地配置使用。注意：密钥只显示一次，生成后要马上保存，之后页面不会再展示完整内容。

请求地址按部署方式填写：

本地Docker部署：默认 127.0.0.1:3100
源码部署：通常使用 7800 端口

配置Claude Code接入

如果还没有安装Claude Code，可以用NPM安装最新版，再回到配置继续验证。

观察日志与全链路追踪

这是Eflow Base最核心的价值所在。进入日志详情后，你能看到：

用户输入：原始请求内容
系统提示词：Claude Code拼接的完整system prompt
工具调用记录：每一次tool call的详细信息
每步返回结果：包括中间推理过程

理解Claude Code的工具调用机制

Claude Code基于Anthropic的Tool Use（函数调用）能力构建，它能够在对话过程中自主决定调用文件读写、命令执行、代码搜索等工具。每次工具调用都遵循一个循环：模型生成tool_use请求→客户端执行工具→将tool_result返回给模型→模型决定下一步动作。一个复杂编程任务可能涉及数十次这样的循环，每次循环都会消耗Token并产生延迟，这就是为什么中间过程的可观测性如此重要。

系统提示词的动态拼接

Claude Code的系统提示词（System Prompt）并非静态文本，而是根据当前项目上下文、用户配置、可用工具列表等信息动态拼接而成。这个拼接过程通常包括：基础人设指令、项目特定的CLAUDE.md文件内容、当前可用工具的schema描述、以及各种行为约束规则。完整的系统提示词可能长达数千Token，理解其构成对于调试Agent行为异常至关重要。通过Eflow Base的日志，你可以完整查看每次请求中实际发送给模型的system prompt全文。

复杂任务的完整记录

当Claude Code执行复杂任务时，日志里会继续出现模型请求、工具调用和每一步返回。右侧提供三个操作按钮：

复制输出
查看具体日志详情
查看回调历史

打开详情和回调历史后，两个面板会并列展示，方便直接对照每一步发生了什么。

步骤数据记录

Token消耗的精确统计

每一次工具执行的回调结果和Token消耗都会作为步骤数据留下来。这些Token数据来自上游模型返回的usage字段，不是前端随便估算的，保证了数据的准确性。

Token是大语言模型计费的基本单位，包括输入Token（prompt tokens）和输出Token（completion tokens）。在Agent场景下，由于多轮工具调用，上下文会不断膨胀——每次调用都需要携带之前的对话历史和系统提示词，导致输入Token呈累积增长。一个看似简单的代码重构任务，可能因为反复读取文件和执行命令而消耗数万甚至数十万Token。精确的Token统计能帮助开发者识别哪些步骤是成本大户，从而优化提示词设计或调整工具调用策略。

有意思的是，即使是客户端自动发起的总结请求也会被记录。当Claude Code自动做会话总结时，你同样可以在日志里看到这次请求的完整信息。

数据报表与趋势分析

除了步骤日志，Eflow Base还提供完整的数据报表功能：

日志报表：字段列支持动态配置
应用活动监控：实时展示应用状态，包括正在执行什么、使用什么协议、监控状态如何
历史数据报表：分析调用趋势、消耗变化和异常情况
历史统计图：观察调用分布，快速定位哪类请求最频繁

通过这些报表，你可以把成本、次数和异常放到同一个复盘链路里，形成完整的优化闭环。

总结

Eflow Base的核心价值不是替你调用一次模型，而是把Claude Code的每一步执行都变成可观察、可复盘、可优化的数据。

对于想要优化AI Agent工作流的开发者来说，"观察"是优化的第一步。只有清楚知道每一步发生了什么、消耗了多少资源、哪里出现了异常，才能有针对性地进行调优。Eflow Base提供的全链路追踪能力，正是连接"使用AI"和"优化AI"之间的关键桥梁。