第 4 章：云服务商与远程控制

在任何地方运行 Claude Code

Claude Code 最初是为本地机器设计的。但如果你的工作跨越多个环境，该怎么办？如果你需要：

在 AWS 的生产 GPU 集群上运行代码，同时从笔记本终端控制？
坐在咖啡馆里调试运行在 Google Cloud 上的数据管道？
从 Mac 向远程 Windows 机器执行代码？
让多个团队成员通过 Web 界面同时贡献同一代码库？

这些场景早已不是边缘情况，而是越来越成为默认工作方式。基于云的工作流、分布式团队和异构基础设施已是行业标准。Claude Code 通过三个集成系统处理所有这些场景：

云服务商集成 — 将 Claude Code 路由到 Bedrock、Vertex AI 或 Azure Foundry
远程控制 — 从你的终端访问和修改远程机器上的代码
Web 会话 — 以 claude.ai/code 作为桥梁连接云端虚拟机和协作环境

本章介绍如何架构跨越整个基础设施的 Claude Code 部署——从本地开发到全球规模。

Amazon Bedrock 集成

Bedrock 是 AWS 的基础模型托管 API，负责处理身份验证、速率限制和多区域故障转移，让你无需操心这些底层细节。优势显著：你的 Claude Code 会话可以利用 AWS 基础设施、区域延迟优化端点以及企业合规框架（SOC2、HIPAA、FedRAMP）。

设置与配置

首先确保 AWS 凭证已就位，Claude Code 会读取标准位置：

bash

# ~/.aws/credentials
[default]
aws_access_key_id = AKIA...
aws_secret_access_key = ...

# 或使用环境变量
export AWS_ACCESS_KEY_ID="AKIA..."
export AWS_SECRET_ACCESS_KEY="..."
export AWS_REGION="us-east-1"

Bedrock 要求你在 AWS 控制台申请模型访问权限。导航到 Bedrock > Model Access，查看你所在区域有哪些 Claude 模型可用。启用后，通过环境变量配置 Claude Code 使用 Bedrock：

bash

# 启用 Bedrock 作为后端
export CLAUDE_CODE_USE_BEDROCK=1

# 可选：指定默认模型
export ANTHROPIC_DEFAULT_SONNET_MODEL="us.anthropic.claude-sonnet-4-6-20260320-v1:0"

# AWS 区域（如果未在 AWS 配置中设定）
export AWS_REGION="us-east-1"

将这些环境变量添加到你的 shell 配置文件（如 ~/.bashrc 或 ~/.zshrc）中以持久化。

模型 ID 与区域可用性

Bedrock 模型标识符遵循特定格式，最常用的如下：

模型	模型 ID	区域	最适合
Claude Sonnet 4.6	`claude-sonnet-4-6`	us-east-1, eu-west-1	默认选择：速度与精度兼顾
Claude Opus 4.6	`claude-opus-4-6`	us-east-1, us-west-2	复杂推理、大上下文
Claude Haiku 4.5	`claude-haiku-4-5`	us-east-1, us-west-2, ap-southeast-1	成本优化

Bedrock 会将请求路由到指定的区域端点。访问 Bedrock 时，Claude Code 按以下顺序检查凭证：

~/.aws/credentials 或环境变量中的凭证
IAM 角色（在 EC2、ECS 或 Lambda 上运行时）
STS 临时凭证（用于假设角色）

常见错误及解决方法：

错误	原因	解决方法
`AccessDenied`	IAM 策略缺少 Bedrock 权限	向 IAM 策略添加 `bedrock:InvokeModel`
`ModelNotAccessible`	模型未在控制台中申请	在 AWS Console > Bedrock > Model Access 中启用
`ThrottlingException`	超过预置吞吐量	使用按需定价或申请更高配额

Google Vertex AI

Vertex AI 是 Google Cloud 的统一 ML 平台，与 BigQuery、Dataflow 和 Pub/Sub 深度集成。如果你的数据管道已经在 GCP 上，这是理想选择。

通过环境变量配置 Claude Code 使用 Vertex AI：

bash

# 启用 Vertex AI 作为后端
export CLAUDE_CODE_USE_VERTEX=1

# 指定 GCP 区域和项目
export CLOUD_ML_REGION="us-east5"
export ANTHROPIC_VERTEX_PROJECT_ID="my-gcp-project-123"

Claude Code 使用应用默认凭证（Application Default Credentials），一次性设置即可：

bash

gcloud auth application-default login

这会创建 ~/.config/gcloud/application_default_credentials.json。也可以使用服务账号密钥：

bash

export GOOGLE_APPLICATION_CREDENTIALS="/path/to/service-account-key.json"

Vertex AI 使用与 Bedrock 相同的 Claude 模型，但提供 GCP 原生集成。例如，你可以直接从 BigQuery 数据集读取数据：

claude

Read the file data/customers.csv and load it into BigQuery dataset 'analytics.staging'.

Claude Code 会自动将其转换为 bq load 命令，并使用你的 GCP 凭证执行。

Microsoft Foundry

微软的 AI 平台与 Azure ML 和 Copilot Studio 集成。如果你的组织以 Azure 为标准，Foundry 提供：

带 GPU 资源池的托管推理
企业合规（ISO 27001、SOC2）
与 Azure DevOps、GitHub 和 Codespaces 的集成
通过 Azure Cost Management 进行成本治理

通过环境变量配置 Claude Code 使用 Foundry：

bash

# 启用 Foundry 作为后端
export CLAUDE_CODE_USE_FOUNDRY=1

使用 Azure CLI 进行身份验证：

bash

az login
az account set --subscription "12345678-..."

注意： Microsoft Foundry 集成是较新的功能，具体配置细节可能随版本更新而变化。建议查阅 Claude Code 官方文档获取最新的 Foundry 配置指南。

LiteLLM 网关（模型路由）

LiteLLM 是一个开源代理，将多个 AI 服务商统一在同一个 API 后面。注意：LiteLLM 不是 Claude Code 的原生 provider，而是通过 API 代理的方式间接使用。

配置方式

首先在 LiteLLM 中定义路由规则：

yaml

# ~/.litellm/config.yaml
model_list:
  - model_name: claude-default
    litellm_params:
      model: bedrock/claude-sonnet-4-6
      region: us-east-1

  - model_name: claude-fallback
    litellm_params:
      model: vertex-ai/claude-opus-4-6
      project: my-gcp-project

  - model_name: claude-budget
    litellm_params:
      model: bedrock/claude-haiku-4-5
      region: us-west-2

fallbacks:
  - claude-default
  - claude-fallback
  - claude-budget

在本地启动 LiteLLM 服务器：

bash

litellm --config ~/.litellm/config.yaml --port 8000

通过设置 ANTHROPIC_BASE_URL 环境变量将 Claude Code 指向 LiteLLM 代理：

bash

export ANTHROPIC_BASE_URL="http://localhost:8000"

优势：

自动故障转移：Bedrock 宕机时，LiteLLM 自动切换到 Vertex AI
成本优化：廉价任务路由到 Haiku，高要求任务路由到 Opus
服务商抽象：无需修改代码即可切换服务商

远程连接

有时你不在机器旁边——可能相隔 3000 英里，或者正在帮助同事调试他们的系统。Claude Code 支持通过 SSH 连接远程机器，在远端环境中直接运行。

通过 SSH 使用 Claude Code

最直接的远程使用方式是在远程机器上安装 Claude Code，然后通过 SSH 连接使用：

bash

# 在远程机器上安装 Claude Code
ssh user@remote-server
npm install -g @anthropic-ai/claude-code

# 之后每次使用时，SSH 连接后直接运行
ssh user@remote-server
cd /path/to/project
claude

Claude Code 在远程机器上运行，所有文件操作和命令执行都在远端完成。你的本地终端只是 SSH 会话的显示窗口。

VS Code Remote 集成

如果你使用 VS Code Remote SSH 或 Remote Containers，Claude Code 可以在远程环境中运行，同时利用 VS Code 的远程开发能力：

通过 VS Code 连接到远程机器
在远程终端中运行 claude
Claude Code 会在远程文件系统上操作

多机器工作流

对于需要在多台机器间切换的场景，推荐使用 SSH 配置文件管理连接：

bash

# ~/.ssh/config
Host dev-gpu
    HostName gpu-server.internal
    User developer
    IdentityFile ~/.ssh/id_rsa

Host staging
    HostName staging-01.prod.internal
    User deploy
    IdentityFile ~/.ssh/id_rsa

然后通过 SSH 连接到任意机器并使用 Claude Code：

bash

ssh dev-gpu
cd /home/ml/project
claude

所有凭证、SSH 密钥和 API 密钥都留在远程机器上，你的笔记本始终看不到它们。

Teleport（Web ↔ CLI 桥接）

Teleport 是一个桥接 Web 会话和 CLI 会话的功能。你在一端开始工作，暂停，切换到另一端，然后继续。把它想象成上下文检查点。

`--teleport` 标志

启动支持 Teleport 的会话：

bash

claude --teleport

输出：

Session ID: tp_7f3a8c4b5d2e9a1f
Share link: https://claude.ai/code/tp_7f3a8c4b5d2e9a1f

复制链接，粘贴到浏览器中。你现在在两个地方拥有同一个会话：终端和 Web。你读取的文件、做出的编辑、运行的命令——全部实时同步。

典型工作流：

本地启动：在终端运行 claude --teleport
构建上下文：读取文件、运行测试、收集信息
切换到 Web：点击分享链接，将会话移到 claude.ai
向同事说明："这是我发现的"——他们在浏览器中看到你的文件和命令
获得帮助：他们通过 Web UI 提出修改建议
回到终端：切换回终端（你的机器持续运行）
完成工作：在本地执行最终命令

与远程机器结合

在远程机器上通过 SSH 启动带 --teleport 的会话，然后将分享链接发给同事：

bash

ssh user@staging-env-01
cd /path/to/project
claude --teleport

这在以下情况极为有用：

事故响应："所有人，看我的终端，我来追踪这个生产 Bug"
结对调试：无需屏幕共享，直接发送链接
异步协作：团队成员可以稍后查看你做了什么并添加评论

会话链接在会话结束后自动失效。

Web 会话（claude.ai/code）

claude.ai/code 的 Web 界面提供了不同的控制模式：通过浏览器而非终端进行交互。对于基于云的工作流，这开辟了全新的可能。

云端虚拟机

如果你的代码运行在云端虚拟机上（EC2、GCE、Azure VM），可以从 Web 界面指向 Claude Code：

确保虚拟机已安装 Claude Code：

bash

# 在虚拟机上安装 Claude Code（二选一）
npm install -g @anthropic-ai/claude-code
# 或
curl -fsSL https://claude.ai/install.sh | bash

在 claude.ai/code 中连接到你的云端环境
选择你的服务商（AWS、GCP、Azure）
使用你的云凭证进行身份验证
选择你想控制的实例
开始工作

浏览器充当 CLI 的 GUI 层。你仍然可以运行任何命令，同时还获得：

左侧文件树（点击可打开）
语法高亮
带可点击链接的终端输出
可视化变更差异查看器

连接器

注意： 连接器功能为实验性功能，可能并非所有版本都可用。以下描述基于已公开的信息，具体命令和参数请以官方文档为准。

对于团队使用，可以使用连接器注册共享环境（如 GitHub、Slack、Linear 等服务）。连接器抽象掉了凭证管理，让团队成员无需各自维护凭证即可连接到共享基础设施。

网络策略

注意： 以下网络策略配置为实验性功能，可能并非所有版本都可用。对于受监管行业（金融、医疗），建议通过企业级网络基础设施（防火墙、VPN、代理服务器）来实施网络访问控制，而非仅依赖 Claude Code 层面的配置。

默认情况下，Claude Code 连接经过加密和身份验证。对于企业部署，可以通过管理策略（Managed Policy）来限制 Claude Code 的网络访问行为。具体配置方式请参考 Claude Code 官方的企业部署文档。

实际架构示例

以下是一个真实场景：一个数据科学团队跨三个环境使用 Claude Code。

配置思路：

不同环境通过环境变量切换后端 provider。可以使用 shell 脚本或 .env 文件来管理不同环境的配置：

bash

# local-dev.env — 本地开发（直连 Anthropic API）
# 无需额外环境变量，使用默认配置

# shared-gpu.env — 团队共享 GPU（使用 Bedrock）
export CLAUDE_CODE_USE_BEDROCK=1
export AWS_REGION="us-east-1"

# production.env — 生产环境（使用 Vertex AI）
export CLAUDE_CODE_USE_VERTEX=1
export CLOUD_ML_REGION="us-east5"
export ANTHROPIC_VERTEX_PROJECT_ID="company-prod-123"

工作流：

本地开发：claude（直连 Anthropic API）
在共享 GPU 上测试：source shared-gpu.env && claude（使用 Bedrock）
部署到生产：source production.env && claude（使用 Vertex AI）
与同事结对调试：claude --teleport（开启 Web 会话）

这种架构通过环境变量分离不同关注点：本地实验、团队资源和生产系统。

参考资料

AWS Bedrock CLI：aws bedrock-runtime invoke-model --help
Google Vertex AI 文档：https://cloud.google.com/vertex-ai/docs
Microsoft Azure ML：https://learn.microsoft.com/en-us/azure/machine-learning/
LiteLLM GitHub：https://github.com/BerriAI/litellm
Claude Code 官方文档：https://docs.anthropic.com/en/docs/claude-code

接下来： 第 5 章 — CLAUDE.md 最佳实践 — 适用于各类项目的经过实战检验的配置方案。

第 4 章：云服务商与远程控制 ​

在任何地方运行 Claude Code ​

Amazon Bedrock 集成 ​

设置与配置 ​

模型 ID 与区域可用性 ​

Google Vertex AI ​

Microsoft Foundry ​

LiteLLM 网关（模型路由） ​

配置方式 ​

远程连接 ​

通过 SSH 使用 Claude Code ​

VS Code Remote 集成 ​

多机器工作流 ​

Teleport（Web ↔ CLI 桥接） ​

--teleport 标志 ​

与远程机器结合 ​

Web 会话（claude.ai/code） ​

云端虚拟机 ​

连接器 ​

网络策略 ​

实际架构示例 ​

参考资料 ​

第 4 章：云服务商与远程控制

在任何地方运行 Claude Code

Amazon Bedrock 集成

设置与配置

模型 ID 与区域可用性

Google Vertex AI

Microsoft Foundry

LiteLLM 网关（模型路由）

配置方式

远程连接

通过 SSH 使用 Claude Code

VS Code Remote 集成

多机器工作流

Teleport（Web ↔ CLI 桥接）

`--teleport` 标志

与远程机器结合

Web 会话（claude.ai/code）

云端虚拟机

连接器

网络策略

实际架构示例

参考资料