learn-claude-code把 Agent Harness 拆成 17 课的可运行教程【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-code你一定有过这种时刻Claude Code 用得很熟但想自己搭一个编码 agent 时打开编辑器却不知道从哪下手——agent 内部到底在做什么learn-claude-code 就是冲着这个问题来的一个从 0 到 1 重建类 Claude Code 编码 agent 的 agent harness 教程共 17 章每章一个独立可运行的 Python 文件第一个工具只有 bash。它到底是怎么工作的仓库先立论agent 的自主性来自模型训练不是外部编排代码所以代码的职责只是搭 harness车模型是司机。拆开看agent 核心就是一个 while 循环把 messages 发给大模型若返回的stop_reason是tool_use就执行工具、把结果追加回 messages 再进下一轮模型不调用工具时结束。后续所有章节——权限、压缩、多 agent——都是在这个循环外面加机制循环本身始终不动。类比一下它相当于把 agent 的大脑模型和车身工具、上下文、权限彻底拆开你只需要学造车。机制章节职责Agent Loops01一个循环 一个 bash 工具最小可用 agentTool Dispatchs02从 1 个工具扩展到多个循环不变Permission / Hookss03/s04划定能跑什么、在哪挂扩展点不改主循环Context Compacts08长对话如何不撑爆上下文Agent Teamss13多 agent 并行协作与冲突规避三个值得你关注的核心能力分发映射加工具就是往 dict 里加一项s01 里工具是硬编码的run_bashs02 换成一张名字 → 函数的分发表执行时按模型返回的名字查 handler。新增 read_file、write_file、edit_file 等工具只是注册进表主循环一行不动。这是最值得抄进自己项目的设计模式TOOL_HANDLERS { bash: run_bash, read_file: run_read, write_file: run_write, edit_file: run_edit, } handler TOOL_HANDLERS.get(block.name) output handler(**block.input)四步压缩管线长任务不再死在上下文超限长会话必然撑爆上下文s08 的答案是一条代价递增的管线先把超大工具结果落盘纯规则0 次 API 调用再裁掉消息历史中间段然后把旧工具结果折叠成一行三步做完仍超限才调用一次模型生成摘要。实际效果可量化单批工具结果超过 20 万字符就落盘到.tool_results/上下文里只留 2000 字符预览消息超过 50 条时中间段归档为 transcript 文件并保护工具调用与结果的配对不被切断。多 agent 协作文件锁领任务worktree 各管各的s13 进一步做持久化队友每个 teammate 有独立 loop 和 inbox通过.mailboxes/*.jsonl消息总线协调任务落盘并带blockedBy依赖字段多 agent 用 flock 原子领取保证同一任务不会被抢两遍再配合 git worktree 给每个任务独立工作目录并行编辑互不打架。这是整个仓库最接近生产的部分展示了不依赖任何中心服务、纯文件加锁实现多 agent 协作的完整路径。和其他方案比它的取舍是什么维度learn-claude-codeLangGraph 等编排框架直接读 Claude Code 源码学习目标搞懂 agent 每个机制快速搭出能跑的应用拿到真实生产实现代码量每章约 100~200 行全部可运行依赖栈大概念层多数十万行打包后的 JS抽象负担几乎没有循环加 dict 就是全部先理解 node/edge/checkpointer难以剥离内部依赖可直接当产品用否作为自建的地基是生态成熟有许可与逆向风险坦率讲如果你要自建 agent 并理解为什么这么做这是最直接的路线每个机制都是可读、可运行、注释讲清取舍的代码如果你只需要快速上线应用LangGraph 的现成生态更实用这个教程对你的价值有限。它也是教程而非框架——读完不能直接 import 当库用要照 s15 自己把运行时拼起来且示例代码基于 Anthropic 客户端换模型得改调用层。怎么开始 谁适合看git clone https://gitcode.com/gh_mirrors/an/learn-claude-code cd learn-claude-code pip install -r requirements.txt # .env 里配置 ANTHROPIC_API_KEY 与 MODEL_ID python s01_agent_loop/code.py # 一个循环 bash第一个可运行 agent建议顺序s01 → s02 → s08 → s13 先打通主线其余章节可挑感兴趣的补。章节讲解见 s01_agent_loop/所有机制汇成完整运行时的整合章在 s15_integrated_harness/想边读边演示可以本地跑 web/ 可视化平台。模型提供智能你要做的只是把车造好。【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-code创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 learn-claude-code：把 Agent Harness 拆成 17 课的可运行教程
learn-claude-code把 Agent Harness 拆成 17 课的可运行教程【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-code你一定有过这种时刻Claude Code 用得很熟但想自己搭一个编码 agent 时打开编辑器却不知道从哪下手——agent 内部到底在做什么learn-claude-code 就是冲着这个问题来的一个从 0 到 1 重建类 Claude Code 编码 agent 的 agent harness 教程共 17 章每章一个独立可运行的 Python 文件第一个工具只有 bash。它到底是怎么工作的仓库先立论agent 的自主性来自模型训练不是外部编排代码所以代码的职责只是搭 harness车模型是司机。拆开看agent 核心就是一个 while 循环把 messages 发给大模型若返回的stop_reason是tool_use就执行工具、把结果追加回 messages 再进下一轮模型不调用工具时结束。后续所有章节——权限、压缩、多 agent——都是在这个循环外面加机制循环本身始终不动。类比一下它相当于把 agent 的大脑模型和车身工具、上下文、权限彻底拆开你只需要学造车。机制章节职责Agent Loops01一个循环 一个 bash 工具最小可用 agentTool Dispatchs02从 1 个工具扩展到多个循环不变Permission / Hookss03/s04划定能跑什么、在哪挂扩展点不改主循环Context Compacts08长对话如何不撑爆上下文Agent Teamss13多 agent 并行协作与冲突规避三个值得你关注的核心能力分发映射加工具就是往 dict 里加一项s01 里工具是硬编码的run_bashs02 换成一张名字 → 函数的分发表执行时按模型返回的名字查 handler。新增 read_file、write_file、edit_file 等工具只是注册进表主循环一行不动。这是最值得抄进自己项目的设计模式TOOL_HANDLERS { bash: run_bash, read_file: run_read, write_file: run_write, edit_file: run_edit, } handler TOOL_HANDLERS.get(block.name) output handler(**block.input)四步压缩管线长任务不再死在上下文超限长会话必然撑爆上下文s08 的答案是一条代价递增的管线先把超大工具结果落盘纯规则0 次 API 调用再裁掉消息历史中间段然后把旧工具结果折叠成一行三步做完仍超限才调用一次模型生成摘要。实际效果可量化单批工具结果超过 20 万字符就落盘到.tool_results/上下文里只留 2000 字符预览消息超过 50 条时中间段归档为 transcript 文件并保护工具调用与结果的配对不被切断。多 agent 协作文件锁领任务worktree 各管各的s13 进一步做持久化队友每个 teammate 有独立 loop 和 inbox通过.mailboxes/*.jsonl消息总线协调任务落盘并带blockedBy依赖字段多 agent 用 flock 原子领取保证同一任务不会被抢两遍再配合 git worktree 给每个任务独立工作目录并行编辑互不打架。这是整个仓库最接近生产的部分展示了不依赖任何中心服务、纯文件加锁实现多 agent 协作的完整路径。和其他方案比它的取舍是什么维度learn-claude-codeLangGraph 等编排框架直接读 Claude Code 源码学习目标搞懂 agent 每个机制快速搭出能跑的应用拿到真实生产实现代码量每章约 100~200 行全部可运行依赖栈大概念层多数十万行打包后的 JS抽象负担几乎没有循环加 dict 就是全部先理解 node/edge/checkpointer难以剥离内部依赖可直接当产品用否作为自建的地基是生态成熟有许可与逆向风险坦率讲如果你要自建 agent 并理解为什么这么做这是最直接的路线每个机制都是可读、可运行、注释讲清取舍的代码如果你只需要快速上线应用LangGraph 的现成生态更实用这个教程对你的价值有限。它也是教程而非框架——读完不能直接 import 当库用要照 s15 自己把运行时拼起来且示例代码基于 Anthropic 客户端换模型得改调用层。怎么开始 谁适合看git clone https://gitcode.com/gh_mirrors/an/learn-claude-code cd learn-claude-code pip install -r requirements.txt # .env 里配置 ANTHROPIC_API_KEY 与 MODEL_ID python s01_agent_loop/code.py # 一个循环 bash第一个可运行 agent建议顺序s01 → s02 → s08 → s13 先打通主线其余章节可挑感兴趣的补。章节讲解见 s01_agent_loop/所有机制汇成完整运行时的整合章在 s15_integrated_harness/想边读边演示可以本地跑 web/ 可视化平台。模型提供智能你要做的只是把车造好。【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-code创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考