learn-claude-code 快速上手17 节从零搭出 Claude Code 同款 Agent Harness【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一、为什么 if-else 管道走不远如果你把几个大模型调用用 if-else 分支、节点图串成过AI Agent多半体会过节点越加越多系统却越来越脆换个问法就答非所问加一条规则就改坏另一条。learn-claude-code 就是冲着这个问题来的它把 Claude Code 拆成 17 节渐进式小课每节只加一个运行环境机制每节代码都能直接跑。这套仓库的底层判断很硬模型的智能来自训练不是你外面那套编排代码给的。用 if-else 硬堆规则树等于指望胶水代码自己涌现出自主行为——不会。所以它不教你编排 Agent只教你搭 Harness运行环境工具、知识、观察渠道、行动接口和权限边界。二、它是什么一个把 Claude Code 拆成 17 节实验的教程仓库一句话定义learn-claude-code 是一门 Harness 工程教程教你把Agent 产品 模型 Harness里的后半部分亲手搭出来。打个比方模型是厨师Harness 是厨房。灶台、刀具、动线、出餐口都得有人修但菜是厨师炒的。仓库不训练模型它只教你装修厨房而且从毛坯开始一间间装修——第 1 节只有一个循环加一条 bash 命令最后一节才把整间厨房装齐。图里画的是第 15 节的集成版所有机制最终都收进同一个循环。这也是整门课的走向。三、怎么运转一条 while 循环加上三个关键机制最小 Agent 循环怎么搭把停不停交给模型第 1 节s01_agent_loop/回答Agent 到底是个什么东西其实就是一个死循环。循环怎么搭把消息列表发给模型模型若说我要调工具代码就执行工具、把结果装回消息列表再发回去模型若不再调工具循环结束。核心代码不到 10 行def agent_loop(messages): while True: response client.messages.create( modelMODEL, systemSYSTEM, messagesmessages, toolsTOOLS, max_tokens8000) messages.append({role: assistant, content: response.content}) if response.stop_reason ! tool_use: return # 执行每个工具把 tool_result 装回 messages继续循环判断该不该停完全由模型的 stop_reason 说了算代码不做第二次推理。工具只有一个 bash但执行器里已经埋了最朴素的权限危险命令黑名单直接拦截、120 秒超时、输出截断到 5 万字符。像打乒乓球——你只管把球打回去什么时候收球由对方定。加工具时循环一行不改一张 dispatch 表第 2 节s02_tool_use解决工具从 1 个长到 5 个的问题。机制就一张字典工具名映射到处理函数循环里原来写死的 run_bash 调用换成按模型报的工具名查表执行。效果新工具 新函数 字典里加一行循环结构零改动。更值得注意的是边界五个文件类工具全部先过一个 safe_path 检查路径一旦逃出当前工作目录就抛Path escapes workspace。权限不是外挂而是直接焊在工具实现里成本极低。上下文快爆了怎么办s08 的四层压缩长任务跑一会儿消息列表必然撑爆模型上下文。s08 的答案是每次调模型前先过一道压缩流水线从轻到重四层tool_result_budget过大的工具结果直接落盘到 .task_outputs/tool-results/消息里只留指针snip_compact把中间段旧对话归档到 .transcripts/micro_compact把旧的工具结果截短compact_history前三层压不住、上下文超限才用模型把历史总结成摘要。好比整理书桌先清便签、再收旧笔记实在放不下才把整本笔记蒸馏成一页提纲。另外还留了后手——真被 API 报 prompt_too_long 时被动压缩一次再重试。往后走课程把同一套思路扩到权限审批、钩子、记忆、任务系统、后台任务、定时触发、多 Agent 团队任务用文件锁加原子替换认领天然防抢、MCP 插件、工作流编排和独立评估员把关停止的目标闭环。旧版 12 节课还在 agents/ 和 docs/ 里过渡保留注意它的编号与现行 17 节对不上新读者直接从 s01 读起即可。四、跑起来四个步骤跑通第一个 Agent 示例依赖只有三个包anthropic、python-dotenv、pyyaml见 requirements.txt配置见 .env.example。最短路径git clone https://gitcode.com/GitHub_Trending/an/learn-claude-code cd learn-claude-code pip install -r requirements.txt cp .env.example .env # 填两个必填项 python s01_agent_loop/code.py需要关心的配置字段只有三个字段必填说明ANTHROPIC_API_KEY是Anthropic 或兼容提供方的 API KeyMODEL_ID是.env.example 默认示例为 claude-sonnet-4-6ANTHROPIC_BASE_URL否指向 Anthropic 兼容端点MiniMax / GLM / Kimi / DeepSeek 均可最后一个字段是刻意的模型层从第一天就可换Harness 与具体模型解耦。跑起来后是个交互式命令行输入任务回车它会自己跑 bash 命令直到答完输入 q 退出。不想真调模型时tests/ 里有 13 个测试文件覆盖压缩、任务系统、团队运行时等机制可离线核对行为。五、边界之外它不做什么还能往哪走先说清楚它不做什么不训练模型不做生产级部署没有图形界面也不给你一个装完即用的框架——它交付的是理解和手艺。适用面反而因此很宽任何需要模型做复杂多步判断的领域循环都长一个样变的只是工具、知识和权限。想给自己的业务搭一套照课程顺序把机制往自己领域里填就行。延伸方向也有现成的skills/ 目录是第 7 节技能加载的真实语料web/ 子目录把整门课生成了带源码和模拟器的在线阅读站读完想验证机制行为直接翻 tests/。厨房修到什么程度厨师就能做出什么菜——把循环守住把边界焊死剩下的交给模型。【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
