企业官网建设流程全解析

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( model=MODEL, system=SYSTEM, messages=messages, tools=TOOLS, max_tokens=8000) 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：

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