五分钟跑通最小 Coding Agentlearn-claude-code 的 17 节 Agent Harness 课程完全指南【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-codelearn-claude-code 是一套 17 节渐进式开源课程教你从零拼出一个能跑的 agent harness也就是把模型包成一个 coding agent 的那层外围框架。读完可以按顺序跑通仓库里 s01 到 s17 的脚本并看懂这类智能体的内部结构。 它解决什么问题先想个场景。你写了个调模型的 while 循环但它只会 bash。怎么让它读文件、跑测试、记住上次干了什么每接一个新能力就往上堆 if-else循环很快会变得没法读主循环也被改得面目全非。learn-claude-code 的思路很直接智能交给模型其余一切交给外围框架也就是agent harness。工具、知识、上下文、权限都由 harness 铺好模型只负责决定调不调工具、什么时候停代码则执行模型的请求并把结果喂回去。换句话说你不用写决策树只要给模型一双手、一张工作台智能自己会在里面表达。具体讲harness 递了五样东西摸文件和命令的工具、查领域资料的知识的、看当前状态的上下文、真正动手的动作接口以及不出格的权限边界。⏱️ 五分钟跑起来先克隆仓库装依赖就三个包anthropic、python-dotenv、pyyamlgit clone https://gitcode.com/GitHub_Trending/an/learn-claude-code cd learn-claude-code pip install -r requirements.txt再把仓库里的.env.example模板复制成.env填好这几个字段字段必填说明ANTHROPIC_API_KEY是Anthropic 或兼容提供方的 API KeyMODEL_ID是模型 ID默认示例claude-sonnet-4-6ANTHROPIC_BASE_URL否指向兼容端点可换 GLM、Kimi、DeepSeek然后运行python s01_agent_loop/code.py。输入一个问题回车你会看到终端打印带$的命令、执行它、回显输出几轮之后它自己停下并给出一句文字答复。这就是一个最小可运行的 Agent。 17 节课到底在教什么别逐节罗列把 17 节看成五层递进的能力每层往同一个循环上加几个 harness 机制就好层次包含的节一句话说明让 Agent 动手s01–s04从单循环 bash 到工具分派、权限边界与钩子扩展点让它想清楚s05–s07先计划再执行、子任务隔离子 Agent、按需加载知识让它记得住、能恢复s08–s09上下文四级压缩加选择 / 提取 / 整理的记忆子系统让它长跑、能协作s10–s13任务图落盘、慢操作丢后台、定时触发、多 Agent 协作让它扩展与收尾s14–s17MCP 接外部能力、收进一个 harness、编排工作流、目标闭环贯穿始终的是那个循环s01 里第一次出现def agent_loop(messages): while True: response client.messages.create( modelMODEL, systemSYSTEM, messagesmessages, toolsTOOLS) messages.append({role: assistant, content: response.content}) if response.stop_reason ! tool_use: return # 执行工具把结果塞回 messages有三个机制特别值得琢磨。工具分派s02 起把工具名和 handler 放进一张表加工具只是加一行循环不动这是 coding agent 能从 1 个工具扩到几十个而不重写循环的原因。上下文压缩s08 做四级先整理工具结果只留最近几条超限再摘要旧历史因为上下文迟早溢出总得有个腾地方的手段。目标闭环s17 里 worker 模型想停时一个独立 evaluator 读整段对话判断目标达没达成没达成就把没干完的活送回同一个循环避免模型觉得完事了就提前收工。走完五层你会发现s15 只是把前面攒下的机制重新收进一个循环s16、s17 再在这个循环上补编排与收尾。循环是骨架机制是血肉。 工程上的几个亮点这个项目最显眼的就是克制——每节只加一个机制循环几乎不动。挑三个讲。s01 只给一个工具。问题是怎么用最少的复杂度把 agent 跑起来。做法只留 bash退出条件完全交给模型不调工具就停边界就三条危险命令黑名单、120 秒超时、输出截断到 5 万字符。效果最小 Agent 跑起来了安全底线也在。s02 用一张分派表扩展。把工具调用写死在循环里加工具就得改循环。做法名字和 handler 进表按工具名分派TOOL_HANDLERS { bash: run_bash, read_file: run_read, write_file: run_write, edit_file: run_edit, glob: run_glob, }效果加工具等于往表里加一行像给排插多接一个插位循环形态一点没变。s17 用独立 evaluator 判终止。worker 自己说我完事了容易提前收工。做法挂一个会话级 Stop hook由一个独立 evaluator它甚至不拿工具读整段对话判完成不可行、失败或超继续上限时把控制权交还用户。效果该不该结束由目标说了算不由 worker 的嘴说了算。这些单点机制的价值最终会收进同一个 harness也就是 s15 的形态 适合谁、怎么继续这套课适合刚接触 LLM Agent 的开发者也适合想看懂 coding agent 内部机制的工程师会点 Python 就能跟。推荐路径先连跑 s01 到 s05把循环、工具分派、边界、计划这几样走熟再挑你最好奇的机制深挖——想搞长时运行看 s10 到 s12想看多 Agent 协作看 s13想看整体收口看 s15 到 s17。延伸阅读方面仓库带了一个web/平台能从课程生成阅读、源码和架构视图tests/目录里有 14 个测试文件想核对某个机制的行为直接看对应测试就行不用真调模型。别停在能跑把 s01 到 s17 一路走完亲手拼一个 coding agent。一个循环足以承载全部智能剩下的是你替模型搭的那层框架。【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 五分钟跑通最小 Coding Agent：learn-claude-code 的 17 节 Agent Harness 课程完全指南
五分钟跑通最小 Coding Agentlearn-claude-code 的 17 节 Agent Harness 课程完全指南【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-codelearn-claude-code 是一套 17 节渐进式开源课程教你从零拼出一个能跑的 agent harness也就是把模型包成一个 coding agent 的那层外围框架。读完可以按顺序跑通仓库里 s01 到 s17 的脚本并看懂这类智能体的内部结构。 它解决什么问题先想个场景。你写了个调模型的 while 循环但它只会 bash。怎么让它读文件、跑测试、记住上次干了什么每接一个新能力就往上堆 if-else循环很快会变得没法读主循环也被改得面目全非。learn-claude-code 的思路很直接智能交给模型其余一切交给外围框架也就是agent harness。工具、知识、上下文、权限都由 harness 铺好模型只负责决定调不调工具、什么时候停代码则执行模型的请求并把结果喂回去。换句话说你不用写决策树只要给模型一双手、一张工作台智能自己会在里面表达。具体讲harness 递了五样东西摸文件和命令的工具、查领域资料的知识的、看当前状态的上下文、真正动手的动作接口以及不出格的权限边界。⏱️ 五分钟跑起来先克隆仓库装依赖就三个包anthropic、python-dotenv、pyyamlgit clone https://gitcode.com/GitHub_Trending/an/learn-claude-code cd learn-claude-code pip install -r requirements.txt再把仓库里的.env.example模板复制成.env填好这几个字段字段必填说明ANTHROPIC_API_KEY是Anthropic 或兼容提供方的 API KeyMODEL_ID是模型 ID默认示例claude-sonnet-4-6ANTHROPIC_BASE_URL否指向兼容端点可换 GLM、Kimi、DeepSeek然后运行python s01_agent_loop/code.py。输入一个问题回车你会看到终端打印带$的命令、执行它、回显输出几轮之后它自己停下并给出一句文字答复。这就是一个最小可运行的 Agent。 17 节课到底在教什么别逐节罗列把 17 节看成五层递进的能力每层往同一个循环上加几个 harness 机制就好层次包含的节一句话说明让 Agent 动手s01–s04从单循环 bash 到工具分派、权限边界与钩子扩展点让它想清楚s05–s07先计划再执行、子任务隔离子 Agent、按需加载知识让它记得住、能恢复s08–s09上下文四级压缩加选择 / 提取 / 整理的记忆子系统让它长跑、能协作s10–s13任务图落盘、慢操作丢后台、定时触发、多 Agent 协作让它扩展与收尾s14–s17MCP 接外部能力、收进一个 harness、编排工作流、目标闭环贯穿始终的是那个循环s01 里第一次出现def agent_loop(messages): while True: response client.messages.create( modelMODEL, systemSYSTEM, messagesmessages, toolsTOOLS) messages.append({role: assistant, content: response.content}) if response.stop_reason ! tool_use: return # 执行工具把结果塞回 messages有三个机制特别值得琢磨。工具分派s02 起把工具名和 handler 放进一张表加工具只是加一行循环不动这是 coding agent 能从 1 个工具扩到几十个而不重写循环的原因。上下文压缩s08 做四级先整理工具结果只留最近几条超限再摘要旧历史因为上下文迟早溢出总得有个腾地方的手段。目标闭环s17 里 worker 模型想停时一个独立 evaluator 读整段对话判断目标达没达成没达成就把没干完的活送回同一个循环避免模型觉得完事了就提前收工。走完五层你会发现s15 只是把前面攒下的机制重新收进一个循环s16、s17 再在这个循环上补编排与收尾。循环是骨架机制是血肉。 工程上的几个亮点这个项目最显眼的就是克制——每节只加一个机制循环几乎不动。挑三个讲。s01 只给一个工具。问题是怎么用最少的复杂度把 agent 跑起来。做法只留 bash退出条件完全交给模型不调工具就停边界就三条危险命令黑名单、120 秒超时、输出截断到 5 万字符。效果最小 Agent 跑起来了安全底线也在。s02 用一张分派表扩展。把工具调用写死在循环里加工具就得改循环。做法名字和 handler 进表按工具名分派TOOL_HANDLERS { bash: run_bash, read_file: run_read, write_file: run_write, edit_file: run_edit, glob: run_glob, }效果加工具等于往表里加一行像给排插多接一个插位循环形态一点没变。s17 用独立 evaluator 判终止。worker 自己说我完事了容易提前收工。做法挂一个会话级 Stop hook由一个独立 evaluator它甚至不拿工具读整段对话判完成不可行、失败或超继续上限时把控制权交还用户。效果该不该结束由目标说了算不由 worker 的嘴说了算。这些单点机制的价值最终会收进同一个 harness也就是 s15 的形态 适合谁、怎么继续这套课适合刚接触 LLM Agent 的开发者也适合想看懂 coding agent 内部机制的工程师会点 Python 就能跟。推荐路径先连跑 s01 到 s05把循环、工具分派、边界、计划这几样走熟再挑你最好奇的机制深挖——想搞长时运行看 s10 到 s12想看多 Agent 协作看 s13想看整体收口看 s15 到 s17。延伸阅读方面仓库带了一个web/平台能从课程生成阅读、源码和架构视图tests/目录里有 14 个测试文件想核对某个机制的行为直接看对应测试就行不用真调模型。别停在能跑把 s01 到 s17 一路走完亲手拼一个 coding agent。一个循环足以承载全部智能剩下的是你替模型搭的那层框架。【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