尧图网页设计 
learn-claude-code 全解17 节 Harness 工程课从一行 while True 长出来的 Agent【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 把「Agent 产品 模型 Agent Harness」拆成 17 节可独立运行的工程课模型负责决策Harness 负责手、眼和边界。本文按能力递进的路径带你看清这门课的核心机制与跑通方式。 场景切入先想明白谁在开车你大概率见过这样的「Agent」一个拖拽画布节点里塞着 LLM 调用节点之间用 if-else 和箭头连出流程。说白了那是用胶水粘出来的流水线LLM 只是其中一个会补全文本的节点——换个说法这是经典符号 AI 的老把戏刷了层新漆。真正能自主干活的系统长什么样DeepMind 的 DQN 只用一个神经网络接原始像素就在 7 款 Atari 游戏上超过既有算法——没有决策树没有手写规则。智能是训练出来的不是代码拼出来的。所以分工很清楚模型是司机Harness 是车。Agent 模型 Harness。司机决定方向盘往哪打车提供轮子、油门、刹车、后视镜。模型做决策Harness 执行模型推理Harness 喂上下文。learn-claude-code 做的就是造车它把 Claude Code 这类 coding agent 剥成最小部件用 17 个可单独运行的 Python 文件s01~s17 的 code.py从零组装一遍。每节只在循环上加一个 Harness 机制所以你能亲眼看着这辆车从骨架长到整车。 从 s01 到 s17能力递进路线下面不按课程编号讲按「这个机制解决什么问题」跳着走。问题谁来决定什么时候停s01 的全部核心就是一个循环。唯一的工具是 bashsystem prompt 只有一句 Act, dont explain.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模型说停就停代码只负责执行工具的请求。bash 执行器里还埋着第一层边界危险命令黑名单、120 秒超时、输出截断到 5 万字符——这三条就是权限治理的雏形。问题加工具要不要重写循环s02 的答法很干脆把硬编码的 bash 调用换成一张分派表新工具注册进字典就完事循环骨架一个字符没动output TOOL_HANDLERSblock.name工具从 1 个扩到 5 个读、写、编辑、glob。这里有个容易踩的坑所有文件类工具都先过一道 safe_path 检查路径解析后一旦逃出工作区直接抛异常——权限边界嵌在工具实现里成本极低。问题给自由之前先画边界s03 把 s01 那个粗糙黑名单升级成三道串联的门工具执行前先过权限流水线def check_permission(block): if block.name bash: reason check_deny_list(block.input.get(command, )) if reason: return False reason check_rules(block.name, block.input) if reason: decision ask_user(block.name, block.input, reason) if decision deny: return False第一道是黑名单第二道是规则匹配命中就弹窗问你允许还是拒绝。先定边界再给自由——顺序反了就是事故。问题多步任务怎么不跑偏无计划的 Agent 是走一步看一步。s05 给循环加了一个 todo_write 工具TodoManager 管一份最多 20 条的计划清单模型每 3 轮不动它就被注入一条提醒。计划是 Harness 的纪律不是模型的自觉。问题上下文总会溢出怎么办对话越滚越长token 账单和注意力一起爆炸。s08 的解法是一条四级压缩管道在每次 LLM 调用之前先跑def prepare(self, messages, active_request): messages self.tool_result_budget(messages) messages self.snip_compact(messages) messages self.micro_compact(messages) if self.estimate_chars(messages) self.CONTEXT_CHAR_LIMIT: messages self.compact_history(messages, active_request) return messages顺序很讲究先把超大工具结果落盘再把中段历史归档到磁盘然后截短旧工具输出全都不够才舍得让模型摘要整段历史。该记的记该忘的忘先省便宜的再上贵的。问题一个人干不完怎么办s13 引入常驻队友任务写成文件落在磁盘带依赖关系和状态认领用文件锁做原子操作防止两个 agent 抢同一个任务def claim_task(task_id, owneragent): with task_store_lock(): task get_task(task_id) if task.status ! pending: return fTask {task_id} is {task.status}, cannot claim cwd, error task_worktree_cwd(task)每个任务还会绑一个独立的 git worktree 目录队友各干各的互不踩线。队友之间走邮箱目录传消息。多 Agent 协作的地基就是这三样原子认领、任务绑定的工作目录、共享的任务文件。问题模型说「我做完了」能信吗worker 不调工具、说想停不等于目标达成。s17 的做法是派一个没有工具的独立评审员读整段对话对着目标条件给裁决response self.client.messages.create( modelself.model, system(You are an independent completion evaluator. You have no tools. ...), messages[{role: user, content: prompt}], max_tokensself.max_tokens)不达标就把「还缺什么」回灌给 worker 继续干评审员判定不可行或连续挡了 8 轮就交还控制权给用户。该不该结束由目标说了算而不是由模型的疲倦感说了算。17 个机制散讲完了。s15 把它们全部收进一个文件记忆、团队事件、MCP 工具、定时任务汇入同一个循环用一组显式常量管理运行时预算——机制很多循环只有一个。️ 能力分层地图17 节归纳为 4 层层级覆盖机制你获得的能力练手建议L1 能动循环s01、工具分派s02、权限s03、钩子s04最小可运行 Agent改 s01 的 system prompt 换个性格看循环是否依旧稳L2 能干复杂活计划s05、子 Agents06、按需知识s07、上下文压缩s08多步任务不失忆往 s02 分派表里注册一个自己的工具验证循环不用动L3 能记能长跑记忆s09、任务图s10、后台任务s11、定时s12跨会话、长时间运行用 s10 的磁盘任务图给队友留工作跑两次验证可恢复L4 能协作能收尾团队s13、MCPs14、整合s15、工作流s16、目标门控s17多 Agent 交付闭环给 s17 喂一个可验证目标比如测试全绿观察门控拦截 三步跑通 learn-claude-code依赖只有三个包anthropic、python-dotenv、pyyaml后者服务于协议和配置文件解析。装好即可pip install -r requirements.txt配置 .env从 .env.example 复制三个字段字段必填说明ANTHROPIC_API_KEY是API KeyMODEL_ID是默认示例 claude-sonnet-4-6ANTHROPIC_BASE_URL否兼容端点可换 MiniMax、GLM、Kimi、DeepSeek.env.example 里内建了这几家兼容提供方的对照表——课程从第一天就默认模型层可替换这正是「Harness 与模型解耦」的注脚。然后挑三站开跑python s01_agent_loop/code.py # 最小循环看 bash 工具怎么被驱动 python s08_context_compact/code.py # 四级压缩 python s17_goal_loop/code.py /goal pytest tests exits with code 0 # 目标门控仓库还带一个从根目录课程自动抽取内容的 Web 阅读平台web/以及 tests/ 下的 13 个离线测试文件——想核对某个机制的行为跑对应测试比真调模型便宜得多。一句提醒仓库里的 docs/ 和 agents/ 是旧 12 节版的过渡保留编号与现行 17 节错位——旧 s09~s12 的四个团队话题收敛进了现行 s13而权限、钩子、记忆、定时、MCP、整合、工作流、目标门控这八节是新版才有的别拿旧链接对号入座。收尾智能在模型里工程在 Harness 里——车造得好司机开得快。至于 skills/ 目录里那份技能文件怎么说来着模型早就知道怎么当 Agent你的工作是别挡路。留一个问题给你如果你的 Agent 不是 codingHarness 的「手」和「眼」分别是什么想深入某节直接从 s01_agent_loop/ 的 README 和 code.py 读起就行。【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 全解：17 节 Harness 工程课，从一行 while True 长出来的 Agent
learn-claude-code 全解17 节 Harness 工程课从一行 while True 长出来的 Agent【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 把「Agent 产品 模型 Agent Harness」拆成 17 节可独立运行的工程课模型负责决策Harness 负责手、眼和边界。本文按能力递进的路径带你看清这门课的核心机制与跑通方式。 场景切入先想明白谁在开车你大概率见过这样的「Agent」一个拖拽画布节点里塞着 LLM 调用节点之间用 if-else 和箭头连出流程。说白了那是用胶水粘出来的流水线LLM 只是其中一个会补全文本的节点——换个说法这是经典符号 AI 的老把戏刷了层新漆。真正能自主干活的系统长什么样DeepMind 的 DQN 只用一个神经网络接原始像素就在 7 款 Atari 游戏上超过既有算法——没有决策树没有手写规则。智能是训练出来的不是代码拼出来的。所以分工很清楚模型是司机Harness 是车。Agent 模型 Harness。司机决定方向盘往哪打车提供轮子、油门、刹车、后视镜。模型做决策Harness 执行模型推理Harness 喂上下文。learn-claude-code 做的就是造车它把 Claude Code 这类 coding agent 剥成最小部件用 17 个可单独运行的 Python 文件s01~s17 的 code.py从零组装一遍。每节只在循环上加一个 Harness 机制所以你能亲眼看着这辆车从骨架长到整车。 从 s01 到 s17能力递进路线下面不按课程编号讲按「这个机制解决什么问题」跳着走。问题谁来决定什么时候停s01 的全部核心就是一个循环。唯一的工具是 bashsystem prompt 只有一句 Act, dont explain.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模型说停就停代码只负责执行工具的请求。bash 执行器里还埋着第一层边界危险命令黑名单、120 秒超时、输出截断到 5 万字符——这三条就是权限治理的雏形。问题加工具要不要重写循环s02 的答法很干脆把硬编码的 bash 调用换成一张分派表新工具注册进字典就完事循环骨架一个字符没动output TOOL_HANDLERSblock.name工具从 1 个扩到 5 个读、写、编辑、glob。这里有个容易踩的坑所有文件类工具都先过一道 safe_path 检查路径解析后一旦逃出工作区直接抛异常——权限边界嵌在工具实现里成本极低。问题给自由之前先画边界s03 把 s01 那个粗糙黑名单升级成三道串联的门工具执行前先过权限流水线def check_permission(block): if block.name bash: reason check_deny_list(block.input.get(command, )) if reason: return False reason check_rules(block.name, block.input) if reason: decision ask_user(block.name, block.input, reason) if decision deny: return False第一道是黑名单第二道是规则匹配命中就弹窗问你允许还是拒绝。先定边界再给自由——顺序反了就是事故。问题多步任务怎么不跑偏无计划的 Agent 是走一步看一步。s05 给循环加了一个 todo_write 工具TodoManager 管一份最多 20 条的计划清单模型每 3 轮不动它就被注入一条提醒。计划是 Harness 的纪律不是模型的自觉。问题上下文总会溢出怎么办对话越滚越长token 账单和注意力一起爆炸。s08 的解法是一条四级压缩管道在每次 LLM 调用之前先跑def prepare(self, messages, active_request): messages self.tool_result_budget(messages) messages self.snip_compact(messages) messages self.micro_compact(messages) if self.estimate_chars(messages) self.CONTEXT_CHAR_LIMIT: messages self.compact_history(messages, active_request) return messages顺序很讲究先把超大工具结果落盘再把中段历史归档到磁盘然后截短旧工具输出全都不够才舍得让模型摘要整段历史。该记的记该忘的忘先省便宜的再上贵的。问题一个人干不完怎么办s13 引入常驻队友任务写成文件落在磁盘带依赖关系和状态认领用文件锁做原子操作防止两个 agent 抢同一个任务def claim_task(task_id, owneragent): with task_store_lock(): task get_task(task_id) if task.status ! pending: return fTask {task_id} is {task.status}, cannot claim cwd, error task_worktree_cwd(task)每个任务还会绑一个独立的 git worktree 目录队友各干各的互不踩线。队友之间走邮箱目录传消息。多 Agent 协作的地基就是这三样原子认领、任务绑定的工作目录、共享的任务文件。问题模型说「我做完了」能信吗worker 不调工具、说想停不等于目标达成。s17 的做法是派一个没有工具的独立评审员读整段对话对着目标条件给裁决response self.client.messages.create( modelself.model, system(You are an independent completion evaluator. You have no tools. ...), messages[{role: user, content: prompt}], max_tokensself.max_tokens)不达标就把「还缺什么」回灌给 worker 继续干评审员判定不可行或连续挡了 8 轮就交还控制权给用户。该不该结束由目标说了算而不是由模型的疲倦感说了算。17 个机制散讲完了。s15 把它们全部收进一个文件记忆、团队事件、MCP 工具、定时任务汇入同一个循环用一组显式常量管理运行时预算——机制很多循环只有一个。️ 能力分层地图17 节归纳为 4 层层级覆盖机制你获得的能力练手建议L1 能动循环s01、工具分派s02、权限s03、钩子s04最小可运行 Agent改 s01 的 system prompt 换个性格看循环是否依旧稳L2 能干复杂活计划s05、子 Agents06、按需知识s07、上下文压缩s08多步任务不失忆往 s02 分派表里注册一个自己的工具验证循环不用动L3 能记能长跑记忆s09、任务图s10、后台任务s11、定时s12跨会话、长时间运行用 s10 的磁盘任务图给队友留工作跑两次验证可恢复L4 能协作能收尾团队s13、MCPs14、整合s15、工作流s16、目标门控s17多 Agent 交付闭环给 s17 喂一个可验证目标比如测试全绿观察门控拦截 三步跑通 learn-claude-code依赖只有三个包anthropic、python-dotenv、pyyaml后者服务于协议和配置文件解析。装好即可pip install -r requirements.txt配置 .env从 .env.example 复制三个字段字段必填说明ANTHROPIC_API_KEY是API KeyMODEL_ID是默认示例 claude-sonnet-4-6ANTHROPIC_BASE_URL否兼容端点可换 MiniMax、GLM、Kimi、DeepSeek.env.example 里内建了这几家兼容提供方的对照表——课程从第一天就默认模型层可替换这正是「Harness 与模型解耦」的注脚。然后挑三站开跑python s01_agent_loop/code.py # 最小循环看 bash 工具怎么被驱动 python s08_context_compact/code.py # 四级压缩 python s17_goal_loop/code.py /goal pytest tests exits with code 0 # 目标门控仓库还带一个从根目录课程自动抽取内容的 Web 阅读平台web/以及 tests/ 下的 13 个离线测试文件——想核对某个机制的行为跑对应测试比真调模型便宜得多。一句提醒仓库里的 docs/ 和 agents/ 是旧 12 节版的过渡保留编号与现行 17 节错位——旧 s09~s12 的四个团队话题收敛进了现行 s13而权限、钩子、记忆、定时、MCP、整合、工作流、目标门控这八节是新版才有的别拿旧链接对号入座。收尾智能在模型里工程在 Harness 里——车造得好司机开得快。至于 skills/ 目录里那份技能文件怎么说来着模型早就知道怎么当 Agent你的工作是别挡路。留一个问题给你如果你的 Agent 不是 codingHarness 的「手」和「眼」分别是什么想深入某节直接从 s01_agent_loop/ 的 README 和 code.py 读起就行。【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