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 Agent：learn-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-code

learn-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、pyyaml）：

git 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 Key
MODEL_ID	是	模型 ID，默认示例claude-sonnet-4-6
ANTHROPIC_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–s17	MCP 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( model=MODEL, system=SYSTEM, messages=messages, tools=TOOLS) 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