企业官网建设流程全解析

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-code

learn-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 bash，system prompt 只有一句 "Act, don't explain."：

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

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, owner="agent"): with task_store_lock(): task = get_task(task_id) if task.status != "pending": return f"Task {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( model=self.model, system=("You are an independent completion evaluator. " "You have no tools. ..."), messages=[{"role": "user", "content": prompt}], max_tokens=self.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

🚀 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：

.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 coding，Harness 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