大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
  
    
    

      本文将带你从零理解AI Agent的本质，并通过Claude Code这个顶级案例，学习如何构建一个完整的Agent系统。读完本文，你将彻底理解为什么"模型就是Agent"这个核心观点。 
    
 
  
    
    
 
     
你是不是也经常看到"AI Agent"、"智能体"这些词，感觉很高大上但又搞不清楚到底是什么？
 
     
网上各种"无代码Agent平台"、"拖拽式工作流"让人眼花缭乱，好像拖几个节点就能造出智能体了？
 
     
今天这篇文章，我要彻底打破你的认知——告诉你什么才是真正的Agent，以及我们应该如何正确地构建Agent系统。
 
     
 
      
一句话总结
 
      
Agent是一个经过训练的神经网络模型，不是框架，不是提示词链，不是拖拽式工作流。
 
      
让我用一个更直白的比喻：
 
      

        💡 
       人类 = Agent（智能体）眼睛/耳朵 = 感知环境大脑 = 推理决策手脚 = 执行行动 
       
 
 AI Agent = 模型 + Harness（工具环境）模型 = 大脑（做决策）Harness = 眼睛、耳朵、手脚（感知和执行） 
 
 
 
 
 
 








      
 
      
Agent永远都是那个模型本身。而我们程序员要做的，是给这个大脑配上"身体"——这就是Harness工程。
 
      
 
       
让我们回顾一下AI Agent的发展历程，看看真正的Agent是怎么炼成的：
 
       
2013年 - DeepMind DQN玩Atari
 
       
一个神经网络，只看游戏画面和分数，就学会了7款Atari游戏，其中3款击败了人类专家。到2015年，同一个架构在49款游戏上达到了职业玩家水平。
 
       
没有游戏规则，没有决策树，就是一个模型自己学出来的。
 
       
2019年 - OpenAI Five征服Dota 2
 
       
五个神经网络，在10个月内自己跟自己打了45,000年的Dota 2，最后2-0击败了TI8世界冠军OG战队。公开比赛中99.4%的胜率。
 
       
没有写好的策略，没有团队协作逻辑，模型自己学会了配合。
 
       
2019年 - DeepMind AlphaStar制霸星际争霸II
 
       
10-1击败职业选手，在欧洲服务器打到宗师段位（前0.15%）。
 
       
信息不完全、实时决策、组合空间巨大——一个模型全搞定。
 
       
2019年 - 腾讯绝悟统治王者荣耀
 
       
5v5模式击败KPL职业选手，1v1模式职业选手15场只赢1场。训练强度：一天等于人类440年。
 
       
没有英雄克制表，没有阵容编排逻辑，模型从零开始学会了整个游戏。
 
       
2024-2025年 - LLM Agent重塑软件工程
 
       
Claude、GPT、Gemini这些大语言模型，被部署为编程Agent，能读代码、写实现、调试故障、团队协作。
 
       
 
        
现在市面上有很多"Agent平台"，实际上它们做的是什么呢？
 
        
提示词水管工
 
        
拖拽式工作流构建器 无代码"AI Agent"平台 提示词链编排库 
 
        
这些东西的共同幻觉是：把LLM API调用用if-else、节点图、硬编码路由串起来，就以为是"构建Agent"了。
 
        
❌ 这不是Agent，这是鲁布·戈德堡机械——一个过度工程化、脆弱的过程式规则流水线。
 
        
一个比喻
 
        
想象你要造一个会开车的人工智能：
 
       
      
     
    

智能是学出来的，不是编出来的。

---

当你听到"我在开发Agent"时，只有两种可能：

1️⃣ 训练模型（真正的Agent开发）

• 强化学习
• 微调
• RLHF
• 收集任务过程数据

这是DeepMind、OpenAI、Anthropic在做的事。

2️⃣ 构建Harness（我们大多数人做的事）

Harness就是Agent在特定领域工作所需要的一切：

┌─────────────────────────────────────────────────────┐ │ Harness 组成 │ ├─────────────────────────────────────────────────────┤ │ 🛠️ Tools 文件读写、Shell、网络、数据库、浏览器 │ │ 📚 Knowledge 产品文档、领域资料、API规范、风格指南 │ │ 👁️ Observation git diff、错误日志、浏览器状态 │ │ 🎬 Action CLI命令、API调用、UI交互 │ │ 🔐 Permissions 沙箱隔离、审批流程、信任边界 │ └─────────────────────────────────────────────────────┘ 

模型做决策 → Harness执行 → 模型推理 → Harness提供上下文

---

作为一名Harness工程师，你的工作内容是：

1. 实现工具 - 给Agent一双手

文件读写、Shell执行、API调用、浏览器控制、数据库查询 

设计原则：原子化、可组合、描述清晰

2. 策划知识 - 给Agent领域专长

产品文档、架构决策记录、风格指南、合规要求 

关键：按需加载，不要前置塞入

3. 管理上下文 - 给Agent干净的记忆

• 子Agent隔离（防止噪声泄露）
• 上下文压缩（防止历史淹没）
• 任务系统（让目标持久化）

4. 控制权限 - 给Agent边界

• 沙箱化文件访问
• 破坏性操作需审批
• 信任边界管理

5. 收集任务过程数据

Agent执行的每一条行动序列都是训练信号，可以用于微调下一代Agent模型。

---

为什么这个仓库专门拆解Claude Code？

因为Claude Code是最优雅、最完整的Agent Harness实现。

它没有试图成为Agent本身，没有强加僵化的工作流，没有用决策树替模型做判断。它只做了该做的事：

Claude Code 架构解剖 ==================== ┌─────────────────────────────────────────┐ │ Agent Loop（智能体循环） │ │ ↓ │ │ Tools（工具集） │ │ - bash, read, write, edit, glob, grep │ │ - browser, web_fetch… │ │ ↓ │ │ 按需 Skill 加载 │ │ ↓ │ │ 上下文压缩 │ │ ↓ │ │ 子 Agent 派生 │ │ ↓ │ │ 带依赖图的任务系统 │ │ ↓ │ │ 异步邮箱的团队协调 │ │ ↓ │ │ Worktree 隔离的并行执行 │ │ ↓ │ │ 权限治理 │ └─────────────────────────────────────────┘ 

Agent本身是Claude（一个模型）。Harness给它双手、双眼和工作空间。

---

这个仓库设计了12个课程，每个课程添加一个Harness机制：

📊 学习路径图

第一阶段: 循环基础 第二阶段: 规划与知识 ==================== ==================== s01 Agent循环 ──→ s02 Tool Use s03 TodoWrite ──→ s04 子智能体 ↓ ↓ ↓ 理解核心循环 工具注册机制 任务规划 独立上下文 ↓ s05 Skills 知识按需加载 ↓ s06 上下文压缩 第三阶段: 持久化 第四阶段: 团队协作 ==================== ==================== s07 任务系统 ──→ s08 后台任务 s09 智能体团队 ──→ s10 团队协议 ↓ ↓ ↓ ↓ 文件持久化 异步执行 队友+邮箱 沟通协议 ↓ s11 自治智能体 看板认领 ↓ s12 Worktree隔离 并行不冲突 

每个课程的格言

---

这是所有Agent的核心模式，整个仓库的12个课程都在这个循环之上叠加机制：

defagent_loop(messages):“”” Agent循环 - 所有智能体的核心 “”“whileTrue:# 1. 调用模型 response = client.messages.create( model=MODEL, system=SYSTEM, messages=messages, tools=TOOLS,)# 2. 记录模型输出 messages.append({“role”:“assistant”,“content”: response.content })# 3. 如果不需要工具调用，返回文本结果if response.stop_reason !=“tool_use”:return# 4. 执行工具调用 results =[]for block in response.content:if block.type==“tool_use”: output = TOOL_HANDLERSblock.name results.append({“type”:“tool_result”,“tool_use_id”: block.id,“content”: output,})# 5. 把工具结果加入对话，继续循环 messages.append({“role”:“user”,“content”: results})

流程图解

用户输入 ↓ messages[] ──→ LLM调用 ──→ response ↑ | | ↓ | stop_reason == “tool_use”? | / | yes no | | | |执行工具 返回文本 | | |工具结果 | | └───┘ 

这就是最小循环。每个AI Agent都需要这个循环。模型决定何时调用工具、何时停止。代码只是执行模型的要求。

---

# 克隆仓库git clone https://github.com/shareAI-lab/learn-claude-code cd learn-claude-code # 安装依赖 pip install-r requirements.txt # 配置API Keycp .env.example .env # 编辑 .env 填入你的 ANTHROPIC_API_KEY# 从这里开始！ python agents/s01_agent_loop.py # 完整递进终点 python agents/s12_worktree_task_isolation.py # 总纲：全部机制合一 python agents/s_full.py 

Web交互平台

cd web &&npminstall&&npm run dev # 访问 http://localhost:3000

包含交互式可视化、分步动画、源码查看器和每个课程的文档。

---

方式一：Kode Agent CLI（开源编程助手）

npm i -g @shareai-lab/kode 

支持Skill & LSP，适配Windows，可接GLM/MiniMax/DeepSeek等开放模型。

方式二：Kode Agent SDK（嵌入你的应用）

可以把Agent能力嵌入后端、浏览器插件、嵌入式设备等任意运行时。

---

这不只是关于编程Agent。

每一个人类从事复杂工作的领域，都可以有Agent：

循环永远不变。工具在变。知识在变。权限在变。Agent——那个模型——泛化一切。

---

记住这三句话

1. 模型就是Agent —— 不是框架，不是提示词链，不是拖拽式工作流
2. 代码是Harness —— 我们是在为智能体构建工作环境
3. 造好Harness，Agent会完成剩下的

学习建议

• 初学者：从s01开始，一步一步敲代码理解每个机制
• 有经验者：直接看s_full.py理解完整架构
• 想深入研究：阅读docs目录下的详细文档

---

Bash is all you need. Real agents are all the universe needs.

模型就是Agent。代码是Harness。造好Harness，Agent会完成剩下的。

---

参考资料：

• GitHub仓库：shareAI-lab/learn-claude-code
• Claude Code官方文档

---

如果这篇文章对你有帮助，欢迎点赞收藏关注，有问题欢迎在评论区讨论！ 🙏