2026年【从0到1构建一个ClaudeAgent】工具与执行-Agent循环

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。

最近刷到一个宝藏网站，叫 Learn Claude Code。名字看着挺像学习使用 Claude Code 的指南，但实际并不是，而是教你从 0 到 1 构建 nano Claude Code-like agent，每次只加一个机制。

网站链接我也再贴一遍：https://learn.shareai.run/zh/

而且网站开头就直白表示：所有 AI 编程 Agent 共享同一个循环：调用模型、执行工具、回传结果。生产级系统会在其上叠加策略、权限和生命周期层。

while True: response = client.messages.create(messages=messages, tools=tools) if response.stop_reason != "tool_use": break for tool_call in response.content: result = execute_tool(tool_call.name, tool_call.input) messages.append(result)

这段代码人工翻译一下就是：

调模型（给指令）
执行工具（读写文件、跑命令）
回传结果（告诉模型干了啥）
继续迭代（直到任务干完）

就这？就这。剩下的全是围绕这个循环的各种优化和补丁。

用 Java 来写，核心循环大概是这样：

while (true)   for (ToolCall toolCall : response.getContent()) }

正是考虑到我们的读者多数是Java同学，因此我决定用Java来和大家一块学习下

网站将这 12 个阶段（s01-s12）归纳为五个核心能力的进阶，看看一个成熟的 Agent 系统是如何一步步被做出来的：

最小可用的 Agent 内核仅仅需要：一个 while 循环 + 一个工具。

说白了就是Agent 最本质的“大脑-手脚”循环

public class AgentLoop // 4. 执行工具 List 
  
    
    
      > toolResults = new ArrayList<>(); List 
     
       > content = (List 
      
        >) response.get("content"); for (Map 
       
         block : content) } // 5. 将工具结果作为用户输入再次加入历史 Map 
        
          userTurn = new HashMap<>(); userTurn.put("role", "user"); userTurn.put("content", toolResults); messages.add(userTurn); } } // 模拟 LLM 调用 (实际需替换为 SDK 调用) private static Map 
         
           callLLM(List 
          
            > messages) { // 这里是一个占位符，实际应发送 HTTP 请求给 Anthropic API // 返回结构需匹配 API 响应 return new HashMap<>(); } // 执行 Shell 命令 private static String runBash(String command) try // 等待完成 (带超时) if (!p.waitFor(120, TimeUnit.SECONDS)) { p.destroyForcibly(); return "Error: Timeout (120s)"; } String result = output.toString().trim(); return result.isEmpty() ? "(no output)" : result.substring(0, Math.min(result.length(), 50000)); } catch (IOException | InterruptedException e) } public static void main(String[] args) Map 
           
             userMsg = new HashMap<>(); userMsg.put("role", "user"); userMsg.put("content", query); history.add(userMsg); agentLoop(history); // 打印最终回复 System.out.println("Agent 执行完毕。"); } } }

这段代码包含了所有 AI Agent 的灵魂。

代码中的 while 循环是 Agent 的心脏。它的逻辑是：

思考： 问 LLM "该做什么？"
行动： 如果 LLM 说要调工具（比如写代码、运行命令），代码就去执行这个工具
观察： 把工具执行的结果（输出、报错）再次告诉 LLM。
循环： LLM 根据结果决定是继续干，还是说“搞定了”。

while (true) // 3. 执行工具 List 
  
    
    
      > toolResults = executeTools(response); // 4. 将结果返回给 LLM messages.add(createUserTurn(toolResults)); }

messages 列表。它不仅仅是聊天记录，它是 Agent 的短期记忆。

每次循环，我们都要把新的对话（无论是人的指令，还是工具的执行结果）append 进去。
如果不把工具结果放回去，LLM 就不知道自己刚才执行的命令成功了没有，也就无法进行下一步。

在代码的 TOOLS 变量里，我们会定义了工具长什么样（名字、参数）。

// 遍历响应中的工具调用块 for (Map 
  
    
    
      block : content) }

关键点： LLM 不会真的“运行”代码，它只是输出一个符合这个格式的 JSON（比如 {"name": "bash", "arguments": {"command": "ls"}}）。而代码才是负责解析这个 JSON 并真的去执行 Runtime.exec()。

代码里的 run_bash 函数不仅仅是执行命令，它还充当了防火墙。

private static String runBash(String command)

// 带超时的命令执行 if (!p.waitFor(120, TimeUnit.SECONDS)) { p.destroyForcibly(); return "Error: Timeout (120s)"; } // 限制输出长度 return result.substring(0, Math.min(result.length(), 50000));

}

重要： 永远不要让 LLM 直接拥有无限制的 Shell 权限。虽然这里的检查很简单（黑名单），但在生产环境中，可能会需要沙箱环境（Docker）来运行这些命令。

2026年【从0到1构建一个ClaudeAgent】工具与执行-Agent循环

相关推荐