learn-claude-code 拆解AI Agent 的工具调用与状态管理是如何实现的【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 是一个基于 Claude Code 逆向经验整理的开源教程项目把 agent 循环、工具分派、上下文压缩、多 agent 协作拆成 17 个可独立运行的章节帮助开发者理解并自建一套 AI Agent 工具调用与状态管理的最小实现。这个项目到底在解决什么问题很多对 agent 的理解停留在串几个 LLM 接口加工作流。这个项目的核心主张是智能来自模型训练工程要负责的是挽具harness——工具、知识、上下文、权限这些让模型能干活的配套。它把 Claude Code 的实际做法拆成从 0 到 1 的课程每个机制单独成章每章一个code.py可以脱离整套系统直接跑通。对想自建 agent 的读者来说它回答的是三个具体问题工具调用到底怎么分派长任务里上下文不爆掉靠什么多个子 agent 并行时状态怎么保持一致工具调用如何从能调用变成调得准工具注册与分派项目里注册工具的口号是加一个工具就是加一个 handler每个工具函数登记到一张分派表TOOL_HANDLERS里主循环本身不动。模型返回tool_use时代码按工具名查表执行不需要为每个工具写分支。能力匹配与参数处理选哪个工具由模型根据工具名和描述判断代码只负责执行。模型给出的是结构化参数harness 在执行前校验参数缺参或非法时不盲目执行。执行结果回写工具返回值被规范化成tool_result块追加回messages列表模型下一轮才能看到结果并决定继续调工具还是收尾。也就是说调用是否准很大程度取决于描述写得好不好、结果回写得干不干净。在skills/agent-builder/SKILL.md里还能看到技能描述、工具模板和最小 agent 示例适合照着定义自己的新工具。状态管理如何支撑长任务上下文分层缓存与压缩s08_context_compact/code.py演示了一套分级压缩先压工具结果的占用再对更早的历史做摘要分多步执行而不是一刀切清空。关键信息保留、冗余输出丢弃就是优先级淘汰的落地方式。多 Agent 状态同步多 agent 场景下s10_task_system和s13_agent_teams用磁盘持久化的任务图加原子任务认领来保证一致性子 agent 各自用独立的消息列表工作但任务状态落在文件里谁认领了哪个任务不会冲突。tests/下针对子 agent 与团队协作的用例验证了这些同步行为在异常情况下依然成立。从哪个示例开始读怎么快速跑起来建议顺序s01_agent_loop一个循环加 bash→s02_tool_use→s08_context_compact→s13_agent_teams。每章文件夹里都有英文版 README、中英日三语翻译和可运行代码按章节号顺序读即可部分章节依赖前一章的运行时。git clone https://gitcode.com/gh_mirrors/an/learn-claude-code cd learn-claude-code pip install -r requirements.txt python s01_agent_loop/code.py想看所有机制合在一起的版本直接读s15_integrated_harness/。旧的 12 章内容保留在agents/和docs/里章节编号与新轨不同别混着引用。给 Agent 开发者的可复用经验工具注册进分派表主循环保持单一一个 while 循环加一张工具表就是骨架别给循环打补丁。上下文当资源管理压缩分步走先工具结果、后历史摘要别等撑爆了再处理。多 agent 协作靠磁盘加原子操作不靠内存共享任务图和认领记录落盘状态才经得起并发。把每个机制做成可独立运行的章节既能单独测试也能当作自己的设计文档。循环归模型车子归工程师。从s01_agent_loop/code.py起步沿着这套章节路径走一遍就能搭出自己的 agent harness。【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