本文分析了s02_tool_use.py源码的设计思路与改进。相比仅支持bash工具的s01版本，s02新增了read_file、write_file和edit_file三个专用文件工具，通过dispatch map路由到对应的handler函数，核心改进包括： 安全机制：引入safe_path()路径沙箱，通过几何约束防止路径逃逸工作目录，比黑名单更可靠； 文件操作：专用工具避免了bash操作的

本文分析了如何让AI模型通过代理循环与真实世界交互。传统聊天机器人只能被动响应，而s01_agent_loop.py实现了一个30行的核心循环，使模型能主动执行bash命令并处理结果。关键设计包括：通过stop_reason判断工具调用需求，动态维护消息历史，以及安全执行命令的防护机制。相比纯聊天模式，该系统实现了自主行动能力，将用户从手动复制粘贴中解放出来，形成"模型决策-代码执行&q

s04 引入了一个新工具task——不是自己去探索，而是派一个"子代理"去探索，子代理做完回来只汇报结果。父代理 (Parent Agent) 子代理 (Subagent)| messages=[...已有上下文] | | messages=[] ← 空白开始 || | 派发 | || prompt="调研所有..." | | 执行 bash/read/edit || description="调

THRESHOLD = 50000 # tokens 阈值每轮循环在调用 API 之前检查。用粗略估算——不需要精确计数，只需要判断"是不是该压缩了"。auto_compact 最精妙的地方是让 LLM 自己摘要自己的对话。没有预定义的"什么重要"的规则——模型自己判断哪些决定、哪些状态值得保留。这是用 LLM 的理解能力解决传统程序难以处理的问题（“什么是关键信息？”）。

lines = []name } : {name } : {name } : {if tags:name } : {]"这段文本被嵌入 system prompt，模型看到的只是"有哪些 skill 以及一句话描述"。每个 skill 大约占 100 tokens——10 个 skill 才 1000 tokens，比全部塞进去省了 10-20 倍。name：skill 名称，必填。模型从 sys

基于源码逐行分析，配合设计思路。

基于源码逐行分析，配合设计思路。

基于源码逐行分析，配合设计思路。

模型只是"使用"这些协议（调用相应的工具），但协议的存在、状态追踪、超时处理、响应匹配——全是 Harness 代码的责任。

初学者允许你从同一个仓库创建多个工作目录，每个目录有自己的分支。它们共享同一个.git目录（节省磁盘空间），但文件系统完全隔离。主仓库: /project (branch: main)每个 worktree 像一个独立的克隆，但不需要重新 clone 整个仓库。创建 worktree 通常只需要几秒钟。