Learn Claude Code：从零搭建 AI Agent 的工程框架

GitHub 上有一个 68k+ Star 的项目，专门教你如何给 AI Agent 搭建「工作环境」。

这个项目叫 learn-claude-code，来自 shareAI-lab 团队。它不是又一个 AI 应用，而是一套 20 课的教程，讲解怎么围绕大语言模型构建完整的工作框架。

项目的核心观点只有一句话：Agent 的智能来自模型训练，不是来自代码。你写的代码只是给智能提供一个「落脚的地方」。

什么是 Harness

项目把 Agent 周围的一切统称为 Harness（工作框架）。

一个 Agent 产品 = 模型 + Harness。模型负责思考和决策，Harness 负责提供工具、知识、观察接口、动作权限。打个比方，模型是司机，Harness 是车。这个项目教你造车。

Harness 具体包含什么：

• 工具层：文件读写、命令行执行、API 调用、浏览器控制
• 知识层：产品文档、架构决策、风格指南、合规要求
• 观察层：git diff、错误日志、浏览器状态
• 动作层：CLI 命令、API 调用、UI 交互
• 权限层：沙箱隔离、审批流程、信任边界

模型决定做什么，Harness 负责执行。模型推理，Harness 提供上下文。

20 课学什么

教程从最基础的 Agent 循环开始，每一课增加一个机制：

s01 到 s04 是基础能力。从一个循环加一个 Bash 工具开始，逐步加入多工具调用、权限控制、Hook 扩展点。

s05 到 s08 处理复杂任务。先规划再执行，把大任务拆给子 Agent，做好上下文压缩。

s09 到 s11 解决记忆和恢复。让 Agent 记住该记的、忘掉该忘的，遇到错误能重试或换路径。

s12 到 s14 支撑长时间运行。任务系统持久化到磁盘，慢操作放后台，定时任务自动触发。

s15 到 s18 实现多 Agent 协作。异步消息信箱、固定通信协议、自主认领任务、工作目录隔离。

s19 到 s20 做能力扩展和整合。通过 MCP 接入外部工具，最后把所有机制组装回一个完整的循环。

每一课的核心都是同一个 agent loop：

while True:
    response = model(messages, tools)
    if response.stop_reason != "tool_use":
        return
    for block in response.content:
        if block.type == "tool_use":
            output = handlers[block.name](**block.input)
            messages.append(tool_result)

循环本身从不改变，所有机制都叠加在循环外面。这就是项目反复强调的：不要重写循环，在循环周围加东西。

项目结构

每个章节是一个独立文件夹，包含中文 README、英文和日文翻译、可运行的 code.py，复杂章节还有 SVG 图解。

s01_agent_loop/ 到 s20_comprehensive/ 按顺序排列，每一课假设你已经读过前面的内容。

快速开始只需要克隆仓库、安装依赖、运行第一章代码，三步就能跑起来。

项目还附带了一个 Web 平台，可以在浏览器里查看教程内容。

适合谁

如果你正在做 AI Agent 相关的开发，这个项目值得读。它不会教你训练模型，它教你的是怎么给一个已经很聪明的模型搭建一个能充分发挥能力的环境。

团队还开源了两个配套项目：Kode Agent CLI 是一个开箱即用的命令行 Agent 工具，Kode Agent SDK 可以把 Agent 能力嵌入到你自己的应用里。

项目采用 MIT 协议，代码完全开源。

用的命令行 Agent 工具，Kode Agent SDK 可以把 Agent 能力嵌入到你自己的应用里。

项目采用 MIT 协议，代码完全开源。