案例：shareAI-lab 用 20 个渐进阶段构建 Agent Harness

背景和目标

shareAI-lab 在 GitHub 上发布 learn-claude-code 教学仓库，目的是让读者从零看到 Agent Harness 形成的全过程，而不是只讲解 ReAct 或工具调用等概念。仓库以可运行的 Python 代码为载体，把"每增加一个机制后 Agent 能完成什么新任务"展示出来。

输入与条件

• Python 运行环境与依赖管理。
• Anthropic API Key（用于调用模型）。
• 终端基础与 Git 基本操作（含 worktree）。
• 学习目标：理解 Agent 内部机制与 Harness 工程化。

过程

• s01 起于"最小 Agent 循环"。
• 后续阶段依次加入：工具注册与 Bash、上下文压缩、计划与任务分解、子 Agent、Skills、MCP、团队协作（教学版 JSONL 邮箱）、Git worktree 隔离。
• 在综合章节把多个机制合并回同一可运行循环。
• 最后对照生产系统缺失的治理能力（权限、审计、恢复、凭证管理、错误隔离）做明示边界声明。

产物或结果

• 20 个阶段的渐进式 Python 代码示例。
• 一份明确区分"教学实现"与"Claude Code 官方源码"的 README。
• 读者可以按章节观察"增加一个机制后新增能力与复杂度"。

限制

• 仓库主动省略完整 Hook 总线、生产级权限治理、resume/fork 生命周期、完整 MCP 运行时。
• 团队协作使用的 JSONL 邮箱是教学协议，非生产通信标准。
• 不能据此推断 Claude Code 的内部源码或官方架构。
• API 费用与命令执行权限需要使用者自行控制。

相关教程和工具

• 仓库主页：learn-claude-code（从最小循环到完整 Harness 的中文教学仓库）
• 教程摘要：Learn Claude Code——从最小循环到完整 Harness（shareAI-lab 教学仓库教程摘要）
• 方法：渐进式 Agent Harness 工程化（最小循环 → 工具 → 上下文 → 计划 → 子 Agent → Skills → MCP → 团队 → worktree）
• 教学对象工具：Claude Code

来源

• SRC-DEV-005：Learn Claude Code——从最小循环到完整 Agent Harness