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

来源概要

这是 shareAI-lab 在 GitHub 维护的开源教学仓库 learn-claude-code 中文 README 的摘要。仓库不模仿 Claude Code 的界面，而是通过 20 个阶段（s01–s20）的可运行 Python 代码，逐章解释一个 coding agent 的 Harness 是怎样形成的：模型如何循环、怎样调用 Bash 和其他工具、如何管理上下文、计划任务、加载 Skills、接入 MCP、协调多个 Agent，并通过 worktree 隔离并行工作。

收录意图

为 Wiki 中"自己开发 Agent"这条可能性补充一个可运行、可对照的中文教学资源。仓库同时覆盖 Claude Code 的相关机制（Skills、MCP、子 Agent、计划与上下文管理），但明确不是 Anthropic 官方资料，也不能据此推断 Claude Code 的内部源码。

关键内容

• 教学起点：最小 Agent 循环（模型读取任务 → 决定调用工具 → 获得结果 → 继续推理）。
• 渐进式结构：每章只增加一个主要机制，对比新增能力与复杂度。
• 覆盖机制：工具注册、计划与任务分解、子 Agent、上下文压缩、会话状态、Skills、MCP、团队协作、worktree 隔离、综合 Harness。
• 综合章节：把多个机制合并进同一个可运行循环，便于理解各部分如何配合。

核心观点

• 模型本身不等于可用的 Agent 产品；真正决定稳定性的还有工具协议、权限、上下文、状态、错误处理与协作结构。
• Harness 可以被渐进式工程化：每一层机制都能被独立观察、对比与回退。
• 教学实现 ≠ Claude Code 内部实现：仓库省略或简化了完整 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。

适用对象

准备开发自己的 coding agent、自动化 Agent 或 Agent 平台的开发者和技术学习者；想从底层理解 Claude Code 类工具内部机制的研究者。

操作路径（作者提供的过程）

1. 克隆仓库、安装依赖并配置 Anthropic API Key。
2. 从最小 Agent Loop 开始运行，观察模型与工具的往返过程。
3. 每章只增加一个主要机制，并对比新增能力与复杂度。
4. 加入上下文压缩、任务隔离和状态恢复，处理长任务。
5. 通过 Skills 和 MCP 扩展外部能力。
6. 使用团队协议和 worktree 演示并行协作与文件隔离。
7. 在综合章节把机制合并，再对照生产系统缺失的治理能力。

输入与产物

• 输入：Python 环境、Anthropic API Key、终端基础、希望理解 Agent 内部机制的学习目标。
• 输出：一系列可运行的最小 Agent、工具调用 Agent、上下文管理 Agent、团队协作示例和综合 Harness。

来源边界

• 这是社区教学实现，不是 Anthropic 官方资料，也不声称复刻 Claude Code 完整内部系统。
• 章节中的协议、代码结构和省略项应按仓库自身说明理解。
• 任何生产使用仍需补充权限、审计、恢复、凭证管理与错误隔离。
• 本文不复制代码全文，只概括教学路径与边界。

相关资源

• 仓库主页：learn-claude-code（从最小循环到完整 Harness 的中文教学仓库）
• 维护者：shareAI-lab（learn-claude-code 仓库维护者）
• 教学对象工具：Claude Code
• 仓库方法：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）
• 衍生风险：教学版 Agent 代码与生产系统缺失的治理能力差距、把教学实现的协议与结构误认为 Claude Code 官方源码或架构
• 主题索引：开发与自动化