自己实现一个最小 AI Agent 循环

可以得到什么

一个能"读取任务 → 决定调用工具 → 获得结果 → 继续推理"的最简 Agent，作为后续扩展工具、上下文、计划、子 Agent 等机制的基础循环。

适合哪些情况

• 想理解 Claude Code 类工具内部从零开始如何拼装。
• 在教学或原型场景下，希望先跑通"模型 + 工具调用"最小闭环。
• 为团队后续搭建 Agent 平台做底层演示。

需要准备什么

• Python 运行环境。
• Anthropic API Key 或同类模型 API。
• 终端基础知识与可运行 Python 文件结构。

常见做法

• 编写一个循环：从消息历史构造请求 → 调用模型 → 检查返回是否包含工具调用 → 执行工具 → 把结果追加回历史 → 再次调用模型，直至模型不再请求工具。
• 每一步只打印关键状态（消息、工具名、工具结果），便于观察循环过程。
• 在确认最简循环稳定后再加入新机制。

真实案例与教程

• 教学仓库：Learn Claude Code——从最小循环到完整 Harness（shareAI-lab 教学仓库教程摘要）
• 仓库主页：learn-claude-code（从最小循环到完整 Harness 的中文教学仓库）
• 关联方法：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）

限制和检查点

• 最简循环仅含模型与工具调用，未覆盖权限、审计、恢复、错误隔离等治理能力。
• 不能据此推断 Claude Code 内部源码。
• API 费用随循环次数增加，注意控制调用深度。

相关任务

• 为最小 Agent 添加 Bash 等工具
• 压缩 Agent 长会话上下文
• 用 worktree 隔离让多个 coding agent 并行开发

来源

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