learn-claude-code s00
learn-claude-code 笔记
项目路径:github.com/learn-claude-code
README.md
Agent = LLM + Context + Tools
Agent 产品 = 模型 + Harness
Claude Code 的复杂性不是“另一个 agent 大脑”,而是一个成熟 harness 的复杂性。
模型负责判断和行动选择;harness 负责把环境、工具、权限、记忆、团队和外部能力组织好。
LLM: 已训练的神经网络参数模型函数
Agent: 一个通过训练学会了行动的模型,加上让它能在特定环境中工作的基础设施
Agency: 感知、推理、行动
Agent不是过程式的流水线工程,Agency能力是通过模型训练产生的
Harness 是 agent 在特定领域工作所需要的一切:
Harness = Tools + Knowledge + Observation + Action Interfaces + Permissions
- 工具 Tools: 文件读写、Shell、网络、数据库、浏览器
- 知识 Knowledge: 产品文档、领域资料、API 规范、风格指南
- 检测 Observation: git diff、错误日志、浏览器状态、传感器数据
- 行为 Action: CLI 命令、API 调用、UI 交互
- 许可 Permissions: 沙箱隔离、审批流程、信任边界
模型决策,harness执行
模型推理,harness提供上下文
此即: Harness => 驾驭工程 | 模型驾驶harness执行任务
Harness 工程
构建Agent的生存环境
- 实现工具 Agent的双手
- 文件读写、Shell、API调用、浏览器控制、数据库查询、…
- 每个都是Agent在环境中可采取的一个行动
- 原子化、可组合、描述清晰
- 策划知识 Agent的领域专长
- 产品文档、架构决策记录、风格指南、合规要求、…
- 按需加载(s07),Agent应知道有什么可用,自己拉取所需
- 管理上下文 Agent的干净记忆
- 子Agent隔离(s06),防止噪声泄漏
- 上下文压缩(s08),防止历史淹没
- 任务系统(s12),目标持久化到单词对话之外
- 控制权限 Agent的行为边界
- 沙箱化文件访问,对破坏性操作要求审批
- 在Agent和外部系统之间实施信任边界
- 这是安全工程和harness工程的交汇点
- 收集任务过程数据 Agent的微调材料
- Agent在harness中执行的每一条行动序列都是训练信号
- harness不仅服务于Agent,还可以帮助Agent进化
对于不同领域的Agent,只是它所存在的Harness构建的环境不同,而 循环 不变,仍然是: Agent = LLM + Harness
从小工具的实现,到领域Agent的构建
教程范围
1 | 本仓库是一个 0->1 的 harness 工程学习项目 -- 构建围绕 agent 模型的工作环境。 为保证学习路径清晰,仓库有意简化或省略了部分生产机制: |
学习路径
第一阶段
- s01 Agent Loop
- s02 Tool Use
- s03 Permisssion
- s04 Hooks
第二阶段
- s05 TodoWrite
- s06 Subagent
- s08 Context Compact
第三阶段
- s09 Memory
- s10 System Prompt
- s11 Error Recovery
第四阶段
- s12 Task System
- s13 Background Tasks
- s14 Cron Scheduler
第五阶段
- s15 Agent Teams
- s16 Team Protocols
- s17 Autonomous Agents
- s18 Worktree Isolation
第六阶段
- s07 Skill Loading
- s19 MCP Plugin
- s20 Comprehensive Agent