30行代码构建你的第一个AI Agent

"One loop & Bash is all you need" —— 一个工具 + 一个循环 = 一个智能体。

在前一篇文章中，我们理解了 Agent 的本质：Agent 是模型，Harness 是框架。今天，让我们动手构建最简单的 Agent Harness。

只需要 30 行 Python 代码，你就能拥有一个真正能与现实世界交互的 AI Agent。

一、问题：模型被困在象牙塔里

大语言模型能推理代码，但碰不到真实世界——不能读文件、跑测试、看报错。

没有循环，每次工具调用你都得手动把结果粘回去。你自己就是那个循环。

这既不优雅，也不可扩展。我们需要让模型能够自主地与工具交互，形成一个闭环。

二、解决方案：Agent 循环

核心思想很简单：

+--------+      +-------+      +---------+
|  User  | ---> |  LLM  | ---> |  Tool   |
| prompt |      |       |      | execute |
+--------+      +---+---+      +----+----+
                    ^                |
                    |   tool_result  |
                    +----------------+
              (loop until stop_reason != "tool_use")

一个退出条件控制整个流程。循环持续运行，直到模型不再调用工具。

三、工作原理

1. 用户 prompt 作为第一条消息

messages.append({"role": "user", "content": query})

2. 将消息和工具定义一起发给 LLM

response = client.messages.create(
    model=MODEL, system=SYSTEM, messages=messages,
    tools=TOOLS, max_tokens=8000,
)

3. 追加助手响应，检查 stop_reason

messages.append({"role": "assistant", "content": response.content})
if response.stop_reason != "tool_use":
    return

如果模型没有调用工具，任务完成。

4. 执行每个工具调用，收集结果，作为 user 消息追加，回到第 2 步

results = []
for block in response.content:
    if block.type == "tool_use":
        output = run_bash(block.input["command"])
        results.append({
            "type": "tool_result",
            "tool_use_id": block.id,
            "content": output,
        })
messages.append({"role": "user", "content": results})

四、完整代码

组装为一个完整函数：

def agent_loop(query):
    messages = [{"role": "user", "content": query}]
    while True:
        response = client.messages.create(
            model=MODEL, system=SYSTEM, messages=messages,
            tools=TOOLS, max_tokens=8000,
        )
        messages.append({"role": "assistant", "content": response.content})

        if response.stop_reason != "tool_use":
            return

        results = []
        for block in response.content:
            if block.type == "tool_use":
                output = run_bash(block.input["command"])
                results.append({
                    "type": "tool_result",
                    "tool_use_id": block.id,
                    "content": output,
                })
        messages.append({"role": "user", "content": results})

不到 30 行，这就是整个智能体。

后面所有复杂的机制（规划、子 Agent、任务系统、团队协作）都是在这个循环上叠加的——循环本身始终不变。

五、核心组件

组件	作用
Agent loop	while True + stop_reason 检查
Tools	从 bash 开始，单一工具足矣
Messages	累积式消息列表，记录完整对话历史
Control flow	stop_reason != "tool_use" 决定退出

六、试一试

git clone https://github.com/shareAI-lab/learn-claude-code
cd learn-claude-code
python agents/s01_agent_loop.py

试试这些 prompt：

1. Create a file called hello.py that prints "Hello, World!"
2. List all Python files in this directory
3. What is the current git branch?
4. Create a directory called test_output and write 3 files in it

你会看到 Agent 自主地调用 Bash 工具，执行命令，读取结果，然后决定下一步做什么，直到任务完成。

七、关键洞察

模型决定什么时候调用工具，什么时候停止。

代码只是执行模型要求做的事。这个循环属于 Agent，机制属于 Harness。

这个看似简单的循环是所有现代 AI Agent（包括 Claude Code、Devin、OpenCode）的基础。无论 Agent 多复杂，核心都是这个循环：

messages[] --> LLM --> response
               |
      stop_reason == "tool_use"?
         /         \
      yes            no
       |              |
  执行工具       返回文本
  追加结果
  循环回去 ----------> messages[]

八、下一步

这只是一个开始。在这个基础上，我们将逐步添加：

• 工具扩展：不只 Bash，还有文件读写、代码编辑、搜索
• 规划能力：让 Agent 列步骤再执行
• 子 Agent：大任务拆小，上下文隔离
• 知识加载：按需注入领域知识
• 上下文压缩：处理长对话
• 任务系统：持久化的目标管理
• 团队协作：多 Agent 并行工作

但在那之前，先掌握这个循环。理解它，你就理解了 Agent 的本质。

---

Bash 就够了。真正的 Agent 是宇宙所需要的全部。

延伸阅读：learn-claude-code 开源项目，12 个渐进式教程，从简单循环到隔离式自主执行。