查看“︁30行代码构建你的第一个AI Agent”︁的源代码

<blockquote>"One loop & Bash is all you need" —— 一个工具 + 一个循环 = 一个智能体。</blockquote>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：
 <code>+--------+      +-------+      +---------+
 |  User  | ---> |  LLM  | ---> |  Tool   |
 | prompt |      |       |      | execute |
 +--------+      +---+---+      +----+----+
                     ^                |
                     |   tool_result  |
                     +----------------+
               (loop until stop_reason != "tool_use")</code>
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 ===
 <code>messages.append({"role": "user", "content": query})</code>

=== 2. 将消息和工具定义一起发给 LLM ===
 <code>response = client.messages.create(
     model=MODEL, system=SYSTEM, messages=messages,
     tools=TOOLS, max_tokens=8000,
 )</code>

=== 3. 追加助手响应，检查 stop_reason ===
 <code>messages.append({"role": "assistant", "content": response.content})
 if response.stop_reason != "tool_use":
     return</code>
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 ===
 <code>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})</code>

== 四、完整代码 ==
组装为一个完整函数：
 <code>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})</code>
'''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 ==
{| class="wikitable"
!组件
!作用
|-
|Agent loop
|<code>while True</code> + <code>stop_reason</code> 检查
|-
|Tools
|从 <code>bash</code> 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
|<code>stop_reason != "tool_use"</code> 决定退出
|}

== 六、试一试 ==
 <code>git clone <nowiki>https://github.com/shareAI-lab/learn-claude-code</nowiki>
 cd learn-claude-code
 python agents/s01_agent_loop.py</code>
试试这些 prompt：

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

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：
 <code>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[]</code>

== 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。