如果你也想弄懂 Claude Code 这类 Coding Agent 到底是怎么工作的这个仓库也许能帮你少走一些弯路。项目地址https://github.com/peijiping/learn-claude-code-langchain一、为什么做这个项目很多 Agent 教程为了把知识点讲清楚会把 Agent Loop、工具调用、Todo、记忆、子智能体、多智能体协作等能力拆成独立章节。这样很适合学习但真正想动手做项目时经常会遇到一个问题单个示例都懂放到一起却不知道怎么组成一个完整 Agent。这个仓库就是为了解决这个“最后一公里”。我沿着 learn-claude-code 的 v1 → v2 路线学习同时把分散能力重新组合成一套可以直接运行、继续扩展的完整智能体。二、它和原教程有什么不同原教程把知识点拆开讲每节独立方便理解单个机制。我的实现把能力组合成完整功能集合体使用统一主入口让各模块协同运行更像一个真正可交互、可扩展的 Agent。原教程使用原生 Anthropic SDK我的主实现使用原生 OpenAI SDK。仓库名里还保留着“langchain”这是早期实现留下的痕迹当前主实现已经去掉 LangChain 依赖直接处理 tool_calls希望把模型调用、工具回传和上下文管理真正弄明白。三、已经整合了哪些能力当前主入口是 agents/agent_full_v2.py已经串起• Agent Loop 与原生 Tool Calling• Bash、文件读写、编辑、PDF 等工具集• TodoWrite 与文件式 Task System• 子智能体与工具权限控制• Skill 按需加载• 三层上下文压缩• 会话新建、切换与 JSONL 持久化• 后台任务、通知队列与并行工具执行• 多智能体队友、消息邮箱与 idle 自循环• Reasoning 模型兼容• Tool 驱动的记忆写入与遗忘这些能力不是放在一堆互不相干的小 Demo 里而是围绕同一个 Agent 主入口协同工作。核心仍然是最朴素的循环模型思考 → 发起工具调用 → 执行工具 → 回传结果 → 继续思考。其余能力都是围绕这个 loop 一层层加上去的 Harness。四、快速运行pip install -r requirements.txtcp .env.example .env配置 OPENAI_MODEL_ID / OPENAI_API_KEY / OPENAI_BASE_URLpython agents/agent_full_v2.py启动后可以直接与 Agent 对话也可以使用 /tasks 查看任务看板、/compact 压缩上下文、/newsession 新建会话。仓库同时保留了原教程 v1、v2 的代码和中文学习笔记方便一边看“知识点怎么拆”一边对照“完整 Agent 怎么组”。里面还留有我用这个 Agent 跑过的实际任务记录例如论文综述生成、病历结构化提取等。五、适合谁• 想从零理解 Coding Agent / Agent Harness 的开发者• 学过 Tool Calling但不知道如何整合记忆、任务和协作的人• 想对照 Anthropic SDK 与 OpenAI SDK 实现差异的人• 不满足于跑 Demo想自己组装一套完整 Agent 的人项目仍在持续完善接下来会继续接入 MCP、补齐 Hooks 轨迹采集并尝试用 State Graph 验证图编排与 while loop 两种范式。如果这个仓库对你有一点帮助欢迎去 GitHub 看看。觉得不错的话记得顺手点个 Star ⭐哈哈这会给我很大的更新动力GitHubhttps://github.com/peijiping/learn-claude-code-langchain
如果你也想弄懂 Claude Code 这类 Coding Agent 到底是怎么工作的这个仓库也许能帮你少走一些弯路。项目地址https://github.com/peijiping/learn-claude-code-langchain一、为什么做这个项目很多 Agent 教程为了把知识点讲清楚会把 Agent Loop、工具调用、Todo、记忆、子智能体、多智能体协作等能力拆成独立章节。这样很适合学习但真正想动手做项目时经常会遇到一个问题单个示例都懂放到一起却不知道怎么组成一个完整 Agent。这个仓库就是为了解决这个“最后一公里”。我沿着 learn-claude-code 的 v1 → v2 路线学习同时把分散能力重新组合成一套可以直接运行、继续扩展的完整智能体。二、它和原教程有什么不同原教程把知识点拆开讲每节独立方便理解单个机制。我的实现把能力组合成完整功能集合体使用统一主入口让各模块协同运行更像一个真正可交互、可扩展的 Agent。原教程使用原生 Anthropic SDK我的主实现使用原生 OpenAI SDK。仓库名里还保留着“langchain”这是早期实现留下的痕迹当前主实现已经去掉 LangChain 依赖直接处理 tool_calls希望把模型调用、工具回传和上下文管理真正弄明白。三、已经整合了哪些能力当前主入口是 agents/agent_full_v2.py已经串起• Agent Loop 与原生 Tool Calling• Bash、文件读写、编辑、PDF 等工具集• TodoWrite 与文件式 Task System• 子智能体与工具权限控制• Skill 按需加载• 三层上下文压缩• 会话新建、切换与 JSONL 持久化• 后台任务、通知队列与并行工具执行• 多智能体队友、消息邮箱与 idle 自循环• Reasoning 模型兼容• Tool 驱动的记忆写入与遗忘这些能力不是放在一堆互不相干的小 Demo 里而是围绕同一个 Agent 主入口协同工作。核心仍然是最朴素的循环模型思考 → 发起工具调用 → 执行工具 → 回传结果 → 继续思考。其余能力都是围绕这个 loop 一层层加上去的 Harness。四、快速运行pip install -r requirements.txtcp .env.example .env配置 OPENAI_MODEL_ID / OPENAI_API_KEY / OPENAI_BASE_URLpython agents/agent_full_v2.py启动后可以直接与 Agent 对话也可以使用 /tasks 查看任务看板、/compact 压缩上下文、/newsession 新建会话。仓库同时保留了原教程 v1、v2 的代码和中文学习笔记方便一边看“知识点怎么拆”一边对照“完整 Agent 怎么组”。里面还留有我用这个 Agent 跑过的实际任务记录例如论文综述生成、病历结构化提取等。五、适合谁• 想从零理解 Coding Agent / Agent Harness 的开发者• 学过 Tool Calling但不知道如何整合记忆、任务和协作的人• 想对照 Anthropic SDK 与 OpenAI SDK 实现差异的人• 不满足于跑 Demo想自己组装一套完整 Agent 的人项目仍在持续完善接下来会继续接入 MCP、补齐 Hooks 轨迹采集并尝试用 State Graph 验证图编排与 while loop 两种范式。如果这个仓库对你有一点帮助欢迎去 GitHub 看看。觉得不错的话记得顺手点个 Star ⭐哈哈这会给我很大的更新动力GitHubhttps://github.com/peijiping/learn-claude-code-langchain
