17 课跑通 Agent 工具调用与上下文压缩一个开源 Harness 工程教程【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-codelearn-claude-code 是一个用 Python 从零复现类 Claude Code Agent 的 harness 工程教程。它把工具调用、上下文压缩、多 Agent 协同等核心机制拆成 17 个可独立运行的章节每章配有可直接执行的 code.py 与三语文档。按 s01 到 s08 的顺序读下来工具调用的完整决策路径与长对话如何留在上下文窗口内基本可以一次看明白。从一个 while 循环开始工具调用的完整链路s01 的 agent_loop 是理解后续一切的基础把 messages 列表和工具 schema 发给模型若 stop_reason 为 tool_use就逐个执行响应中的工具调用把结果以 tool_result 写回消息列表后再次进入循环模型不再要求工具时返回。何时调用工具、何时停止由模型决定代码只负责忠实执行。s01 只用一个 bash 工具加危险命令黑名单就构成最小 Agent这也是项目口号 Bash is all you need 的出处完整实现见 s01_agent_loop/code.py。新增工具不碰主循环TOOL_HANDLERS 分发表s02 把写死的 bash 调用换成 TOOL_HANDLERS 字典注册 bash、read_file、write_file、edit_file、glob 五个处理器。模型输出 tool_use 块后循环按名称取出处理器用模型给出的参数调用。扩展成本因此极低加一个工具只需补一个处理器函数和一条 schema 声明主循环一行不动。所有文件工具还经过 safe_path 校验确保路径落在工作区内执行报错同样以 tool_result 形式返回给模型失败也是它决定下一步的素材。长对话必然撑爆上下文每次模型调用前的 4 层压缩长任务运行得越久消息列表增长得越快。s08 的上下文压缩方案不是一刀切地“全部摘要”而是每次调用模型前依次跑 4 层管线tool_result_budget 检查本轮工具结果单条超过 3 万字符的落盘持久化对话里只留 2000 字符预览snip_compact 把中间老消息归档到 .transcripts原位替换成一条占位标记micro_compact 把较旧的 tool_result 压成一行省略说明最近 3 条保留原文三层之后总长仍超 5 万字符compact_history 才调用模型把整段历史总结成“目标 决策 未完成事项”摘要。实现细节在 s08_context_compact/code.py。超限仍有兜底reactive_compact 重试一次即使预检没来得及拦住、API 直接报 prompt_too_longreactive_compact 也会把较早一半历史摘要压缩后重试一次。管线顺序是“先做便宜的再做贵的”磁盘 I/O 与字符串截断优先花 token 的 LLM 摘要只作最后手段。Agent 状态管理的代价由此从“整段对话不断增长”变成“主上下文基本恒定细节随时可按路径从磁盘取回”。子任务隔离与按需技能两种额外的控量手段压缩处理“已经进入上下文”的内容s06 与 s07 处理“不该进主上下文”的内容。s06 的 task 工具为子任务启动一个子代理它跑独立的 agent loop 和全新的 messages 列表与父代理只共享工作目录最终只有一段文本作为 tool_result 写回中间过程完全不进主对话。s07 的技能机制同理上下文里先只放技能名称和一行描述模型明确点名时才注入全文。两者是同一个取舍——细节放磁盘和新会话里主上下文只留做决策所需的最小信息。3 行命令跑起最小 Agentgit clone https://gitcode.com/gh_mirrors/an/learn-claude-code cd learn-claude-code pip install -r requirements.txt cp .env.example .env python s01_agent_loop/code.py在 .env 里配置好 ANTHROPIC_API_KEY 与 MODEL_ID 后s01 即可对话一个仅带 bash 的 Agents08 则能演示完整上下文压缩管线。后续章节在同一循环上逐层叠加权限、钩子、任务图与多代理团队。17 课读完留下的不是零散功能而是每个机制都挂靠在同一个 while 循环上的事实。更值得琢磨的问题或许是当模型自身变强时这些 harness 机制里哪些会被训练吸收哪些仍属于 harness 的职责。【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-code创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
17 课跑通 Agent 工具调用与上下文压缩一个开源 Harness 工程教程【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-codelearn-claude-code 是一个用 Python 从零复现类 Claude Code Agent 的 harness 工程教程。它把工具调用、上下文压缩、多 Agent 协同等核心机制拆成 17 个可独立运行的章节每章配有可直接执行的 code.py 与三语文档。按 s01 到 s08 的顺序读下来工具调用的完整决策路径与长对话如何留在上下文窗口内基本可以一次看明白。从一个 while 循环开始工具调用的完整链路s01 的 agent_loop 是理解后续一切的基础把 messages 列表和工具 schema 发给模型若 stop_reason 为 tool_use就逐个执行响应中的工具调用把结果以 tool_result 写回消息列表后再次进入循环模型不再要求工具时返回。何时调用工具、何时停止由模型决定代码只负责忠实执行。s01 只用一个 bash 工具加危险命令黑名单就构成最小 Agent这也是项目口号 Bash is all you need 的出处完整实现见 s01_agent_loop/code.py。新增工具不碰主循环TOOL_HANDLERS 分发表s02 把写死的 bash 调用换成 TOOL_HANDLERS 字典注册 bash、read_file、write_file、edit_file、glob 五个处理器。模型输出 tool_use 块后循环按名称取出处理器用模型给出的参数调用。扩展成本因此极低加一个工具只需补一个处理器函数和一条 schema 声明主循环一行不动。所有文件工具还经过 safe_path 校验确保路径落在工作区内执行报错同样以 tool_result 形式返回给模型失败也是它决定下一步的素材。长对话必然撑爆上下文每次模型调用前的 4 层压缩长任务运行得越久消息列表增长得越快。s08 的上下文压缩方案不是一刀切地“全部摘要”而是每次调用模型前依次跑 4 层管线tool_result_budget 检查本轮工具结果单条超过 3 万字符的落盘持久化对话里只留 2000 字符预览snip_compact 把中间老消息归档到 .transcripts原位替换成一条占位标记micro_compact 把较旧的 tool_result 压成一行省略说明最近 3 条保留原文三层之后总长仍超 5 万字符compact_history 才调用模型把整段历史总结成“目标 决策 未完成事项”摘要。实现细节在 s08_context_compact/code.py。超限仍有兜底reactive_compact 重试一次即使预检没来得及拦住、API 直接报 prompt_too_longreactive_compact 也会把较早一半历史摘要压缩后重试一次。管线顺序是“先做便宜的再做贵的”磁盘 I/O 与字符串截断优先花 token 的 LLM 摘要只作最后手段。Agent 状态管理的代价由此从“整段对话不断增长”变成“主上下文基本恒定细节随时可按路径从磁盘取回”。子任务隔离与按需技能两种额外的控量手段压缩处理“已经进入上下文”的内容s06 与 s07 处理“不该进主上下文”的内容。s06 的 task 工具为子任务启动一个子代理它跑独立的 agent loop 和全新的 messages 列表与父代理只共享工作目录最终只有一段文本作为 tool_result 写回中间过程完全不进主对话。s07 的技能机制同理上下文里先只放技能名称和一行描述模型明确点名时才注入全文。两者是同一个取舍——细节放磁盘和新会话里主上下文只留做决策所需的最小信息。3 行命令跑起最小 Agentgit clone https://gitcode.com/gh_mirrors/an/learn-claude-code cd learn-claude-code pip install -r requirements.txt cp .env.example .env python s01_agent_loop/code.py在 .env 里配置好 ANTHROPIC_API_KEY 与 MODEL_ID 后s01 即可对话一个仅带 bash 的 Agents08 则能演示完整上下文压缩管线。后续章节在同一循环上逐层叠加权限、钩子、任务图与多代理团队。17 课读完留下的不是零散功能而是每个机制都挂靠在同一个 while 循环上的事实。更值得琢磨的问题或许是当模型自身变强时这些 harness 机制里哪些会被训练吸收哪些仍属于 harness 的职责。【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-code创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
