learn-claude-code通过对 Claude Code 的深度拆解，教你如何从一个最简单的循环开始，一步步构建出一个优雅、强大的智能体载具系统，让 AI 在你的环境里真正拥有手和眼。

开篇先提出了一个观点：模型就是 Agent，而你的代码只是 Harness（载具）。

Harness 工程师到底在做什么
如果你在读这个仓库，你很可能是一名 harness 工程师 -- 这是一个强大的身份。以下是你真正的工作：

实现工具。 给 agent 一双手。文件读写、Shell 执行、API 调用、浏览器控制、数据库查询。每个工具都是 agent 在环境中可以采取的一个行动。设计它们时要原子化、可组合、描述清晰。

策划知识。 给 agent 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（s05），不要前置塞入。Agent 应该知道有什么可用，然后自己拉取所需。

管理上下文。 给 agent 干净的记忆。子 agent 隔离（s04）防止噪声泄露。上下文压缩（s06）防止历史淹没。任务系统（s07）让目标持久化到单次对话之外。

控制权限。 给 agent 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。这是安全工程与 harness 工程的交汇点。

收集任务过程数据。 Agent 在你的 harness 中执行的每一条行动序列都是训练信号。真实部署中的感知-推理-行动轨迹是微调下一代 agent 模型的原材料。你的 harness 不仅服务于 agent -- 它还可以帮助进化 agent。

你不是在编写智能。你是在构建智能栖居的世界。这个世界的质量 -- agent 能看得多清楚、行动得多精准、可用知识有多丰富 -- 直接决定了智能能多有效地表达自己。

12 个递进式课程, 从简单循环到隔离化的自治执行。 每个课程添加一个 harness 机制。每个机制有一句格言。

s01 "One loop & Bash is all you need" — 一个工具 + 一个循环 = 一个智能体

s02 "加一个工具, 只加一个 handler" — 循环不用动, 新工具注册进 dispatch map 就行

s03 "没有计划的 agent 走哪算哪" — 先列步骤再动手, 完成率翻倍

s04 "大任务拆小, 每个小任务干净的上下文" — 子智能体用独立 messages[], 不污染主对话

s05 "用到什么知识, 临时加载什么知识" — 通过 tool_result 注入, 不塞 system prompt

s06 "上下文总会满, 要有办法腾地方" — 三层压缩策略, 换来无限会话

s07 "大目标要拆成小任务, 排好序, 记在磁盘上" — 文件持久化的任务图, 为多 agent 协作打基础

s08 "慢操作丢后台, agent 继续想下一步" — 后台线程跑命令, 完成后注入通知

s09 "任务太大一个人干不完, 要能分给队友" — 持久化队友 + 异步邮箱

s10 "队友之间要有统一的沟通规矩" — 一个 request-response 模式驱动所有协商

s11 "队友自己看看板, 有活就认领" — 不需要领导逐个分配, 自组织

s12 "各干各的目录, 互不干扰" — 任务管目标, worktree 管目录, 按 ID 绑定

在线网址：https://learn.shareai.run/en/

GitHub地址：https://github.com/shareAI-lab/learn-claude-code

声明：本站内容均收集于互联网，如不慎侵犯到您的版权利益，请附带相关证明文件来信本站将立即予以下架删除。