当前 AI 圈子中"Agent"概念火热，但市面上很多所谓的"Agent 平台"本质上是复杂的提示词编排工具——拖拽节点、编写 if-else 逻辑、嵌入 LLM，就宣称是智能体。这类方案往往脆弱且难以泛化，换个场景就失效。
真正的 Agent 应该如何构建？如何将模型的智能落地到实际工作中？今天分享的开源项目 Learn Claude Code 提供了一套完整的 Agent Harness（驾驭/载具）工程实战方案。
核心理念：Agency 来自模型，而非外部编排
这个项目的核心观点非常通透：Agency（感知、推理、行动的能力）来自模型训练，而不是外部代码编排。开发者真正要做的，不是试图写代码去"模拟"智能，而是构建一套高质量的 Harness（载具），让模型这个"驾驶员"能开得得心应手。
Learn Claude Code 通过逆向工程 Claude 的架构，拆解出 12 个递进式课程，手把手从零构建一个能真正干活的 Agent 环境。它不只是教写代码，更是培养"Harness 工程师"的思维模式。
设计特点：心智模型优先
项目最大的亮点在于"心智模型优先"设计理念，摒弃花哨的、过度工程化的工作流编排，回归 Agent 的本质：一个循环 + 一套工具。
项目把复杂的 Agent 拆解成 12 个核心机制，从最基础的 Agent Loop，到高级的多 Agent 团队协作、Worktree 隔离，每一步都讲解清晰：
- 通过简单的 Bash 工具实现无限可能
- 通过上下文压缩让 Agent 拥有无限记忆
- 通过任务系统让 Agent 团队像人类一样协作
技术架构
项目架构清晰，分为参考实现和交互教学两部分：
后端：核心逻辑采用 Python 编写，配合 Anthropic 官方 SDK，实现精炼的 Agent Loop。所有机制——工具调用、子 Agent 派生、团队邮箱通信——都有最小化代码实现。
前端：基于 Next.js 开发的 Web 交互平台，提供分步动画、源码查看器和交互式文档，直观展示每个机制的运行方式。
部署方式
上手几乎零门槛：
git clone https://github.com/shareAI-lab/learn-claude-code
cd learn-claude-code
pip install -r requirements.txt
cp .env.example .env # 编辑 .env 填入 ANTHROPIC_API_KEY
python agents/s01_agent_loop.py # 从最基础的循环开始体验体验 Web 端可视化教学：
cd web && npm install && npm run dev
# 浏览器打开 http://localhost:3000开源协议
项目遵循 MIT 协议开源，无论是个人学习、研究，还是商业项目中使用、修改代码，基本都没有限制，只需保留原作者版权声明即可。
实战场景演示
场景一：从脚本到智能的跨越
在 S01 阶段，就能看到最小化的 Agent 实现。模型想要读取文件，代码就负责读；模型想要执行 Bash 命令，代码就负责执行。只要给了模型双手（工具）和眼睛（观察），它自己就能规划如何完成任务，无需硬编码逻辑。
场景二：复杂任务的拆解与规划
到了 S03 和 S07，项目展示了如何让 Agent 像"老司机"一样干活。遇到复杂需求，Agent 会先列 Todo List，然后一步步执行。遇到大任务，它会拆成子任务，画成依赖图存在磁盘上，就像带了个经验丰富的项目经理。
场景三：团队协作与隔离
最震撼的是 S09 到 S12 的团队协作部分。可以模拟一个 Agent 团队，每个 Agent 有自己的技能（如擅长前端、后端）。它们通过类似"邮箱"的机制沟通，自动认领任务，并且在各自独立的 Worktree（工作树）里干活，互不干扰。这简直就是未来软件工厂的雏形。
苏米注
Learn Claude Code 项目揭示了一个关键洞察：不要试图去编写智能，而是要去构建智能栖居的世界。这种 Harness 工程思维，对于构建下一代 AI 应用至关重要。
无论你是做 Java、PHP 还是前端，理解这套思维模式都能帮助你更好地设计 AI 应用。