很多朋友都在问两个问题：
- 想系统学习 Agent 原理，但不知道从哪里开始。
- 已经在用 Claude Code，但想搞清楚它背后的机制。
今天这篇就推荐一个很适合入门到进阶的开源项目：learn-claude-code。
这个项目解决了什么问题？
它把'会用工具'和'理解原理'之间的鸿沟补上了：
- 不只讲概念，而是从最小可运行循环开始。
- 每一课只增加一个机制，学习路径清晰。
- 代码能跑、过程可观察、原理可追踪。
GitHub 仓库地址：https://github.com/shareAI-lab/learn-claude-code
先看最小循环：Agent 是怎么'动起来'的
这是 AI Coding Agent 的最小循环。生产级 Agent 会在此基础上叠加策略、权限和生命周期管理。
LLM 本身只能生成文本，但编程任务需要与真实世界交互（读写文件、运行命令、搜索代码）。这个循环的作用是让 LLM 能够：
- 判断何时需要调用工具
- 调用工具并获取结果
- 基于结果继续推理和执行
12 节课怎么设计？
项目提供了 12 节循序渐进的课程：从简单循环到隔离化自动运行。每节课只增加一个机制，并配一句'格言'。
| 编号 | 格言 | 解释 |
|---|---|---|
| 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 |
这 12 课的关键价值在于：循环框架基本不变，你看到的是'能力层层叠加'的过程。
怎么跑起来？（CLI 实操）
git https://github.com/shareAI-lab/learn-claude-code
learn-claude-code
pip install -r requirements.txt
.env.example .
python agents/s01_agent_loop.py
python agents/s12_worktree_task_isolation.py
python agents/s_full.py
