Agent 系统性学习

learn-claude-code：Bash is all you need

12 min read

Bash is all you need — A nano claude code–like 「agent harness」, built from 0 to 1

shareAI-lab 出品的 20 课递进式 Agent Harness 工程教程。从 while True 出发，逐步叠加 Claude Code 的每一个核心机制。与 claw0 组成姊妹教程——一个拆解 Agent Harness 内核，一个拆解网关路由与主动行为。

核心命题：Agency 不是编出来的

这个教程的开篇不是 Hello World，而是一段长达几千字的哲学陈述。它要讲一件反直觉的事：

Agency——感知、推理、行动的能力——是训练出来的，不是编出来的。

从 DeepMind 的 DQN 玩 Atari（2013），到 OpenAI Five 战胜 Dota 2 世界冠军（2019），到 AlphaStar 制霸星际争霸 II（2019），到腾讯绝悟碾压王者荣耀职业选手（2019），再到 Claude Code 重塑软件工程（2024-2025）——每一个里程碑指向同一个事实：Agent 的核心是一个被训练出来的神经网络，不是外面那层 if-else 代码。 外面的代码（模拟器、游戏客户端、IDE 和终端）提供的是环境（Harness），不是智能。

基于这个前提，教程做了一个犀利到冒犯的批判：

“提示词水管工式 ‘Agent’ 平台是不做模型的程序员的意淫。”

拖拽式工作流构建器、无代码 AI Agent 平台、提示词链编排库——这些东西试图通过堆叠过程式逻辑来暴力模拟智能，本质上是 GOFAI（经典符号 AI）的现代还魂。它们共享同一个幻觉：把 LLM API 调用用 if-else 分支、节点图、硬编码路由连在一起，就算”构建 Agent”了。那不是 Agent，那是一个有着宏大妄想的 shell 脚本。

心智转换：从”开发 Agent”到开发 Harness

当一个人说”我在开发 Agent”，他只能是两个意思之一：

  1. 训练模型（DeepMind、OpenAI、Anthropic 在做的事）
  2. 构建 Harness（我们大多数人在做的事）

教程明确定义了 Harness 的公式：

Harness = Tools + Knowledge + Observation + Action + Permissions

  Tools:       文件读写、Shell、网络、数据库、浏览器
  Knowledge:   产品文档、领域资料、API 规范、风格指南
  Observation: git diff、错误日志、浏览器状态、传感器数据
  Action:      CLI 命令、API 调用、UI 交互
  Permissions: 沙箱隔离、审批流程、信任边界

模型做决策，Harness 执行。模型做推理，Harness 提供上下文。模型是驾驶者，Harness 是载具。

这个隐喻贯穿全教程——你不需要”开发 Agent”，你需要的是造一个足够好的载具，然后把一个已经够聪明的模型放进去。这也正是 Harness工程 中反复强调的：Harness 工程师的职责不是编写智能，而是为智能构建栖居的世界。

Harness 工程师的五项职责

  1. 实现工具——给 Agent 一双手。每个工具是 Agent 在环境中可以采取的一个行动。设计时要原子化、可组合、描述清晰
  2. 策划知识——给 Agent 领域专长。按需加载（s07），不前置塞入。Agent 应该知道有什么可用，然后自己拉取所需
  3. 管理上下文——给 Agent 干净的记忆。子 Agent 隔离防噪声泄露（s06），压缩防历史淹没（s08），任务系统让目标跨会话持久化（s12）
  4. 控制权限——给 Agent 边界。沙箱化文件访问，破坏性操作要求审批。这是安全工程与 Harness 工程的交汇点
  5. 收集任务过程数据——Agent 在 Harness 中的每一条行动序列都是训练信号。这些感知-推理-行动轨迹是微调下一代 Agent 模型的原材料

为什么以 Claude Code 为教学标本

教程选择拆解 Claude Code 作为 Harness 工程的大师课，不是因为 Claude Code 做了什么特别聪明的设计，恰恰相反——是因为它没做太多事。

Claude Code 是最优雅的 harness 实现——不是因为它做了什么，而是因为它没做的事：它没有试图成为 Agent 本身。

把 Claude Code 剥到本质：

Claude Code = 一个 agent loop
            + 工具 (bash, read, write, edit, glob, grep, browser...)
            + 按需 Skill 加载
            + 上下文压缩
            + 子 Agent 派生
            + 带依赖图的任务系统
            + 异步邮箱的团队协调
            + worktree 隔离的并行执行
            + 权限治理

每一个组件都是 Harness 机制——为 Agent 构建的栖居世界的一部分。Agent 本身是 Claude（模型，由 Anthropic 训练）。Harness 没有让 Claude 变聪明。Claude 本来就聪明。Harness 给了 Claude 双手、双眼和一个工作空间。

这个拆解揭示了一个通用规律：最好的 Agent 产品，出自那些明白自己的工作是 Harness 而非 Intelligence 的工程师之手。 这个洞察适用于编程 Agent，也适用于农业、酒店、医疗、制造等任何领域的 Agent。

20 课递进路径

每个课程在同一个 Agent Loop 上叠加一个 Harness 机制。循环本身从不修改。每节有一句格言概括其核心理念：

#主题格言关键机制
s01Agent Loop”One loop & Bash is all you need”while True + stop_reason
s02Tools”加一个工具, 只加一个 handler”dispatch map 模式
s03Permissions”先划边界, 再给自由”操作前判断，问用户
s04Hooks”挂在循环上, 不写进循环里”工具前后留插口
s05TodoWrite”没有计划的 agent 走哪算哪”先列步骤再动手
s06Subagent”大任务拆小, 干净上下文”子 Agent 隔离，只带结果回来
s07Skill”用到时再加载, 别全塞 prompt”先列目录，用到再展开
s08Compact”上下文总会满, 腾地方”四层压缩策略，便宜的优先
s09Memory”记住该记的, 忘掉该忘的”筛选 + 提取 + 整理三子系统
s10System Prompt”prompt 是组装出来的”分段 + 按需拼接
s11Error Recovery”错误不是终点, 是重试起点”重试 + 腾空间 + 换路子
s12Task”大目标拆小任务, 排好序, 持久化”文件持久化的任务图
s13Background”慢操作丢后台”后台线程 + 完成通知注入
s14Cron”定时触发, 不需要人推”按时间自动触发任务
s15Teams”一个搞不定, 组队来”持久化队友 + 异步邮箱
s16Protocols”队友之间要有约定”固定请求-回复格式沟通
s17Autonomous”队友自己看板, 有活就认领”自组织，不需要领导分配
s18Worktree”各干各的目录, 互不干扰”任务管目标，worktree 管目录
s19MCP”能力不够? 插上 MCP”外部工具接入同一工具池
s20Comprehensive”机制很多，循环一个”所有机制回到一个完整 Harness

核心架构代码（贯穿全部 20 课不变）：

def agent_loop(messages):
    while True:
        response = client.messages.create(
            model=MODEL, system=SYSTEM,
            messages=messages, tools=TOOLS,
        )
        messages.append({"role": "assistant", "content": response.content})
 
        if response.stop_reason != "tool_use":
            return
 
        results = []
        for block in response.content:
            if block.type == "tool_use":
                output = TOOL_HANDLERS[block.name](**block.input)
                results.append({
                    "type": "tool_result",
                    "tool_use_id": block.id,
                    "content": output,
                })
        messages.append({"role": "user", "content": results})

这个循环就是一切。课程中的所有机制——权限检查、Hook 拦截、子 Agent 派生、上下文压缩、任务调度——都是挂在这个循环上的插件。循环属于 Agent，机制属于 Harness。

跨领域通用性

教程反复强调它教的不只是”怎么造一个编程 Agent”，而是一套可以泛化到任何领域的 Harness 工程模式：

庄园管理 Agent = 模型 + 物业传感器 + 维护工具 + 租户通信
农业 Agent     = 模型 + 土壤/气象数据 + 灌溉控制 + 作物知识
酒店运营 Agent = 模型 + 预订系统 + 客户渠道 + 设施 API
医学研究 Agent = 模型 + 文献检索 + 实验仪器 + 协议文档
制造业 Agent   = 模型 + 产线传感器 + 质量控制 + 物流系统
教育 Agent     = 模型 + 课程知识 + 学生进度 + 评估工具

循环永远不变。工具在变。知识在变。权限在变。 Agent = 模型 + 泛化的操作环境（Harness）。这是 Harness工程 中”Harness 是跨领域抽象”的最完整陈述。

与 Vault 中其他概念的关联

这篇教程与 vault 中多个概念笔记深度交叉：

  • Harness工程：教程本身就是”Harness 工程”最系统的教学实现——Harness = Tools + Knowledge + Observation + Action + Permissions 直接定义了它的边界
  • [Agent Skill](Agent Skill.md)（s07）：教程中 Skill 的实现——先列目录、用到再展开——与开放式的 Agent Skill 协议完全一致
  • Subagent（s06）：教程中 Subagent 的设计——隔离上下文、只带结果回来——提供了具体实现思路
  • 上下文工程：Compact（s08）+ Memory（s09）+ System Prompt（s10）三个课程构成了上下文工程的实操三部曲
  • [MCP 模型上下文协议](MCP 模型上下文协议.md)（s19）：作为工具池的”万能插座”接入
  • 三层架构：教程 + claw0 的组合覆盖了 Harness 层（执行层）+ Gateway 层（网关层）
  • pi-coding-agent：完美示例——一个独立开发者用同样的 Harness 工程思维从零构建了一个极简 Agent

重要引用

“Agency — 感知、推理、行动的能力 — 是训练出来的，不是编出来的。”

“造好 Harness。Agent 会完成剩下的。”

“Bash is all you need. Real agents are all the universe needs.”

“最好的 agent 产品，出自那些明白自己的工作是 harness 而非 intelligence 的工程师之手。”

Graph View

Backlinks