这个项目在做什么
如果你用过Claude Code，你一定好奇过它是怎么工作的——它怎么知道要调用哪个工具？怎么在多个步骤间保持上下文？多个智能体并行时怎么协调？
GitHub上一个叫 learn-claude-code 的项目给了你答案——不只是文字解释，而是可以跑起来的Python代码，从最简单的while循环开始，一步一步还原出一个完整的Claude Code级别的智能体。
这个项目目前27k+ GitHub星，是2025年下半年增长最快的AI Agent教育类开源项目之一。它的副标题说得直白：Bash is all you need。
核心洞见：一个循环统治所有
整个项目的起点是一段极简代码：
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})这就是整个智能体的核心。LLM收到消息，决定要不要用工具，用完工具把结果塞回消息列表，继续循环。每一次迭代都是一次思考-行动周期。
后面所有12节课，都是在这个循环之上加机制——但循环本身从不改变。这个设计思路本身就值得深思。
12节课，12个机制，12句箴言
项目把学习路径分成四个阶段，每节只加一个新概念：
Phase 1：循环基础
s01 — Agent Loop："One loop & Bash is all you need"
一个工具（Bash）加一个循环，就够了。这是最小可用Agent。
s02 — Tool Use："Adding a tool means adding one handler"
工具分派表：名字映射到函数。加新工具不改循环，只加一条映射。
Phase 2：规划与知识
s03 — TodoWrite："An agent without a plan drifts"
先列步骤再执行。有了任务清单，完成率翻倍。这就是你在Claude Code里看到的TodoWrite机制。
s04 — Subagents："Break big tasks down; each subtask gets a clean context"
子智能体用独立的messages[]跑，不污染主对话。大任务拆开给不同Agent，互不干扰。
s05 — Skills："Load knowledge when you need it, not upfront"
通过tool_result注入SKILL.md，而不是塞进system prompt。按需加载，省token，效果更精准。
s06 — Context Compact："Context will fill up; you need a way to make room"
三层压缩策略：摘要、截断、选择性保留。让Agent跑无限长的会话。
Phase 3：持久化
s07 — Tasks："Break big goals into small tasks, order them, persist to disk"
文件存储的任务图，有依赖关系。Agent崩溃重启后能接着干。
s08 — Background Tasks："Run slow operations in the background; the agent keeps thinking"
后台线程跑慢命令，完成后推通知。Agent不会因为等一个git clone而卡住。
Phase 4：团队协作
s09 — Agent Teams："When the task is too big for one, delegate to teammates"
持久化的队友 + JSONL邮箱。一个任务，多个Agent异步协作完成。
s10 — Team Protocols："Teammates need shared communication rules"
统一的请求-响应协议：关闭信号、计划审批状态机，让多Agent协作不乱套。
s11 — Autonomous Agents："Teammates scan the board and claim tasks themselves"
Agent主动扫任务板领任务，不需要Leader逐一分配。真正的自治。
s12 — Worktree Isolation："Each works in its own directory, no interference"
任务ID绑定工作目录。多个Agent并行，各干各的，互不冲突。
为什么这个项目值得跟
市面上讲AI Agent的资源很多，但大多数要么太浅（只告诉你怎么调API），要么太深（直接扔源码让你自己看）。learn-claude-code找到了一个罕见的中间地带：
每节一个问题、一个解法。s06解决的就是"context满了怎么办"这一个问题，不多不少。你读完知道为什么需要这个机制，知道它是什么，知道怎么实现。
代码能跑。每节都有对应的Python文件，clone下来，配好ANTHROPIC_API_KEY，直接跑。不是演示代码，是真实可用的实现。
系统性。12节课构成一个完整的知识体系，从最小Agent到完整的多智能体隔离执行环境，没有跳跃，没有断层。
跟Kollab/Claude Code的关系
你现在用的Kollab AI（小k）底层运行在Claude上，skill系统、子任务调度、多智能体集群架构，都是这12节课里讲的机制的实际应用。读懂learn-claude-code，你就懂了你每天在用的这个工具的内部逻辑，写提示词会更准，设计任务会更合理。
怎么开始
git clone https://github.com/shareAI-lab/learn-claude-code
cd learn-claude-code
pip install -r requirements.txt
cp .env.example .env # 填入你的 ANTHROPIC_API_KEY
# 从第一节开始
python agents/s01_agent_loop.py
# 看看最终形态
python agents/s_full.py项目还配了一个交互式Web学习平台（Next.js），可以可视化地看每个机制的运行流程：
cd web && npm install && npm run dev # http://localhost:3000文档支持中文、英文、日文三种语言，中文版质量很高，读起来没有翻译腔。
延伸：claw0 和 Kode
learn-claude-code结束后，项目方还给出了两条延伸路径：
claw0：从"用完即弃的Agent"升级到"始终在线的AI助手"。加入心跳机制（每30秒检查是否有任务）、Cron调度、多平台IM接入（WhatsApp/Telegram/Slack等13+）。这是OpenClaw那类项目的教学级拆解版。
Kode Agent SDK：把Agent能力嵌入你自己的应用。官方Claude Code SDK每个并发用户需要一个独立的CLI进程，Kode SDK是纯库实现，没有进程开销，可以嵌入后端、浏览器插件、嵌入式设备。
小结
learn-claude-code用一句话概括了它的哲学：The model is the agent. Our job is to give it tools and stay out of the way.
模型就是智能体本身，开发者的工作是给它工具，然后别挡路。12节课、12个机制，把这句话变成了可以运行、可以修改、可以扩展的代码。
如果你在用Claude Code、在玩AI Agent，或者在考虑自己搭一套智能体系统，这个项目是2026年最值得花时间的开源教程。