灭雪AI研究：刚开始接触 Claude Code 的朋友，强烈推荐你去看一个项目，叫 learn-claude-code。 这个课程教的不是怎么用 Claude Code，而是带你从零实现一个类似 Claude Code 的 AI 编码 A 摘要

文档概览

这篇文字本质上是在推荐一个名为 learn-claude-code 的课程型开源项目。作者特别强调，推荐理由不是它教用户“怎么使用 Claude Code”，而是它直接带读者“从零实现一个类似 Claude Code 的 AI 编码 Agent”。

也就是说，这个项目的定位偏向原理拆解与工程复现，而不是某个现成产品的操作指南。

原文给出的教学结构非常明确：整个项目共 12 节课，并且遵循“每节只增加一个机制”的设计原则。代码规模会从“几十行”逐步增长到“完整版”，同时每节课都有独立可运行的 Python 文件。作者用“学起来非常丝滑”来形容这种安排，说明其核心价值之一在于路径被拆得很细、每一步都可以单独验证。

从课程内容看，这 12 节课大致分为三段：

• 前三节：搭建基础运行骨架。
• 中间几节：逐步补齐复杂能力。
• 最后三节：进入多 Agent 协作与隔离执行。

最后，课程还提供一个名为 s_full.py 的整合版本，把 12 节课中出现的能力合并为一个完整 AI 编码 Agent。作者据此给出的结论是：学完以后，读者会更清楚 Claude Code 底层到底在做什么，从“知其然”走向“知其所以然”。

关键事实

1. 推荐对象与项目定位

• 本文推荐的对象是 learn-claude-code。
• 它的定位不是讲解 Claude Code 的使用方法。
• 它的目标是带读者从零实现一个类似 Claude Code 的 AI 编码 Agent。
• 因而它更接近 AI编码Agent的渐进式构建 的教学材料，而不是单纯的产品教程。

2. 课程结构是 12 节，且按“每节只加一个机制”推进

原文明确提到：

• 整个项目分成 12 节课。
• 每节只加一个机制。
• 代码是从“几十行”慢慢长到完整版。
• 每节都有独立可运行的 Python 文件。

这意味着其教学方式不是一次性抛出完整系统，而是把一个复杂 AI编码Agent的渐进式构建|AI 编码 Agent 拆成一组可验证、可对照、可逐步叠加的阶段。对初学者来说，这种结构的关键价值在于：每引入一个新能力，都能知道它是在上一版基础上解决什么问题，而不是被一大坨框架细节淹没。

3. 前三节的基础能力

原文把前三节概括为“打基础”，包含以下几步：

• 先搭一个最简单的 Agent Loop。
• 给它加上一个 Bash Tool。
• 先达到“能跑起来就行”的最小目标。
• 然后继续加入 Tool 的注册和调度机制。
• 再让 Agent 学会“先做计划再动手”。

这里可以看出，课程前段并不一开始就追求复杂智能，而是先解决三个最基本的问题：

1. Agent 如何形成最小闭环运行；
2. Agent 如何调用外部工具而不只停留在文本输出；
3. Agent 如何从直接执行，演进到先规划再执行。

其中“先做计划再动手”尤其关键，因为这标志着系统从简单的“收到指令就执行”向更接近真实编码 Agent 的行为模式靠近。

4. 中间阶段逐步扩展的能力

原文把中间几节概括为“加能力”，依次提到：

• 子 Agent 拆分大任务；
• ****Skills 动态加载；
• 上下文压缩；
• 任务持久化加依赖图；
• 后台异步执行。

这些能力说明课程已经从单 Agent、单轮、短流程的执行模式，逐步进入更贴近真实工程场景的运行时设计。其关注点包括：

• 当任务太大时，如何拆分并委派给子 Agent；
• 当能力模块较多时，如何按需加载而不是一次性塞进上下文；
• 当上下文变长时，如何做压缩以控制窗口占用；
• 当任务跨多步骤、多依赖时，如何持久化并维护依赖关系；
• 当某些工作不适合同步阻塞时，如何放到后台异步执行。

原文虽然没有展开各节实现细节，但它给出了非常清楚的功能演进路线：每一层机制都建立在前一层之上，而不是平行堆砌。

5. 最后三节聚焦协作机制

原文将最后三节总结为“搞协作”，包含四个要点：

• 多 Agent 组队；
• 定义团队沟通协议；
• 让 Agent 自主认领任务；
• 最后用工作树做完全隔离，做到“互不干扰”。

这说明课程最后关注的已不只是“一个 Agent 怎么工作”，而是 多Agent协作式编码 场景下，多个执行体如何协同、沟通、分工和隔离。

尤其“自主认领任务”与“工作树完全隔离”这两个点，表明系统不仅要能拆任务，还要考虑并行工作时的冲突控制与执行边界。原文明确用了“完全隔离”“互不干扰”这样的措辞，说明这里的重点是避免多个 Agent 在同一工作环境中互相覆盖、污染或干扰。

6. 课程末尾提供完整整合版

原文点名提到，课程结尾还有一个 s_full.py：

• s_full.py 把 12 节课的所有功能合在一起；
• 合并后的结果就是一个完整的 AI 编码 Agent。

这意味着课程不是只做教学切片，也不是停留在若干彼此割裂的示例，而是最终给出一个功能总装版本，方便学习者把前面各节的机制放回统一系统中理解。

7. 作者给出的学习收益

作者对学习收益的判断相当直接：

• 学完这个项目后，会对 Claude Code 底层在做什么“彻底通透”。
• 学习结果不是只会使用，而是能理解其运作原理。
• 作者用“知其然也知其所以然”来概括这种提升。
• 因而“用起来完全是另一个境界”。

换言之，原文认为这个项目最重要的价值，不是让读者多掌握几个提示词或操作技巧，而是补上产品背后的运行机制认知。

重要细节

课程的组织方式本身就是卖点

原文特别强调了两个教学组织细节：

• 每节只增加一个机制；
• 每节都有独立可运行的 Python 文件。

这两个条件叠加起来，意味着学习者可以：

• 明确看到每一节相对上一节新增了什么；
• 直接运行当前阶段的代码，而不必依赖隐含状态；
• 对比不同阶段的实现差异；
• 以“增量理解”的方式掌握复杂 Agent 系统。

对于初学 Agent 系统的人来说，这比直接阅读一个成熟代码仓库更友好，因为成熟项目往往会把调度、工具、规划、上下文管理、持久化、并发、协作等机制混在一起。

前三节体现的是“最小可用骨架”

原文在前三节的描述里用了“先搭一个最简单的 Agent Loop”“加一个 Bash Tool”“能跑起来就行”这样的表述。这里隐含的设计思想是：

• 第一阶段不追求完备，只追求最小闭环；
• 先让 Agent 从纯文本系统变成可执行动作的系统；
• 再补上工具注册、调度与规划能力。

因此，这一部分可以理解为在构建一个 AI 编码 Agent 的最低可行产品。

中间阶段解决的是真实工程运行问题

中间部分列出的能力不是“炫技功能”，而是 Agent 进入复杂任务后普遍会遇到的问题：

• 任务过大，需要拆分，于是引入子 Agent；
• 能力过多，需要按需组织，于是引入 Skills 动态加载；
• 上下文膨胀，需要压缩；
• 任务跨轮次，需要持久化，并维护依赖图；
• 某些流程不能阻塞主过程，需要后台异步执行。

因此，这些章节的价值在于把一个“能跑”的 Agent 推进成一个“能处理复杂任务”的 Agent。

最后三节体现的是从单体 Agent 到协作系统的升级

多 Agent 组队、团队沟通协议、自主认领任务、工作树隔离，表明课程最后已经不再只是讨论单个执行器，而是在构造一种协作式编码运行模式。这与 多Agent协作式编码 直接相关。

尤其“团队沟通协议”这一点，说明多 Agent 协作不是简单并行调用多个模型，而是需要约定彼此如何交换任务信息、状态和结果。

而“工作树完全隔离、互不干扰”则说明协作系统必须把共享环境中的冲突问题纳入设计，而不是假设多个 Agent 天然可以安全并行。

最终整合文件的意义

s_full.py 的存在说明，这个课程并非只是在教学中演示一些孤立机制，而是最终把 12 节课的所有能力拼成一个可被整体理解的系统。

这对于学习者很重要，因为增量学习容易把注意力放在局部变化上，而整合版能帮助回答一个最终问题：这些机制合起来之后，一个“完整 AI 编码 Agent”到底长什么样。

相关条目

• learn-claude-code
• AI编码Agent的渐进式构建
• 多Agent协作式编码

查证与扩展入口

• 原始文章：作者在头条上的推荐短文，适合确认其对课程定位与学习收益的原始表述。
• GitHub 仓库：github.com/shareAI-lab/learn-claude-code，用于查看课程代码、12 节课的文件组织以及 s_full.py 的实际实现。
• 在线学习平台：learn.shareai.run，作为课程内容的进一步学习入口。