66
// 项目简介
本仓库提供了一个构建 Agent Harness 的综合教育框架，这是 AI 模型感知和行动所必需的基础环境。它认为真正的代理能力是在模型训练期间习得的，而开发者的角色是构建工具、知识和上下文管理系统以支持这些模型运行。通过十二个进阶课程，用户将学习通过逆向工程 Claude Code 背后的原理来构建稳健且可扩展的 Agent 架构。
// 技术分析
该项目提倡“harness-first”设计理念，认为真正的代理能力源于训练有素的模型，而非复杂的程序化代码编排。它通过提供一个构建环境（即 harness）的结构化框架，解决了行业中常见的“prompt plumbing”陷阱，使智能模型能够有效地感知、推理和行动。通过将智能（模型）与基础设施（harness）分离，该项目为构建代理提供了一种模块化、可扩展的方法，可应用于软件工程之外的多个领域。
// 核心亮点
01
在代理模型和支持性的 harness 基础设施之间提供了清晰的架构区分。
02
包含 12 个渐进式学习课程，从基础循环逐步构建复杂的代理系统。
03
实现了模块化的工具调度系统，便于扩展代理功能。
04
展示了先进的上下文管理技术，包括子代理隔离和多层上下文压缩。
05
包含一个强大的任务管理系统，具有依赖图和持久化文件存储功能。
06
展示了使用异步 JSONL 邮箱进行团队协作工作流的多代理协调模式。
// 典型使用场景
01
构建包含工具、知识和上下文管理的模块化 Agent Harness
02
为复杂工作流实现持久化任务系统和子代理协调
03
开发隔离的执行环境和多代理团队通信协议
// 快速开始
首先，克隆存储库并使用 'pip install -r requirements.txt' 安装必要的依赖项。通过将示例文件复制到 '.env' 并添加您的 ANTHROPIC_API_KEY 来配置环境。然后，您可以运行 'agents/' 目录中的脚本来探索学习进度，从 's01_agent_loop.py' 开始，逐步过渡到 's_full.py' 中的完整实现。