Claude Code Agent 工具调用与状态管理全解析learn-claude-code 逆向工程完整揭秘【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-codelearn-claude-code 项目对 Claude Code v1.0.33 的 agent harness 做了逆向还原完整拆解了工具调用与状态管理两条链路。这篇文章跟着真实代码走一遍工具注册、能力匹配、参数校验到结果回填的全过程并用大白话讲透上下文缓存的三级压缩。 结论先行逆向得到的最关键结论只有一句Agent 的智能来自模型本身外部代码要做的只是搭好一个工具调度表加上下文压缩的 agent 循环——实时 Steering 机制和多 Agent 协同架构都建立在这套骨架之上。研究路径这个 Agent 是怎么被拆开的团队花了 72 小时对 v1.0.33 版本做深度逆向最终破解了两大核心机制实时 Steering 机制和多 Agent 协同架构。两个结论分别沉淀在 docs/v4-skills-mechanism.md 与 docs/v3-subagent-mechanism.md 两份技术文档里。拆开的方式不是黑箱猜谜而是逐层重建从最小的 agent loop 起步每个机制单独做成一个可运行、可验证的会话。仓库里 agents/s01_agent_loop.py 到 agents/s12_worktree_task_isolation.py 共 12 个递进会话最后汇入 agents/s_full.py 这份完整参考实现中文讲解可对照 docs/zh/s02-tool-use.md 和 docs/zh/s06-context-compact.md 阅读。 工具调用链路从注册到结果回填谁决定调用哪个工具是模型。harness 不做 if-else 代理决策它只负责四件事连起来就是一次完整的调用往返。第一步是注册。启动时把工具函数挂到一张 dispatch 调度表上agents/s02_tool_use.py 里 bash、read_file、write_file、edit_file 各自映射到一个执行函数。就像餐厅后厨先贴好菜单点单来了才知道该找谁。第二步是能力匹配。模型读完用户查询后自行判断该调哪个工具、传什么参数当工具很多时技能优先级机制会依据任务复杂度和历史表现动态调整选择倾向说明见 skills/agent-builder/SKILL.md。第三步是参数校验与填充。执行前 harness 会拦一道safe_path()确保文件路径没有逃出工作目录危险命令字符串直接命中黑名单被拒。白话讲这是给模型的手腕上绑了根安全绳。第四步是结果回填。工具返回值被规范化成文本以 tool_result 身份写回对话循环继续模型据此决定下一步。另外agents/s05_skill_loading.py 用两层加载避免上下文膨胀系统提示里只放技能名和简介每个约 100 tokens模型调用 load_skill 时才把技能全文拉进来。 状态管理上下文缓存的三级压缩策略把上下文想象成你的办公桌东西越堆越多桌子迟早放不下。Claude Code 的解法是把缓存分成短、中、长三个层级对应代码里的三层压缩全部实现在 agents/s06_context_compact.py微压缩每轮静默执行把较旧的工具结果替换成一行占位符相当于随手清理桌面废纸但保留最近的几条读取记录自动压缩在 token 超过 50000 时触发先把完整对话存档到 .transcripts/再让模型把整段历史总结成摘要替换原文——旧文件归档进柜子桌面重新腾出来compact 工具是前两者的手动版模型认为需要时可以主动触发。多 Agent 场景下每个子代理带一份全新的空消息列表开工大家共享文件系统干完只把结论摘要交回父代理父级上下文因此始终保持干净。这套状态同步协议由 tests/test_v3.py 中的测试验证隔离机制可直接在 agents/s04_subagent.py 中观察。 动手实践环境搭建与版本导览git clone https://gitcode.com/gh_mirrors/an/learn-claude-code cd learn-claude-code pip install -r requirements.txt跑通环境后按三个版本由浅入深看基础版 v0_bash_agent.py 只有 bash 一个工具演示最小调用循环进阶版 v3_subagent.py 演示把子任务派给子代理完整版 v9_autonomous_agent.py 则是整合全部机制的自治系统。同一套递进逻辑在仓库中被组织成 12 个会话agents/s_full.py 相当于把 s01 到 s11 的所有机制拼进同一个驾驶舱。收尾Agent 产品的本质是模型 harness模型当司机harness 当车车造得好模型才跑得稳。沿着仓库已有的机制有三个值得继续挖的方向一是用预测主动归档低相关历史替代撞线才压缩的被动策略二是通过 MCP 把更多领域工具接进调度表工具生态天然可扩展三是把子代理的团队信箱与 worktree 隔离模型延伸到跨节点搭起分布式 Agent 网络。【免费下载链接】learn-claude-codeBash is all you need - A nano claude code–like 「agent harness」, built from 0 to 1项目地址: https://gitcode.com/GitHub_Trending/an/learn-claude-code创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考