feat: build an AI agent from 0 to 1 -- 11 progressive sessions

- 11 sessions from basic agent loop to autonomous teams - Python MVP implementations for each session - Mental-model-first docs in en/zh/ja - Interactive web platform with step-through visualizations - Incremental architecture: each session adds one mechanism
2026-02-21 17:02:43 +08:00
commit c6a27ef1d7
156 changed files with 28059 additions and 0 deletions
@@ -0,0 +1,132 @@
+# s01: Agent Loop (智能体循环)
+
+> AI 编程智能体的全部秘密就是一个 while 循环 -- 把工具执行结果反馈给模型, 直到模型决定停止。
+
+## 问题
+
+为什么语言模型不能直接回答编程问题? 因为编程需要**与真实世界交互**。模型需要读取文件、运行测试、检查错误、反复迭代。单次的提示-响应交互无法做到这些。
+
+没有 agent loop, 你就得手动把输出复制粘贴回模型。用户自己变成了那个循环。Agent loop 将这个过程自动化: 调用模型, 执行它要求的工具, 把结果送回去, 重复 -- 直到模型说 "我完成了"。
+
+考虑一个简单任务: "创建一个打印 hello 的 Python 文件。" 模型需要 (1) 决定写文件, (2) 写入文件, (3) 验证是否正常工作。至少三次工具调用。没有循环的话, 每一次都需要人工干预。
+
+## 解决方案
+
+```
+----------+      +-------+      +---------+
+|   User   | ---> |  LLM  | ---> |  Tool   |
+|  prompt  |      |       |      | execute |
+----------+      +---+---+      +----+----+
+                      ^               |
+                      |   tool_result |
+                      +---------------+
+                      (loop continues)
+
+The loop terminates when stop_reason != "tool_use".
+That single condition is the entire control flow.
+```
+
+## 工作原理
+
+1. 用户提供一个 prompt, 成为第一条消息。
+
+```python
+history.append({"role": "user", "content": query})
+```
+
+2. 消息数组连同工具定义一起发送给 LLM。
+
+```python
+response = client.messages.create(
+    model=MODEL, system=SYSTEM, messages=messages,
+    tools=TOOLS, max_tokens=8000,
+)
+```
+
+3. 助手的响应被追加到消息列表中。
+
+```python
+messages.append({"role": "assistant", "content": response.content})
+```
+
+4. 检查 stop_reason。如果模型没有调用工具, 循环结束。这是唯一的退出条件。
+
+```python
+if response.stop_reason != "tool_use":
+    return
+```
+
+5. 对响应中的每个 tool_use 块, 执行工具 (本节课中是 bash) 并收集结果。
+
+```python
+for block in response.content:
+    if block.type == "tool_use":
+        output = run_bash(block.input["command"])
+        results.append({
+            "type": "tool_result",
+            "tool_use_id": block.id,
+            "content": output,
+        })
+```
+
+6. 结果作为 user 消息追加, 循环继续。
+
+```python
+messages.append({"role": "user", "content": results})
+```
+
+## 核心代码
+
+最小可行智能体 -- 不到 30 行代码实现整个模式
+(来自 `agents/s01_agent_loop.py`, 第 66-86 行):
+
+```python
+def agent_loop(messages: list):
+    while True:
+        response = client.messages.create(
+            model=MODEL, system=SYSTEM, messages=messages,
+            tools=TOOLS, max_tokens=8000,
+        )
+        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 = run_bash(block.input["command"])
+                results.append({
+                    "type": "tool_result",
+                    "tool_use_id": block.id,
+                    "content": output,
+                })
+        messages.append({"role": "user", "content": results})
+```
+
+## 变更内容
+
+这是第 1 节课 -- 起点。没有前置课程。
+
+| 组件          | 之前       | 之后                           |
+|---------------|------------|--------------------------------|
+| Agent loop    | (无)       | `while True` + stop_reason     |
+| Tools         | (无)       | `bash` (单一工具)              |
+| Messages      | (无)       | 累积式消息列表                 |
+| Control flow  | (无)       | `stop_reason != "tool_use"`    |
+
+## 设计原理
+
+这个循环是所有基于 LLM 的智能体的通用基础。生产实现会增加错误处理、token 计数、流式输出和重试逻辑, 但基本结构不变。简洁性就是重点: 一个退出条件 (`stop_reason != "tool_use"`) 控制整个流程。本课程中的所有其他内容 -- 工具、规划、压缩、团队 -- 都是在这个循环之上叠加, 而不修改它。理解这个循环就是理解所有智能体。
+
+## 试一试
+
+```sh
+cd learn-claude-code
+python agents/s01_agent_loop.py
+```
+
+可以尝试的提示:
+
+1. `Create a file called hello.py that prints "Hello, World!"`
+2. `List all Python files in this directory`
+3. `What is the current git branch?`
+4. `Create a directory called test_output and write 3 files in it`