面试官：“你这么厉害咋不手撸个Claude Code？” 我笑着说：“就这！”
为什么推荐这个网站？渐进式学习：从 84 行到 694 行，每一步都清晰可见。问题驱动：先戳痛点再给解药，让你明白为什么需要这个机制。可视化强：任务看板、进度条、状态流转，抽象概念具象化。代码透明：每课改动列得明明白白，拒绝黑箱。即刻上手：命令和测试用例直接给，看完就能跑。原理通用：Python 示例但思想语言无关，Java/Go/TS 都能复刻。学完这 12 课，你能理解 Claude Code
最近刷到一个宝藏网站，叫 Learn Claude Code。名字看着挺像学习使用 Claude Code 的指南，但干的事却远比这要硬核——它要带你从零开始，手撸一个类似 Claude Code 的 AI 编程智能体。
别一听"智能体"就头大，这网站最骚的操作是：把复杂的 Agent 架构拆成了 12 个版本，代码从 84 行一路干到 694 行，每次只加一个机制，让你清清楚看到每一步解决了什么问题。
所有 Agent 的底层逻辑
网站上来就很直白地表示：所有 AI 编程 Agent，底层都是同一个循环。
while True:
response = client.messages.create(messages=messages, tools=tools)
if response.stop_reason != "tool_use":
break
for tool_call in response.content:
result = execute_tool(tool_call.name, tool_call.input)
messages.append(result)
翻译成人话就是：
-
调模型（给指令）
-
执行工具（读写文件、跑命令）
-
回传结果（告诉模型干了啥）
-
继续迭代（直到任务干完）
就这？就这。剩下的全是围绕这个循环的各种优化和补丁。
重要提醒：虽然网站用的是 Python 示例，但底层原理是语言无关的。你完全可以用 Java、Go、TypeScript 等任何语言复刻。
用 Java 来写，核心循环大概是这样：
while (true) {
MessageResponse response = client.messagesCreate(messages, tools);
if (!"tool_use".equals(response.getStopReason())) {
break;
}
for (ToolCall toolCall : response.getContent()) {
ToolResult result = executeTool(toolCall.getName(), toolCall.getInput());
messages.add(result);
}
}
看，逻辑一模一样。Python、Java、Go……语言只是工具，Agent 的核心设计模式才是精髓。
渐进式学习路径
网站将这 12 个阶段（s01-s12）归纳为五个核心能力的进阶，看看一个成熟的 Agent 系统是如何一步步被做出来的：
L1 工具与执行（s01-s02）
Agent 能做什么？基础层：工具赋予模型与外部世界交互的能力。
s01 The Agent Loop（84 行）
最小可用的 Agent 内核仅仅需要：一个 while 循环 + 一个工具。
核心思想：只要给 Agent 一个 Bash 工具，它就能读写文件、跑命令、操作 Git。
s02 Tools（120 行）
循环不变，通过一套规范的注册机制，你可以像搭积木一样给 Agent 塞入各种工具函数，让它的能力边界随插件无限延伸。
核心思想：每个工具一个处理函数，干净的注册机制。
L2 规划与协调（s03-s05，s07）
如何组织工作？从简单的待办列表到跨 Agent 共享的依赖感知任务板。
s03 TodoWrite（176 行）
发现问题了——Agent 干着干着就不知道自己在干啥。
核心思想：先列步骤，再执行。没有计划的 Agent 就像无头苍蝇。
s04 Subagents（151 行）
子任务污染主对话上下文怎么办？
核心思想：子 Agent 用独立的 messages[]，保持主对话干净。
s05 Skills（187 行）
不要把所有规则都塞进 System Prompt，会撑饱上下文。
核心思想：按需加载，只有在特定场景下才通过工具返回（tool_result）喂入知识。
s07 Tasks（207 行）
多个任务之间有依赖关系怎么搞？
核心思想：利用基于文件的任务图，Agent 开始理解任务间的先后顺序与并行逻辑，成为真正的项目协调者。
L3 内存管理（s06）
在上下文限制内保持记忆。压缩策略让 Agent 可以无限工作而不失去连贯性。
s06 Compact（205 行）
对话一长，Token 烧得肉疼。
核心思想：三层压缩策略让无限会话成为可能：
-
滑动窗口：丢弃最早的消息
-
摘要压缩：把历史对话压缩成摘要
-
选择性保留：只保留关键信息
L4 并发（s08）
非阻塞执行。后台线程和通知总线实现并行工作。
s08 Background Tasks（198 行）
有些操作很慢，Agent 不能干等着。
核心思想：后台线程 + 通知。后台运行慢操作，Agent 继续思考下一步。
L5 协作（s09-s12）
多 Agent 协作。团队、消息传递和能独立思考的自主队友。
s09 Agent Teams（348 行）
一个 Agent 干不完怎么办？
核心思想：持久队友 + 异步邮箱。
什么是持久队友（Persistent Teammates）？它们是长期存活、有身份意识的 Agent，通过基于文件的邮箱（JSONL 格式）异步通信，能够处理跨越单个执行周期的复杂任务委托。
s10 Team Protocols（419 行）
多个 Agent 怎么协商？
核心思想：共享通信规则。一套请求-响应模式驱动所有团队协商。
s11 Autonomous Agents（499 行）
每次都要主 Agent 分配任务太累。
核心思想：扫描看板，认领任务。队友自己扫描任务板并认领任务，无需主 Agent 逐个分配。
s12 Worktree + Task Isolation（694 行）
多个 Agent 在同一目录干活会打架。
核心思想：按目录隔离。每个 Agent 在自己的目录工作；任务管理目标，工作树管理目录，通过 ID 绑定。
总结
为什么推荐这个网站？
-
渐进式学习：从 84 行到 694 行，每一步都清晰可见。
-
问题驱动：先戳痛点再给解药，让你明白为什么需要这个机制。
-
可视化强：任务看板、进度条、状态流转，抽象概念具象化。
-
代码透明：每课改动列得明明白白，拒绝黑箱。
-
即刻上手：命令和测试用例直接给，看完就能跑。
-
原理通用：Python 示例但思想语言无关，Java/Go/TS 都能复刻。
学完这 12 课，你能理解 Claude Code 的设计思路，用任何语言自己动手写一个 AI 编程 Agent。
Spring Boot + LangChain4j 写 Java 版，或者 Go 写一个轻量版，核心模式都是一样的。
建议搭配 Guide 写的这几篇文章，对上面涉及到的很多概念有更详细的解读：
再推荐一个开源大模型项目： 《SpringAI 智能面试平台+RAG 知识库》 。
地址： https://learn.shareai.run/zh/ 。
最后
从0到1！大模型(LLM)最全学习路线图，建议收藏！
想入门大模型(LLM)却不知道从哪开始? 我根据最新的技术栈和我自己的经历&理解，帮大家整理了一份LLM学习路线图，涵盖从理论基础到落地应用的全流程!拒绝焦虑，按图索骥~~
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取