mirror of
https://github.com/shareAI-lab/analysis_claude_code.git
synced 2026-09-20 12:13:38 +08:00
150 lines
4.4 KiB
Markdown
150 lines
4.4 KiB
Markdown
# s01: Agent Loop — 一个循环就够了
|
||
|
||
[English](README.md) · [中文](README.zh.md) · [日本語](README.ja.md)
|
||
|
||
`s01` → [s02](../s02_tool_use/) → s03 → s04 → ... → s18 → s19
|
||
> *"One loop & Bash is all you need"* — 一个工具 + 一个循环 = 一个 Agent。
|
||
>
|
||
> **Harness 层**: 循环 — 模型与真实世界的第一道连接。
|
||
|
||
---
|
||
|
||
## 问题
|
||
|
||
你提出了一个问题给大模型：“帮我读取下我的目录下有哪些文件，并且执行XXX.py”。
|
||
|
||
模型能输出一条 bash 命令，但输出完了就停了，它不会自己跑，也不会看到结果后继续推理。
|
||
|
||
你可以手动跑一遍，把输出粘贴回对话框，让它接着干。下一个命令出来，你再跑一遍、再贴回去。
|
||
|
||
每一个来回，你都在做中间层。而把它自动化，就是这一章要做的事。
|
||
|
||
---
|
||
|
||
## 解决方案
|
||
|
||
|
||
|
||
一个 `while True` 循环，模型调用工具就继续，不调用就停。整个过程只有两个信号：
|
||
|
||
| 信号 | 含义 | 循环动作 |
|
||
|------|------|---------|
|
||
| `stop_reason == "tool_use"` | 模型举手说"我要用工具" | 执行 → 结果喂回去 → 继续 |
|
||
| `stop_reason != "tool_use"` | 模型说"我做完了" | 退出循环 |
|
||
|
||
---
|
||
|
||
## 工作原理
|
||
|
||
将这个过程翻译成代码。分步来看：
|
||
|
||
**第 1 步**：把用户的问题作为第一条消息。
|
||
|
||
```python
|
||
messages = [{"role": "user", "content": query}]
|
||
```
|
||
|
||
**第 2 步**：将消息和工具定义一起发给 LLM。
|
||
|
||
```python
|
||
response = client.messages.create(
|
||
model=MODEL, system=SYSTEM, messages=messages,
|
||
tools=TOOLS, max_tokens=8000,
|
||
)
|
||
```
|
||
|
||
**第 3 步**：追加模型回答，检查它是否调了工具。没调 → 结束。
|
||
|
||
```python
|
||
messages.append({"role": "assistant", "content": response.content})
|
||
if response.stop_reason != "tool_use":
|
||
return
|
||
```
|
||
|
||
**第 4 步**：执行模型要求的工具，收集结果。
|
||
|
||
```python
|
||
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,
|
||
})
|
||
```
|
||
|
||
**第 5 步**：把工具结果作为新消息追加，回到第 2 步。
|
||
|
||
```python
|
||
messages.append({"role": "user", "content": results})
|
||
```
|
||
|
||
组装为一个完整函数：
|
||
|
||
```python
|
||
def agent_loop(messages):
|
||
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})
|
||
```
|
||
|
||
不到 30 行，这就是最小可运行的 agent harness 内核。它为模型提供持续行动的最小运行框架：模型负责决策（要不要调工具、调哪个），harness 负责执行（调了就跑、结果喂回去）。后面 20 个章节都在这个循环上叠加机制，循环本身始终不变。
|
||
|
||
---
|
||
|
||
## 试一下
|
||
|
||
> **安全提示**：代码会执行模型生成的 shell 命令。建议在一个临时测试目录中运行，避免影响你的项目文件。s03 会加入权限控制。
|
||
|
||
**准备**（首次运行）：
|
||
|
||
```sh
|
||
pip install -r requirements.txt
|
||
cp .env.example .env
|
||
# 编辑 .env，填入 ANTHROPIC_API_KEY 和 MODEL_ID
|
||
```
|
||
|
||
**运行**：
|
||
|
||
```sh
|
||
python s01_agent_loop/code.py
|
||
```
|
||
|
||
试试这些 prompt：
|
||
|
||
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?`
|
||
|
||
观察重点：模型什么时候调用工具（循环继续），什么时候不调用（循环结束）？
|
||
|
||
---
|
||
|
||
## 接下来
|
||
|
||
现在模型手里只有 bash 一个工具，读文件要 `cat`，写文件要 `echo ... >`，找个文件要 `find`，又丑又容易出错。
|
||
|
||
s02 Tool Use → 给它 5 个真正的工具，会发生什么？模型会不会一次调用多个工具？几个工具同时跑会不会互相踩？
|
||
|
||
|
||
<!-- translation-sync: zh@v1, en@v0, ja@v0 -->
|