analysis_claude_code/articles/v0文章.md

# mini Claude Code v0：Bash is All You Need

当我们完成 v1、v2、v3 三个版本后，一个问题浮出水面：**Agent 的本质到底是什么？**

v1 用 400 行代码证明了"模型即代理"；v2 加入 Todo 实现结构化规划；v3 引入 Task 工具支持子代理。功能越来越强大，但代码也越来越多。能不能反过来走——**用最少的代码，保留最核心的能力？**

答案是 v0：**20 行核心代码，1 个 bash 工具，却拥有完整的 Agent 能力——包括子代理。**

本次完整教学代码地址：
https://github.com/shareAI-lab/mini_claude_code

## 1. 核心洞察：Bash 是meta接口、万能工具箱

Unix 哲学告诉我们：一切皆文件，一切皆可管道。而 bash 是这个哲学的入口：

| 你需要 | bash 命令 |
|--------|-----------|
| 读文件 | `cat`, `head`, `tail`, `grep` `...` |
| 写文件 | `echo '...' > file`, `sed -i`, `...` |
| 搜索 | `find`, `grep`, `rg` |
| 执行 | `python`, `npm`, `make` |
| **子代理** | `python v0_bash_agent.py "task"`|

最后一行是关键：**通过 bash 调用自身，就实现了子代理机制**。不需要 Task 工具，不需要 Agent Registry，不需要任何额外代码。

## 2. 完整版代码

```python
#!/usr/bin/env python
"""v0_bash_agent.py - 极简 Claude Code (20行核心) | Bash is All You Need"""
from anthropic import Anthropic
import subprocess, sys, os

client = Anthropic(api_key="your-api-key", base_url="https://api.moonshot.cn/anthropic")
TOOL = [{"name": "bash", "description": """Execute shell command. Common patterns:
- Read: cat/head/tail, grep/find/rg/ls, wc -l
- Write: echo 'content' > file, sed -i 's/old/new/g' file
- Subagent: python v0_bash_agent.py 'task description' (spawns isolated agent, returns summary)""",
         "input_schema": {"type": "object", "properties": {"command": {"type": "string"}}, "required": ["command"]}}]
SYSTEM = f"""You are a CLI agent at {os.getcwd()}. Solve problems using bash commands.

Rules:
- Prefer tools over prose. Act first, explain briefly after.
- Read files: cat, grep, find, rg, ls, head, tail
- Write files: echo '...' > file, sed -i, or cat << 'EOF' > file
- Subagent: For complex subtasks, spawn a subagent to keep context clean:
  python v0_bash_agent.py "explore src/ and summarize the architecture"

When to use subagent:
- Task requires reading many files (isolate the exploration)
- Task is independent and self-contained
- You want to avoid polluting current conversation with intermediate details

The subagent runs in isolation and returns only its final summary."""

def chat(prompt, history=[]):
    history.append({"role": "user", "content": prompt})
    while True:
        r = client.messages.create(model="kimi-k2-turbo-preview", system=SYSTEM, messages=history, tools=TOOL, max_tokens=8000)
        content = [{"type": b.type, **({"text": b.text} if hasattr(b, "text") else {"id": b.id, "name": b.name, "input": b.input})} for b in r.content]
        history.append({"role": "assistant", "content": content})
        if r.stop_reason != "tool_use":
            return "".join(b.text for b in r.content if hasattr(b, "text"))
        results = []
        for b in [x for x in r.content if x.type == "tool_use"]:
            print(f"\033[33m$ {b.input['command']}\033[0m")
            try: out = subprocess.run(b.input["command"], shell=True, capture_output=True, text=True, timeout=300, cwd=os.getcwd())
            except subprocess.TimeoutExpired: out = type('', (), {'stdout': '', 'stderr': '(timeout)'})()
            print(out.stdout + out.stderr or "(empty)")
            results.append({"type": "tool_result", "tool_use_id": b.id, "content": (out.stdout + out.stderr)[:50000]})
        history.append({"role": "user", "content": results})

if __name__ == "__main__":
    if len(sys.argv) > 1: print(chat(sys.argv[1]))  # 子代理模式
    else:
        h = []
        while (q := input("\033[36m>> \033[0m")) not in ("q", "exit", ""): print(chat(q, h))  # 交互模式
```

## 3. 子代理机制：递归的优雅

v3 用了 ~150 行代码实现子代理：Agent Registry、Task 工具、工具过滤、进度显示...

v0 只需要一行 bash 命令：

```bash
python v0_bash_agent.py "explore the codebase and summarize"
```

**为什么这能工作？**

1. **进程隔离** = 上下文隔离
   - 子进程有独立的 `history=[]`
   - 不会污染父进程的对话历史

2. **stdout** = 结果返回
   - 子代理的 `print(chat(...))` 输出到 stdout
   - 父代理通过 `subprocess` 捕获，作为工具结果

3. **递归调用** = 无限嵌套
   - 子代理可以再调用子代理
   - 天然支持任意深度的任务分解

```sh
主代理
  └─ bash: python v0_bash_agent.py "分析架构"
       └─ 子代理（独立进程，独立历史）
            ├─ bash: find . -name "*.py"
            ├─ bash: cat src/main.py
            └─ 返回摘要 → stdout → 父代理收到结果
```

## 4. 与 v3 的对比

| 机制 | v3 (Task 工具) | v0 (Bash 递归) |
|------|----------------|----------------|
| 代码行数 | ~900 行 | ~50 行 |
| 子代理实现 | Task tool + Agent Registry | `python self 'task'` |
| 上下文隔离 | 独立 messages[] | 独立进程 |
| 工具过滤 | 白名单机制 | 无（bash 万能） |
| 进度显示 | SubagentProgress 类 | 直接 stdout |
| 灵活性 | 高（多种代理类型） | 中（统一行为） |

**v0 牺牲了什么？**
- 没有代理类型区分（explore/code/plan）
- 没有工具白名单（子代理也能写文件）
- 没有优雅的进度显示

**v0 得到了什么？**
- 极致简洁：20 行核心逻辑
- 零额外概念：不需要理解 Task、Agent Registry
- 完整能力：读、写、搜索、执行、子代理

## 5. 背后的思想

> **简单系统的涌现能力**

v0 证明了一个反直觉的事实：**复杂能力可以从简单规则中涌现**。

1. **一个工具足矣**

   bash 是通往 Unix 世界的大门。通过它，模型可以调用任何命令、任何程序、任何脚本。不需要为每种能力单独实现工具。

2. **递归即层级**

   程序调用自身是计算机科学最优雅的模式之一。v0 用同样的方式实现子代理：不是设计新机制，而是复用已有能力。

3. **进程即隔离**

   操作系统早就解决了"如何隔离执行环境"的问题。v0 直接借用这个能力，而不是在应用层重新实现。

4. **约束在提示词**

   v3 用代码实现工具过滤；v0 用提示词引导行为。前者是硬约束，后者是软约束。对于教学目的，软约束足够了。

## 6. 极限压缩版（16 行）

如果追求极致，还可以进一步压缩：

```python
#!/usr/bin/env python
"""v0_bash_agent_mini.py - 极限压缩版 （16 行）"""
from anthropic import Anthropic; import subprocess as sp, sys, os
C = Anthropic(api_key="your-key", base_url="https://api.moonshot.cn/anthropic")
T = [{"name":"bash","description":"Shell. Subagent: python v0_bash_agent_mini.py 'task'","input_schema":{"type":"object","properties":{"command":{"type":"string"}},"required":["command"]}}]
S = f"CLI agent at {os.getcwd()}. Use bash. Spawn subagent for complex tasks. Be concise."

def chat(p, h=[]):
    h.append({"role":"user","content":p})
    while (r:=C.messages.create(model="kimi-k2-turbo-preview",system=S,messages=h,tools=T,max_tokens=8000)).stop_reason=="tool_use":
        h.append({"role":"assistant","content":[{"type":b.type,**({"text":b.text}if hasattr(b,"text")else{"id":b.id,"name":b.name,"input":b.input})}for b in r.content]})
        h.append({"role":"user","content":[{"type":"tool_result","tool_use_id":b.id,"content":(print(f"\033[33m$ {b.input['command']}\033[0m"),o:=sp.run(b.input["command"],shell=1,capture_output=1,text=1,timeout=300),print(o.stdout+o.stderr or"(empty)"))and""or(o.stdout+o.stderr)[:50000]}for b in r.content if b.type=="tool_use"]})
    h.append({"role":"assistant","content":[{"type":b.type,**({"text":b.text}if hasattr(b,"text")else{"id":b.id,"name":b.name,"input":b.input})}for b in r.content]})
    return "".join(b.text for b in r.content if hasattr(b,"text"))

if __name__=="__main__":[print(chat(sys.argv[1]))]if len(sys.argv)>1 else[print(chat(q,h))for h in[[]]for _ in iter(int,1)if(q:=input("\033[36m>> \033[0m"))not in("q","")]
```

16 行，功能完全相同。纯属炫技，不推荐用于学习。

## 7. 系列总结

| 版本 | 行数 | 核心主题 | 关键洞察 |
|------|------|----------|----------|
| **v0** | ~50 | Bash is All You Need | 一个工具 + 递归 = 完整 Agent |
| v1 | ~400 | Model as Agent | 模型是主体，代码是工具循环 |
| v2 | ~650 | 结构化规划 | Todo 工具引导模型行为 |
| v3 | ~900 | 分而治之 | Task 工具实现专业化子代理 |

**从 v0 到 v3，代码在增加，但核心没变：**

```sh
while True:
    response = model.call(messages, tools)
    if response.stop_reason != "tool_use":
        return response.text
    results = execute_tools(response.tool_calls)
    messages.append(results)
```

这就是 Agent 的全部本质——**一个让模型持续调用工具直到完成任务的循环**。

v0 用最少的代码证明了这一点。其他版本只是在这个框架上添加细则：Todo 让规划可见，Task 让分工成为可能，进度显示让过程可观测。但大的框架从未改变


👋 代码是思想在计算机世界的投影，Agent代码是【Agent模型与、真实计算机系统、间的“信号线”】

---

**Bash is All You Need.**

完整代码见仓库 `v0_bash_agent.py` 和 `v0_bash_agent_mini.py`。


如果你想要生产级实现，欢迎使用 [Kode Agent CLI](https://github.com/shareAI-lab/Kode)