77,285 颗星、MIT 许可证：这个开源项目用”解构”的方式重新定义 AI 编程教育

77,285 颗星、MIT 许可证、持续高频更新——这个开源项目正在用”解构”的方式重新定义 AI 编程教育

大多数人在”构建 Agent“，但他们真正在做的，是构建 Harness。

这是 shareAI-lab/learn-claude-code 仓库在 README 第一段就写明的核心论点。这个 2025 年 6 月诞生的教学项目，用一年时间积累了超过 77,000 颗星、12,000 多个 Fork，GitHub Trending 持续在榜，跻身 The Agentic Leaderboard 第 30 位，可靠性评分 92.4%。它的目标非常纯粹：不是教你”如何使用” Agent，而是教你”如何从零构建一个让 Agent 可靠工作的执行环境”。

一个硬核事实：Agency 来自训练，不是来自代码编排

项目最核心、也最反直觉的命题是：所谓 Agent 的”能动性”，来自模型训练过程中获得的感知-推理-行动能力，而不是来自外部代码框架。这个结论来自 DQN、AlphaGo、OpenAI Five、AlphaStar 一系列里程碑项目的历史分析——模型的决策能力来自梯度更新，不是来自你写的工具调用代码。

基于这个认知，项目提出了一个简洁的公式：Agent 产品 = Model（模型）+ Harness（执行环境）。模型是驾驶员，Harness 是车辆。你用 LangChain、CrewAI 搭的，是车；Claude Code 内部跑的那个循环，才是驾驶逻辑。这个项目只教你造车。

12 节课，1100 行代码，从 bash 循环到多 Agent 协作

项目的课程设计是它最值得称道的地方。整体拆成 12 节会话（Session），每节只引入一个机制，始终不改动核心循环代码。从最简单的 bash 工具调用开始，逐步加入 Todo 规划、子 Agent 隔离、上下文压缩、记忆加载、MCP 协议集成、定时任务调度、多 Agent 团队协作等能力。

完整参考实现只有约 1100 行 Python 代码，分布在 5 个递增版本中：v0（约 50 行）只做 bash 工具；v1（约 200 行）加入核心 Agent 循环；v2（约 300 行）加入 Todo 跟踪；v3（约 450 行）加入子 Agent；v4（约 550 行）加入 Skills 动态加载。每个版本独立可运行，跟着 README 的历史脉络读下去，能清晰看到”每一步加了什么、为什么加”。

GitHub 上有完整的文档站（learn-claude-agents.vercel.app），支持英文、中文、日文三语，中文文档尤其详尽。配套的 Next.js 交互式学习平台可以逐步可视化每个 Session 的执行流程。

和同行的差距在哪里

与生产级框架相比，这个项目的定位有清晰边界：

项目明确指出：它不提供安全保障、不支持多轮对话持久化、没有生产级错误处理。使用黑名单拦截危险命令，生产环境需要自行引入 sandbox 方案。没有数据库支持，重启后 Todo/Task 状态全部丢失。Agent 团队功能只在单机子进程层面，不支持分布式部署。

The Agentic Leaderboard 的基准测试显示：learn-claude-code 排名第 30 位，综合得分 85.1/100，可靠性 92.4%、工具选择质量 71.2%、平均每任务步数 22.5 步、单任务成本 $0.02、延迟 500ms。值得注意的是，这个分数是在教学代码上跑出来的，并不代表能直接用于生产。

适合谁，不适合谁

适合：想深入理解 Agent 底层工作机制而非只会调 API 的开发者；需要给团队做 Agent 内部原理培训的技术负责人；从零构建自定义 Agent 的独立开发者；对”模型即 Agent”这个命题感兴趣的研究者。

不太适合：需要直接拿过来做生产级 coding agent 的团队（应该用 Kode Agent CLI 或 DeerFlow）；期望开箱即用、无需配置的非技术用户；需要完整 IDE 集成和 GUI 的场景。

可执行的下一步建议

第一步：花 10 分钟跑通 Session 1。在本机克隆仓库、安装依赖、配置一个 .env 文件写入你的 Anthropic API Key，运行 python v0_bash_agent.py，观察”发消息→模型决策→工具调用→结果返回”这个最小循环的完整过程。链接：https://github.com/shareAI-lab/learn-claude-code

第二步：按顺序过完 12 个 Session。每节控制在 20-30 分钟，重点理解”为什么这个 Session 要引入这个机制”，而不是死磕代码细节。

第三步：阅读配套项目 Kode Agent（生产级 CLI）和 claw0（7×24 小时在线助手，含心跳、Cron 调度、持久化记忆），理解从教学代码到生产系统的真实 Gap 有多大。

第四步：如果你在选型，记住项目在文档里写的那句话：”If you want a deployable agent, use CrewAI or LangChain. If you want to understand why the agent works, start here.” 理解造车，才能真正开好车。

数据来源：GitHub（77,285 Stars / 12,433 Forks / MIT License）、The Agentic Leaderboard（综合得分 85.1 / #30 位）、StackQuadrant（质量评分 7.4/10）、TrendForge 趋势数据、DevPress 深度体验报告、OpenAlt 工具评测。