Learn Claude Code：从 0 到 1 构建 Nano 级 Claude Code 风格 Agent Harness 的完整工程指南

本文基于 learn-claude-code 仓库中文主文档（README-zh.md）整理并扩展，系统讲解该项目"模型 + Harness"的核心理念、最小 agent loop 的完整实现，以及从 s01 到 s17 共 17 个递进式课程如何逐个叠加 harness 机制。读完本文，你将掌握一套可运行的 Anthropic API 编码 agent 的搭建方法（含环境配置、快速开始命令），并理解每个 harness 机制在源码层面的落点，从而能够独立设计、调试和扩展属于自己的 agent harness。

一、Agency 来自模型，Agent 产品 = 模型 + Harness

仓库开篇先立了一个核心论点：Agency——感知、推理、行动的能力——来自模型训练，不是来自外部代码的编排。一个能干活的 agent 产品需要模型和 harness 缺一不可：模型是驾驶者，harness 是载具。这个仓库教你造载具。

1.1 Agency 从哪来：历史上的铁证

仓库用一串业界里程碑论证"agent 是训练出来的，不是编出来的"：

• 2013 — DeepMind DQN 玩 Atari：一个神经网络只接收原始像素和游戏分数，学会 7 款 Atari 2600 游戏并超越所有先前算法，其中 3 款击败人类专家；到 2015 年同一架构扩展到 49 款游戏、达到职业人类测试员水平（论文发表于 Nature）。没有游戏专属规则，没有决策树——一个模型，从经验中学习。
• 2019 — OpenAI Five 征服 Dota 2：五个神经网络在 10 个月内与自己对战了约 45,000 年的 Dota 2，在旧金山直播赛 2-0 击败 TI8 世界冠军 OG；公开竞技场 42,729 场比赛胜率 99.4%。没有脚本化策略，模型完全通过自我对弈学会团队协作与实时适应。
• 2019 — DeepMind AlphaStar 制霸星际争霸 II：闭门赛 10-1 击败职业选手，随后在欧洲服务器达到宗师段位（90,000 名玩家中的前 0.15%）。信息不完全、实时决策、组合动作空间远超棋类——Agent 是训练出来的模型。
• 2019 — 腾讯绝悟统治王者荣耀：2019 年世冠杯半决赛 5v5 击败 KPL 职业选手；1v1 模式下职业选手 15 场只赢 1 场，训练强度一天等于人类 440 年。没有手工编写的英雄克制表，一个从零自我对弈学习整个游戏的模型。
• 2024-2025 — LLM Agent 重塑软件工程：Claude、GPT、Gemini 在人类全部代码和推理上训练，被部署为编程 agent——阅读代码库、编写实现、调试故障、团队协作。架构与之前每一个 agent 完全相同：一个训练好的模型，放入一个环境，给予感知和行动的工具。

结论：每一个 agent 都需要一个环境才能工作——Atari 模拟器、Dota 2 客户端、星际引擎、IDE 和终端。模型提供智能，环境提供行动空间，两者合在一起才是一个完整的 agent。

1.2 Agent 不是什么：对"提示词水管工"的否定

仓库直言，"Agent"一词已被拖拽式工作流构建器、无代码 AI 平台、提示词链编排库所劫持。它们的共同幻觉是：把 LLM API 调用用 if-else 分支、节点图、硬编码路由逻辑串起来就算"构建 Agent"。仓库的判断是：那是鲁布·戈德堡机械——一个过度工程化的过程式规则流水线，LLM 被楔在里面当一个美化了的文本补全节点。这类系统脆弱、不可扩展、不具备泛化能力，是 GOFAI（经典符号 AI）的现代还魂。你不可能通过工程手段编码出 agency，agency 是学出来的，不是编出来的。

1.3 心智转换：从"开发 Agent"到开发 Harness

当一个人说"我在开发 Agent"时，只可能是两个意思之一：

1. 训练模型——通过强化学习、微调、RLHF 等基于梯度的方法调整权重。这是 DeepMind、OpenAI、腾讯 AI Lab、Anthropic 在做的事，是最本义的 Agent 开发。
2. 构建 Harness——编写代码，为模型提供一个可操作的环境。这是大多数人的工作，也是本仓库的核心。

Harness 的组成公式（原文完整继承）：

Harness = Tools + Knowledge + Observation + Action Interfaces + Permissions

    Tools:          文件读写、Shell、网络、数据库、浏览器
    Knowledge:      产品文档、领域资料、API 规范、风格指南
    Observation:    git diff、错误日志、浏览器状态、传感器数据
    Action:         CLI 命令、API 调用、UI 交互
    Permissions:    沙箱隔离、审批流程、信任边界

模型做决策，Harness 执行；模型做推理，Harness 提供上下文。编程 agent 的 harness 是它的 IDE、终端和文件系统；农业 agent 的 harness 是传感器阵列与灌溉控制；酒店 agent 的 harness 是预订系统与设施管理 API。Agent（智能、决策者）永远是模型，Harness 因领域而变。

1.4 Harness 工程师的日常工作

仓库给读者列出了五份具体工作清单，这份清单实际上就是课程 s01-s17 的"工种地图"：

职责	说明	对应课程
实现工具	给 agent 一双手：文件读写、Shell、API 调用、浏览器、数据库查询；设计时原子化、可组合、描述清晰	s01、s02
策划知识	给 agent 领域专长：产品文档、架构决策记录、风格指南；按需加载，不前置塞入	s07
管理上下文	子 Agent 把明确的工作留在另一份 messages[]；上下文压缩缩短早期历史；任务系统让目标持久化到单次对话之外	s06、s08、s10
控制权限	沙箱化文件访问、对破坏性操作要求审批、实施信任边界——安全工程与 harness 工程的交汇点	s03
收集任务过程数据	每条真实行动序列都是训练信号，你的 harness 不仅服务 agent，还可以帮助进化 agent	—

1.5 为什么拆解 Claude Code：Harness 工程的大师课

仓库选择 Claude Code 作为教学标本的理由：它是所见过的最优雅、最完整的 agent harness 实现——不是因为某个巧妙技巧，而是因为它没做的事：没有试图成为 agent 本身，没有强加僵化工作流，没有用决策树替模型做判断。把 Claude Code 剥到本质：

Claude Code = 一个 agent loop
            + 工具 (bash, read, write, edit, glob, grep, browser...)
            + 按需 skill 加载
            + 上下文压缩
            + 子 agent 派生
            + 带依赖图的任务系统
            + 异步邮箱的团队协调
            + 任务绑定的 worktree 并行执行
            + 权限治理

"就这些。这就是全部架构。"每一个组件都是 harness 机制；agent 本身是模型。Harness 没有让 Claude 变聪明，而是给了它双手、双眼和一个工作空间。启示不是"复制 Claude Code"，而是：最好的 agent 产品，出自那些明白自己的工作是 harness 而非 intelligence 的工程师之手。

二、核心模式：THE AGENT PATTERN

整个课程的地基是最小 agent 循环（原文 ASCII 图完整继承）：

                    THE AGENT PATTERN
                    =================

    User --> messages[] --> LLM --> response
                                      |
                            stop_reason == "tool_use"?
                           /                          \
                         yes                           no
                          |                             |
                    execute tools                    return text
                    append results
                    loop back -----------------> messages[]

    这是最小循环。每个 AI Agent 都需要这个循环。
    模型决定何时调用工具、何时停止。
    代码只是执行模型的要求。
    本仓库教你构建围绕这个循环的一切 --
    让 agent 在特定领域高效工作的 harness。

仓库 README 给出的核心代码骨架（完整继承）：

def agent_loop(messages):
    while True:
        response = client.messages.create(
            model=MODEL, system=SYSTEM,
            messages=messages, tools=TOOLS,
        )
        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 = TOOL_HANDLERSblock.name
                results.append({
                    "type": "tool_result",
                    "tool_use_id": block.id,
                    "content": output,
                })
        messages.append({"role": "user", "content": results})

2.1 源码级实现：s01 的最小循环

第一课 s01_agent_loop/code.py 把上述骨架落成了可直接运行的程序，其中几个实现细节值得注意：

• 唯一工具是 bash。工具定义极简：名称 bash、描述 "Run a shell command."、输入 schema 只有一个必填的 command 字符串（s01_agent_loop/code.py）。这正是课程格言 "One loop & Bash is all you need" 的来源：一个工具 + 一个循环 = 一个 Agent。
• 最小防护内置在工具里。run_bash 在执行前检查危险命令黑名单（rm -rf /、sudo、shutdown、reboot、> /dev/），命中即返回 "Error: Dangerous command blocked"；命令通过 subprocess.run(..., shell=True, timeout=120) 执行，120 秒超时返回错误；输出合并 stdout/stderr 后截断到 50,000 字符（s01_agent_loop/code.py）。
• 循环控制参数：每轮调用 max_tokens=8000，assistant 回合整块追加进 messages，stop_reason != "tool_use" 时直接返回；工具结果以 role: "user" 的消息批量回喂（s01_agent_loop/code.py）。
• 模型名来自环境变量：MODEL = os.environ["MODEL_ID"]，API key 与 base URL 通过 python-dotenv 的 load_dotenv() 从 .env 加载，这决定了仓库所有课程统一的环境约定（下文"快速开始"详述）。
• 交互入口：python s01_agent_loop/code.py 启动后是一个 REPL（提示符 s01 >>），历史消息跨轮累积，输入 q 退出。

2.2 加工具只加 handler：s02 的 dispatch map

第二课 s02_tool_use/code.py 演示了"循环不用动，新工具注册进 dispatch map"：在 bash 之外新增 read_file / write_file / edit_file / glob 四个工具，定义进 TOOLS 列表，并把实现函数注册进 TOOL_HANDLERS 字典（s02_tool_use/code.py）。循环里唯一的变化是一行：

# s01: output = run_bash(block.input["command"])
# s02: output = TOOL_HANDLERSblock.name

值得特别指出的是 safe_path 的实现：文件类工具先把路径 resolve() 到工作目录下，再用 path.is_relative_to(WORKDIR) 断言不能逃出工作区，越界直接抛 ValueError（s02_tool_use/code.py）。这是"harness 自带信任边界"这一设计哲学的第一个具体体现——权限不是靠模型自觉，而是靠工具实现强制。

三、17 个递进式课程总览

仓库的课程结构是"每个课程添加一个 harness 机制，每个机制有一句格言"（原文格言完整继承）：

章节	格言 / 要点	关键概念（来自全部章节表）
s01	"One loop & Bash is all you need"——一个工具 + 一个循环 = 一个 Agent	messages / while True / stop_reason
s02	"加一个工具, 只加一个 handler"——循环不用动，新工具注册进 dispatch map	TOOL_HANDLERS / dispatch map / 并发
s03	"先划边界, 再给自由"——先判断操作能不能做，要不要问用户	PermissionRule / 审批管线
s04	"挂在循环上, 不写进循环里"——在工具前后留插口，不改主循环也能扩展	PreToolUse / PostToolUse / 扩展点
s05	"没有计划的 agent 走哪算哪"——先列步骤再动手	TodoItem / 先计划后执行
s06	给子任务全新的 messages[]，最终文本作为一条工具结果返回	fresh messages[] / 上下文隔离
s07	"用到时再加载, 别全塞 prompt 里"——技能先列目录，用到时再展开	SkillLoader / 技能目录 / 按需注入
s08	"上下文总会满, 要有办法腾地方"——四步压缩，先整理工具结果，仍超限时再生成历史摘要	budget / snip / micro / summary
s09	"记住该记的, 忘掉该忘的"——三个子系统：筛选、提取、整理	selection / extraction / consolidation
s10	"大目标拆成小任务, 排好序, 持久化"——文件持久化的任务图	TaskRecord / blockedBy / 磁盘持久化
s11	"慢操作丢后台, agent 继续思考"——后台线程跑命令，完成后注入通知	线程执行 / 通知队列
s12	"定时触发, 不需要人推"——按时间自动触发任务	持久化调度 / 会话级触发
s13	"一个 Agent 顾不过来，就让队友分工协作"——持久队友、原子认领就绪任务、任务绑定的工作目录	持久队友 / 原子认领 / Worktree / 类型协议
s14	"能力不够? 插上 MCP"——把外部工具接进同一个工具池	工具发现 / 命名空间 / 工具池组装
s15	"多种机制，一个循环"——集成示例用到的机制归到同一个 harness	工具、运行时上下文、任务、团队、调度和 MCP 归到一个循环
s16	"编排形状固定时，就把它写进代码"——保存好的 workflow 使用 journal 续跑	脚本编排 / 生命周期事件 / journal 续跑
s17	"目标决定循环什么时候真正结束"——每次准备停止时由独立判断器审查；目标不可能、执行失败或超过续跑上限时把控制权交还用户	目标闸门 / 对话判断 / 自动续轮

每章目录结构统一（README-zh.md 项目结构一节原文继承）：

learn-claude-code/
  s01_agent_loop/          # 每章一个文件夹
    README.md              #   默认英文文档（完整叙事）
    README.zh.md           #   中文译本
    README.ja.md           #   日文译本
    code.py                #   独立可运行代码
    images/                #   SVG 流程图
  s02_tool_use/
  ...
  s14_mcp_plugin/
  s15_integrated_harness/
  s16_workflow_runtime/
  s17_goal_loop/           # 终点章
  agents/                  # 旧 12 章可运行副本 + s_full.py
  skills/                  # s07 使用的 skill 文件
  docs/                    # 旧 12 章文档，过渡期保留
  web/                     # 从根目录课程生成
  tests/

其中 skills/ 目录真实存放了 s07 课程用到的四个 skill（agent-builder、code-review、mcp-builder、pdf，各自带 SKILL.md）；agents/ 保留旧 12 章的可运行副本（s01_agent_loop.py … s12_worktree_task_isolation.py 及全集成版 s_full.py）；tests/ 下的 pytest 用例对各个机制做了回归验证（如 tests/test_s06_subagent.py、tests/test_task_system.py、tests/test_goal_loop.py）。

四、版本说明：两条教程线并存

本仓库现在同时保留两条教程线（原文完整继承）：

• 新版主线：根目录 s01-s17。根目录下的 s01_* 到 s17_* 是新的主版本，也是当前推荐阅读路径。每章包含默认英文 README、中文/日文译本、可运行的 code.py，以及必要的图示。
• 旧版过渡：docs/、agents/。这些仍保留旧 12 章体系，暂时用于已有读者和旧链接过渡。

新读者请从 s01_agent_loop/ 读到 s17_goal_loop/。旧版章节号和新版不完全一致，不要混用章节号。旧版到新版的对应关系（原文表格完整继承）：

旧 12 章版本	新 17 章版本	主题
旧 s01	新 s01	Agent Loop
旧 s02	新 s02	Tool Use
旧 s03	新 s05	TodoWrite
旧 s04	新 s06	Subagent
旧 s05	新 s07	Skill Loading
旧 s06	新 s08	Context Compact
旧 s07	新 s10	Task System
旧 s08	新 s11	Background Tasks
旧 s09	新 s13	Agent Teams
旧 s10	新 s13	Team Protocols
旧 s11	新 s13	自主认领任务
旧 s12	新 s13	任务绑定的 Worktree
新版新增	s03、s04、s09、s12、s14、s15、s16、s17	Permission、Hooks、Memory、Cron、MCP、Agent Harness 集成、Workflow Runtime、Goal Loop

课程边界（原文继承）：这是一个从 0 到 1 的 harness 工程课程。每章先单独展开一个机制，s15 再把累积的运行时接回完整的 Agent 循环；s16 在这个循环上加入 workflow 编排；s17 用更小的工具池单独讲目标控制的续跑，不是又一个累积式运行时。

五、快速开始

5.1 依赖与环境（以仓库实际文件为准）

requirements.txt 只有三个依赖，门槛极低：

anthropic>=0.25.0
python-dotenv>=1.0.0
pyyaml>=6.0

环境变量约定来自 .env.example（仓库内可直接查看），核心项：

变量	必填	默认值 / 示例	说明
ANTHROPIC_API_KEY	是	sk-ant-xxx	Anthropic API Key
MODEL_ID	是	claude-sonnet-4-6	模型 ID，所有课程统一读取此变量
ANTHROPIC_BASE_URL	否	默认官方端点	用于接入 Anthropic 兼容的第三方提供商

.env.example 中还以注释形式列出了若干兼容提供商的配置样例（国际与大陆分别给出），包括 MiniMax（MiniMax-M3 等）、GLM 智谱（glm-5.2）、Kimi Moonshot（kimi-k2.7-code 等）、DeepSeek（deepseek-v4-pro / deepseek-v4-flash），各自对应的 ANTHROPIC_BASE_URL 均在注释中给出，复制注释、替换 MODEL_ID 即可切换后端。这一点也与 s01 源码中的行为一致：Anthropic(base_url=os.getenv("ANTHROPIC_BASE_URL")) 显式支持自定义 base URL（s01_agent_loop/code.py）。

5.2 新版 17 章主线运行方式

原文快速开始命令完整继承（clone 地址仅在此处给出一次）：

git clone https://gitcode.com/GitHub_Trending/an/learn-claude-code
cd learn-claude-code
pip install -r requirements.txt
cp .env.example .env   # 编辑 .env 填入你的 ANTHROPIC_API_KEY

python s01_agent_loop/code.py        # 起点 — 一个循环 + bash
python s08_context_compact/code.py    # 上下文压缩（复杂章）
python s17_goal_loop/code.py          # 终点章：用目标闭合循环

旧版 12 章过渡线：

python agents/s01_agent_loop.py
python agents/s12_worktree_task_isolation.py
python agents/s_full.py

Web 平台从根目录课程生成内容，s16、s17 提供阅读、源码、模拟和架构视图：

cd web && npm install && npm run dev   # http://localhost:3000

5.3 各章 code.py 的统一运行约定

从各章源码头部注释可以确认统一的运行方式与依赖约定：

• 所有课程均为 python <章节目录>/code.py 直接运行，交互式 REPL 输入任务、输入 q 退出；
• s17 支持命令行直接给定目标：python s17_goal_loop/code.py "/goal pytest tests exits with code 0"；
• s16 支持 demo / resume 子命令演示 workflow 编排与 journal 续跑（s16_workflow_runtime/code.py 头部注释）。

六、学习路径：从"能动手"到"编排与目标闭环"

原文学习路径主线是：能动手 → 能做复杂任务 → 能记住和恢复 → 能长期运行 → 能协作 → 能扩展并合体。仓库 README 中用 mermaid 流程图组织为七个阶段，这里将其压缩为等价的阶段视图（内容一一对应原图）：

阶段	名称	包含课程
1	让 Agent 能动手	s01 Agent Loop（一个循环 + bash）、s02 Tool Use（单个到多个工具）、s03 Permission（判断能不能做）、s04 Hooks（工具前后留扩展插口）
2	做复杂任务	s05 TodoWrite（先列计划再执行）、s06 Subagent（全新消息，返回最终文本）、s08 Context Compact（长上下文腾空间）
3	跨会话记忆	s09 Memory（保存并召回可复用知识）
4	让任务长期运行	s10 Task System（任务落盘记依赖）、s11 Background Tasks（慢操作丢后台）、s12 Cron Scheduler（按时自动触发）
5	让多个 Agent 协作	s13 Agent Teams（队友 + 消息投递 + 协作协议、原子认领就绪任务、任务绑定的 Worktree）
6	接外部能力合体	s07 Skill Loading（技能按需展开）、s14 MCP Plugin（外部接进工具池）、s15 Agent Harness 集成（课程机制回到同一循环）
7	编排并完成	s16 Workflow Runtime（脚本拥有固定编排）、s17 Goal Loop（独立判断决定何时停止）

七、关键机制的源码级实现证据

以下选取与 README 声明逐一对应的源码证据，帮助读者验证"每章一个机制"不是口号而是可运行的实现。

7.1 s03 权限：三道闸门串成审批管线

README 把 s03 的关键概念标为 PermissionRule / 审批管线。在 s03_permission/code.py 中可以看到管线由三个函数串联：

1. Deny-list 闸门：对 bash 命令先查危险命令列表，命中直接返回 False（不执行、不打扰用户）；
2. 规则闸门 check_rules：遍历 PERMISSION_RULES，每条规则声明适用工具与检查函数，命中则给出原因；
3. 用户审批闸门 ask_user：打印工具名与参数，交互询问 Allow? [y/N]，默认拒绝。

管线函数 check_permission(block) 在 agent loop 中作为工具执行前的一步插入，被拒的工具会收到一条 Permission denied. 的 tool_result 而不是崩溃——权限结果也是对话的一部分，模型可以据此换路。这与 README"先划边界, 再给自由"的格言严格对应。

7.2 s08 上下文压缩：四步压缩管线在类方法中落地

README 将 s08 描述为 budget / snip / micro / summary 四步压缩。s08_context_compact/code.py 中这些步骤一一对应到 CompactManager 的方法：

• tool_result_budget（约 s08_context_compact/code.py）：大工具结果转存到磁盘，消息里只留占位符（persist_large_output 辅助）；
• snip_compact（s08_context_compact/code.py）：按消息条数裁剪较早的历史；
• micro_compact（s08_context_compact/code.py）：对近期消息做轻量整理；
• summarize_history（s08_context_compact/code.py）：把对话压缩成历史摘要，compact_history / reactive_compact 作为编排入口（s08_context_compact/code.py）。摘要输入超过 SUMMARY_INPUT_CHAR_LIMIT = 80000 字符时按 1/4 头部 + 3/4 尾部截断送入摘要模型（s08_context_compact/code.py、L349-L356）。

该章配套多张 SVG 流程图（四步管线、大结果转存、自动压缩时序），见 s08_context_compact/images/。

7.3 s16 与 s17：运行时护栏常量直接可读

• s16 Workflow Runtime 在 s16_workflow_runtime/code.py 顶部定义了显式的运行时护栏：AGENT_CAP = 1000（单次运行内 agent() 调用硬上限）、CONCURRENCY = 8（信号量并發上限）、快照与 journal 存放在章节目录下的 .runtime，以及 workflow 名称的合法性正则 ^[A-Za-z0-9][A-Za-z0-9._-]{0,63}$。"编排形状固定时，就把它写进代码"的具体含义就是这些可审计的常量与 journal 文件。
• s17 Goal Loop 的头部常量（s17_goal_loop/code.py）精确刻画了"目标闸门"的边界：DEFAULT_MAX_TOKENS = 8000（worker 模型）、DEFAULT_EVALUATOR_MAX_TOKENS = 512（判断器用更小预算）、DEFAULT_STOP_HOOK_BLOCK_CAP = 8（续跑拦截上限）、MAX_GOAL_LENGTH = 4000（目标描述长度上限），另有 DENY_LIST 与 DESTRUCTIVE 两组命令名单。其架构注释与 README 格言一致：目标是会话级 Stop hook，独立 evaluator 读对话、判定完成条件，不满足就把未完成的工作送回同一个 agent loop。

7.4 s15 集成：把课程机制归到一个循环

s15_integrated_harness/code.py 从源码结构看是"合体章"的实据：同一文件内可见任务存储（create_task / claim_task / complete_task，依赖检查函数 can_start 与 _incomplete_dependencies）、git worktree 的创建与校验（validate_worktree_name / task_worktree_cwd / _registered_worktrees）、队友任务分配（advance_assignment_version / assignment_cwd / release_teammate_assignment）与内存运行时加载（load_memory_runtime）等组件并存于一个 runtime 中。运行 s15 需要额外安装 pyyaml（其头部注释已注明），用于读取任务/工作树相关的 YAML 配置。

八、愿景：Harness 模式是可跨领域泛化的基础设施

仓库把视野从编程 agent 推得更远，用一组公式说明"循环不变，工具/知识/权限在变"：

庄园管理 agent  = 模型 + 物业传感器 + 维护工具 + 租户通信
农业 agent      = 模型 + 土壤/气象数据 + 灌溉控制 + 作物知识
酒店运营 agent  = 模型 + 预订系统 + 客户渠道 + 设施 API
医学研究 agent  = 模型 + 文献检索 + 实验仪器 + 协议文档
制造业 agent    = 模型 + 产线传感器 + 质量控制 + 物流系统
教育 agent      = 模型 + 课程知识 + 学生进度 + 评估工具

"Agent = 模型(LLM) + 泛化的操作环境(Harness)"。每一个部署在真实领域的好 harness，都是 agent 能够感知、推理、行动的又一个阵地。这是仓库的收束宣言：Agency 来自模型。Harness 让 agency 落地。造好 Harness，模型会完成剩下的。Bash is all you need. Real agents are all the universe needs.

九、小结：如何继续深入本仓库

• 想理解某章机制的完整叙事，读对应章节的双语文档，如 s01_agent_loop/README.zh.md、s13_agent_teams/README.zh.md；
• 想对照验证实现，直接运行或阅读各章 code.py（每章均可独立运行，仅需 .env）；
• 想看机制的回归验证，查阅 tests/ 目录下的 pytest 用例；
• 想浏览交互化内容（模拟、架构图、版本对比），运行 web/ 平台（cd web && npm install && npm run dev）。

本文所有事实均取自仓库当前实际内容：章节结构与格言来自 README-zh.md，运行命令与依赖来自 requirements.txt 和 .env.example，机制细节引自各章 code.py 源码。适用前提：Python 环境 + 可用的 MODEL_ID（默认 claude-sonnet-4-6）API 凭据；课程间除 s15 的 pyyaml 外无额外依赖。