一页结论
这不是一篇“Claude Code 使用教程”，而是一篇 Agent 运行时入门课。它用一个不到 30 行的 while-loop 解释了代码 Agent 的最小内核：把用户请求发给模型，模型要用工具就执行工具，把结果再塞回上下文；模型不再请求工具时，本轮结束。
真正重要的不是 bash，而是闭环。没有 loop，模型只能给出建议；有了 loop，模型才能把建议变成动作，并根据动作结果继续修正。这个差异就是普通聊天机器人和可执行 Agent 的分界线。
我给这章的定位
Agent 工程的第一块地基。它不追求生产级完整性，而是把“模型为什么能自己干活”讲清楚。
适合对象：想理解 Claude Code、Codex、OpenClaw、Devin 这类工具底层形态的人。
一句话模型
while model asks for tool: run tool, append result, call model again
所有权限、记忆、压缩、恢复、并发、子代理，本质上都是在这个循环外面或里面加保护层。
课程内容拆解
| 问题 | LLM 能写命令，但不会自动执行，也不会看到执行结果后继续推理。人如果手动复制命令、粘贴结果，其实就在扮演 agent harness。 |
|---|---|
| 解法 | 写一个循环：模型返回工具调用就执行，执行结果作为下一条消息回传；没有工具调用就退出。 |
| 最小工具 | 页面从一个 bash 工具开始，因为它能读文件、列目录、执行脚本，足够展示真实世界动作。 |
| 观察重点 | 模型何时决定调用工具、工具结果如何改变下一步推理、循环何时终止。 |
| 进阶方向 | s02 起会把单一 bash 扩展为更结构化的工具；后续章节再加入权限、hooks、todo、subagent、context compact、memory、scheduler、MCP 等。 |
最小 Agent Loop
教学版逻辑可以压缩成五步：
- 把用户问题放进
messages。 - 连同系统提示和工具 schema 一起发给模型。
- 把模型响应追加进
messages。 - 如果响应里有工具调用，执行工具并收集结果。
- 把工具结果作为新消息追加，然后回到第 2 步。
这解释了一个常被说复杂的概念：Agent 的“自主性”不是魔法，而是模型决策和程序执行之间有一个稳定的反馈回路。模型负责决定下一步，harness 负责让这一步真的发生。
教学版和生产版差异
页面把教学版 loop 与 Claude Code 源码中的生产级 query loop 做了对照。关键差异不是“生产版更长”，而是生产版必须处理大量边界情况。
| 维度 | 教学版 | 生产级运行时 |
|---|---|---|
| 循环判断 | 依赖 stop_reason == "tool_use" | 流式响应中 stop_reason 可能滞后，因此更可靠的是检查内容里是否出现 tool_use 块 |
| 状态管理 | 主要维护 messages | 还要维护工具上下文、压缩状态、token 恢复次数、hook 状态、turn count、继续原因等 |
| 退出路径 | 模型不调工具就结束 | 还要处理 max turns、abort、prompt too long、模型错误、hook stop、token budget continuation、reactive compact retry 等 |
| 工具执行 | 串行执行命令 | 可流式、可并发，也要区分 concurrency-safe 工具和独占工具 |
| 目标 | 概念清楚 | 可靠、可恢复、可观测、能在真实项目里抗错误 |
对 OpenClaw/Codex 的启发
这章很适合拿来校准我们理解 Agent 平台的层次。一个可用平台至少有三层：
- Loop 层：负责持续调用模型、执行工具、回传结果，是所有能力的最小承载结构。
- Control 层：负责权限、沙箱、超时、预算、并发、恢复和可观测性，决定它能不能安全地跑。
- Memory/Workflow 层：负责任务计划、上下文压缩、长期记忆、子代理和调度，决定它能不能长时间做复杂工作。
这也解释了为什么简单 demo 看起来很容易，但真实 Agent 产品做起来很难：demo 只要证明 loop 成立；产品要证明 loop 在错误、权限、成本和上下文压力下仍然可靠。
值得记住的判断
- Agent = LLM + Tools + Loop。少了 loop，工具只是建议；有了 loop，工具才成为动作系统。
- Harness 是能力放大器，不是智能本身。智能来自模型的判断，harness 让判断能被执行、被观察、被修正。
- 最小实现应该先保持粗糙。过早引入权限、子代理、记忆和调度，反而会遮住核心机制。
- 生产系统的复杂度主要来自失败路径。真正拉开差距的是恢复、限流、压缩、并发、安全和审计。
- 后续 19 章可以理解为围绕这个 loop 的增强包。工具、权限、hooks、todo、subagent、memory、scheduler、MCP 都是在增强这个闭环。
学习建议
如果要系统读这套 Learn Claude Code，我建议按“运行时主线”来读，而不是按功能清单平铺：
- s01-s04：先搞懂 loop、工具、权限、hooks，这是 Agent 能跑且能被约束的基础。
- s05-s11：再看 todo、subagent、skills、context compact、memory、system prompt、error recovery，这是复杂任务的协调和恢复能力。
- s12-s20：最后看任务系统、后台任务、cron、agent teams、worktree、MCP 和完整 turn，这是平台化和多 Agent 化。
对轮机长目前的 OpenClaw 工作流来说，最值得优先深挖的是 s01、s02、s03、s08、s09、s11、s12、s14、s19、s20。它们正好对应工具执行、权限、记忆压缩、长期记忆、错误恢复、任务化、调度和 MCP 扩展。
最终评价
这章值得保存。它的价值在于把 Agent 运行时从“看起来神奇”还原成“可以亲手写出来的程序结构”。只要理解这一个循环，后面的 Claude Code、Codex、OpenClaw、Multi-Agent、MCP、后台任务，本质上都能放回同一张图里理解。
我的建议是把它作为 Agent 工程学习路线的第一课，同时把“loop 本身很简单，生产化全在边界条件”这句话记下来。以后看任何 Agent 框架，都可以先问：它的 loop 在哪里？工具结果怎么回传？失败怎么恢复？权限怎么守住？上下文满了怎么办？