这是一个非常硬核且有趣的话题。Claude Code 是 Anthropic 最近推出的一个基于终端的 Agent 工具，它不仅能写代码，还能执行终端命令、管理文件、自我纠错。
要理解并复刻它，我们必须深入 Agent（智能体） 的核心。
本文将分为三个部分：
-
解构 Agent：概念与核心公式。
-
核心模式：ReAct 循环与工具调用。
-
实战构建：用 Python 从零手写一个“Mini Claude Code”。
第一部分：Agent 的概念与解构
为什么 Chatbot 不是 Agent？
-
Chatbot (ChatGPT 网页版)：被动。你问，它答。它在真空中运行，无法影响外部世界。
-
Agent (智能体)：主动。它有“手”和“眼”。它能感知环境（读取文件、看网页），制定计划，并执行动作（运行代码、发邮件）来改变环境。
Agent 的核心公式
AI 科学家 Lilian Weng 提出了一个著名的公式，这也是所有 Agent 的基石：
-
LLM (大脑)：负责推理。决定“我现在该做什么”。
-
Tools (工具)：LLM 的扩展能力。例如：执行 Shell 命令、读写文件、搜索网络。
-
Planning (规划)：
-
分解：把“写一个贪吃蛇游戏”拆解为“创建文件”、“写逻辑”、“测试”。
-
反思：代码跑不通时，分析报错日志，自我修正。
-
-
Memory (记忆)：记住之前的操作结果（比如之前
ls看到了什么文件）。
第二部分：核心运作模式 —— ReAct
要构建 Claude Code 这样的工具，最核心的模式是 ReAct (Reason + Act)。
它的运行流程是一个死循环（Loop），直到任务完成：
-
Thought (思考)：用户让我改 Bug，我需要先看看代码。
-
Action (行动)：调用工具
read_file('main.py')。 -
Observation (观察)：(工具返回了文件内容) 发现第 10 行有个语法错误。
-
Thought (再思考)：我找到了错误，现在需要修复它。
-
Action (再行动)：调用工具
write_file('main.py', new_content)。 -
Observation (观察)：写入成功。
-
Final Answer (回答)：Bug 已修复。
这就是 Claude Code 的本质：一个具备文件系统权限和终端权限的 ReAct 循环。
第三部分：从零打造 "Mini Claude Code"
我们将不使用 LangChain 等重型框架，而是用纯 Python + OpenAI 格式的 API（兼容 DeepSeek/Claude/OpenAI）来实现，这样你能看清每一行底层的逻辑。
1. 定义工具 (Tools)
Claude Code 的核心能力是操作文件和终端。我们需要定义两个“神之手”函数。
import subprocess
import os
# 工具 1: 执行终端命令 (这是 Agent 的手)
def run_shell_command(command):
print(f"\n[系统执行]: {command}")
try:
# ⚠️ 警告：在生产环境中这非常危险，需要沙箱环境 (如 Docker/E2B)
result = subprocess.run(
command, shell=True, capture_output=True, text=True, timeout=10
)
output = result.stdout + result.stderr
return output if output.strip() else "(无输出)"
except Exception as e:
return f"执行出错: {str(e)}"
# 工具 2: 写文件
def write_to_file(filename, content):
print(f"\n[系统写入]: {filename}")
try:
with open(filename, 'w', encoding='utf-8') as f:
f.write(content)
return f"成功写入文件: {filename}"
except Exception as e:
return f"写入失败: {str(e)}"
# 定义工具描述 (Schema)，告诉 LLM 它有哪些工具可用
tools_schema = [
{
"type": "function",
"function": {
"name": "run_shell_command",
"description": "在终端执行 Shell 命令。用于查看目录、读取文件(cat)、运行代码等。",
"parameters": {
"type": "object",
"properties": {
"command": {"type": "string", "description": "要执行的命令，例如 'ls -la' 或 'python app.py'"}
},
"required": ["command"],
},
},
},
{
"type": "function",
"function": {
"name": "write_to_file",
"description": "创建或覆盖文件内容。",
"parameters": {
"type": "object",
"properties": {
"filename": {"type": "string", "description": "文件名"},
"content": {"type": "string", "description": "文件内容"},
},
"required": ["filename", "content"],
},
},
},
]
2. 构建大脑 (The Brain)
我们需要一个类来管理对话历史，并处理“模型想调用工具”的请求。
import json
from openai import OpenAI
# 这里可以使用 OpenAI, DeepSeek, 或者 Anthropic 的 API
# 假设我们使用兼容 OpenAI 格式的客户端
client = OpenAI(api_key="你的API_KEY", base_url="你的API_BASE_URL")
class MiniClaudeCode:
def __init__(self):
# System Prompt 赋予它人设
self.messages = [{
"role": "system",
"content": "你是一个高级编程助手。你可以执行终端命令和管理文件。当用户让你写代码时，直接写入文件并尝试运行它。如果报错，请阅读错误并修复。"
}]
def chat(self, user_input):
self.messages.append({"role": "user", "content": user_input})
# 这是一个循环 (Loop)，因为 Agent 可能需要连续执行多个动作
# 比如：先 ls 看文件 -> 再 cat 读内容 -> 再 write 改代码
while True:
# 1. 调用大模型
response = client.chat.completions.create(
model="gpt-4o", # 或 deepseek-chat
messages=self.messages,
tools=tools_schema,
tool_choice="auto" # 让模型自己决定是否用工具
)
message = response.choices[0].message
self.messages.append(message) # 把模型的回复加入记忆
# 2. 判断模型是否想调用工具
if message.tool_calls:
# 3. 执行工具 (Action)
for tool_call in message.tool_calls:
func_name = tool_call.function.name
args = json.loads(tool_call.function.arguments)
result = ""
if func_name == "run_shell_command":
result = run_shell_command(args['command'])
elif func_name == "write_to_file":
result = write_to_file(args['filename'], args['content'])
# 4. 将结果反馈给模型 (Observation)
# 必须带上 tool_call_id，模型才知道这是哪次调用的结果
self.messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": result
})
print(f" └── [观察结果]: {result[:100]}..." if len(result) > 100 else f" └── [观察结果]: {result}")
# 循环继续，模型收到结果后会进行下一次思考
else:
# 模型没有调用工具，说明它完成了任务，输出了最终回答
return message.content
3. 启动引擎 (The Loop)
现在我们把它们组合起来，启动一个命令行交互界面。
def main():
agent = MiniClaudeCode()
print("🤖 Mini Claude Code 已启动 (输入 'exit' 退出)")
print("---------------------------------------------")
while True:
try:
user_input = input("\n> ")
if user_input.lower() in ['exit', 'quit']:
break
print("Thinking...", end="", flush=True)
response = agent.chat(user_input)
print(f"\n🤖 Agent: {response}")
except KeyboardInterrupt:
print("\n再见！")
break
except Exception as e:
print(f"Error: {e}")
if __name__ == "__main__":
main()
第四部分：运行演示 (Simulation)
假设你运行了上面的代码，并输入：
> 请帮我写一个 python 脚本 hello.py，打印当前时间，然后运行它。
Mini Claude Code 的内部运行流程如下：
-
Loop 1 (思考):
-
模型收到请求。
-
模型决定调用工具
write_to_file。 -
参数:
filename="hello.py",content="import datetime; print(datetime.datetime.now())"
-
-
Loop 1 (行动):
-
Python 代码执行
write_to_file。 -
文件
hello.py被创建。 -
返回结果:
"成功写入文件: hello.py"。
-
-
Loop 2 (再思考):
-
模型收到“成功写入”的消息。
-
模型决定下一步：运行它。
-
模型决定调用工具
run_shell_command。 -
参数:
command="python hello.py"。
-
-
Loop 2 (行动):
-
Python 代码执行
subprocess.run("python hello.py"...)。 -
返回结果:
"2025-12-09 18:30:00.123456"。
-
-
Loop 3 (总结):
-
模型收到时间输出。
-
模型认为任务结束。
-
输出文本: "我已经创建并运行了脚本，当前时间是 2025-12-09..."。
-
第五部分：从 Demo 到生产级 Claude Code 的差距
上面的代码只有不到 100 行，它展示了原理，但要成为生产力工具，还需要解决几个大问题：
-
安全性 (Safety)：
-
问题：如果用户让 Agent 执行
rm -rf /，上面的代码真会去执行。 -
解决：Docker 容器化。真实的 Claude Code 或 Replit Agent 都在临时的 Docker 容器或微虚拟机 (Firecracker MicroVM) 中运行，用完即焚。
-
-
上下文管理 (Context Management)：
-
问题：如果你
cat了一个 10MB 的日志文件，Token 会瞬间爆掉。 -
解决：需要一个“截断”机制。只读取文件的前 100 行，或者使用 RAG (向量检索) 来查找文件中相关的内容，而不是全量读取。
-
-
人类介入 (Human-in-the-loop)：
-
问题：Agent 可能会陷入死循环（不断报错，不断重试）。
-
解决：在执行高危命令或连续重试多次后，强制暂停，询问用户“是否继续”。
-
-
流式输出 (Streaming)：
- 为了不让用户干等，需要实现类似 ChatGPT 的打字机效果。
总结
构建一个 Agent 不需要黑魔法。它的本质就是：
一个循环 (While Loop) + 一个聪明的 LLM + 通过 API 暴露的函数 (Tools)。
当你理解了这一点，你不仅能复刻 Claude Code，还能为你的业务构建 SQL Agent（查询数据库）、运维 Agent（查日志）、甚至办公 Agent（操作 Excel 发邮件）。