这周末快速浏览了一遍
learn-claude-code项目。Agent 本身并没有涉及太多复杂算法，重点主要在于整体架构和能力逐步演进的设计思路。下面按章节简单记录一下。
s01：经典 Agent 循环
s02：工具路由
对工具调用逻辑进行封装。
原本是根据工具名称通过一系列 if 判断选择执行逻辑，现在改为从 tool_handlers 工具路由表中查找对应的处理函数。
s03：权限控制
在工具调用前加入权限判断，大致包含三道闸门：
- 始终拒绝执行的命令；
- 命中特定规则时，需要询问用户；
- 由用户进行最终审批。
s04：Hook 机制
引入 Hook，将权限判断、日志记录和结果后处理等逻辑拆分到不同的生命周期节点中，例如：
PreToolUsePostToolUseStop
这样可以在不侵入核心 Agent Loop 的情况下扩展各种处理逻辑。
s05：Todo List
加入待办事项列表。
本质上是维护一份由 LLM 自己生成和更新的任务列表，帮助模型记录任务步骤及当前进度。
s06：Sub-agent
加入子 Agent。
除了不与主 Agent 共享上下文、不能继续创建子 Agent 之外，子 Agent 的能力与主 Agent 基本一致。
值得注意的是，Todo List 和 Sub-agent 都是以 Tool 的形式提供给模型的。
s07：Skill 加载
引入 Skill 机制。
它的本质是将"启动时加载全部上下文"改为"按需加载上下文"。系统需要通过一个 Skill Loader 扫描指定目录，整理出可用的 Skill 列表，并在启动时将这份列表提供给 LLM。
模型需要使用某项能力时，再加载对应 Skill 的详细内容，从而减少初始上下文占用。
s08：上下文压缩
上下文通常主要被大量工具调用结果占用，因此压缩策略会优先处理工具输出。
每轮对话会依次进行多层压缩：
- 当工具调用结果的总大小超过阈值时，将体积最大的结果写入本地文件，上下文中只保留索引；
- 当消息数量超过阈值时，只保留头部和尾部消息的完整内容，中间消息替换为索引；
- 仅保留最近 3 条消息的完整内容，其余消息显示为占位符；已经落盘的内容继续保留文件路径。
如果经过上述处理后，上下文仍然超过阈值，才会调用 LLM 对历史内容生成摘要，并用摘要替换此前的上下文。
与此同时，完整的历史消息仍会写入本地文件，避免信息永久丢失。
s09：记忆机制
实现记忆的存储、召回、提取和整理。
它解决的问题与 s07 类似：每次开启新会话时，不必一次性加载全部历史上下文。
在对话过程中，模型会定期从上下文中提取值得长期保留的信息，并写入 .memory/*.md 文件。下一次开启会话时，系统只会将 MEMORY.md 记忆索引加入 System Prompt，由模型根据需要加载具体记忆。
主要包含以下四类记忆：
| 类型 | 保存内容 | 示例 |
|---|---|---|
user |
用户的长期偏好 | "使用 Tab 缩进" |
feedback |
后续仍然适用的工作反馈 | "不要 Mock 数据库" |
project |
相对稳定的项目事实 | "认证模块重写是由合规要求驱动的" |
reference |
外部资料或信息查找线索 | "流水线问题记录在 Linear 的 INGEST 项目中" |
s10：Task 机制
加入 Task 机制。
它与 s05 中 Todo List 的区别在于：Task 的抽象层次更高，而且能够跨会话保存。
系统需要通过 .task/*.json 文件持久化维护任务状态；Todo List 更偏向单次执行过程中的步骤管理，而 Task 更接近长期任务或项目级工作的管理机制。
后续章节
后续几个章节主要介绍：
- 定时任务；
- Multi-agent 协作；
- MCP，即外部工具和服务的接入。