这是我第一次从零手写一个 AI Agent 的过程记录。 代码：github.com/jeremyhxx/a…
先说 OpenClaw 这件事。
本质就是在本地跑一个 AI Agent，帮你处理邮件、执行任务、接管各种工作流。中文社区叫"养龙虾"，最近刷屏了。
我没有直接装。我想先搞清楚这类东西里面是什么——Agent 循环到底长什么样，工具调用是怎么工作的，LLM 在哪个位置做判断。最直接的方法是自己写一遍。
用 Claude Code 配合 Anthropic SDK，针对一个具体需求，手写了一个本地 AI Agent。这篇是过程记录。
需求是真实的
家人要从新加坡飞珀斯，日期定了，机票还没买。来回价格差挺大，不知道什么时候入手合适。
这事儿完全可以自己盯着 Google Flights 刷。但正好想找个真实场景动手——不是价格低于阈值就发通知的那种脚本，而是能看趋势、给判断、说出理由的那种。有真实需求比较好，不然很容易做着做着就失去动力。
不用框架的原因
Agent 循环本身不复杂，理论上都知道：LLM 决定调哪个工具 → 执行 → 结果喂回去 → 循环。LangChain 这类框架、Anthropic 自己的 Agent SDK，都是在封装这个东西。
但知道是一回事，真正写出来又是另一回事。我想直接用 Anthropic SDK 手写这个循环，不套框架——不是觉得框架不好，而是想感受一下每个决策点实际长什么样：工具怎么定义、结果怎么传、循环什么时候停。这些细节在框架里都帮你处理掉了，一开始用框架就不会遇到。
实际写完，核心循环大概长这样：
def run_agent(user_request: str):
messages = [{"role": "user", "content": user_request}]
while True:
response = client.messages.create(
model=MODEL, tools=TOOL_SCHEMAS, messages=messages
)
messages.append({"role": "assistant", "content": response.content})
if response.stop_reason == "end_turn":
break # LLM 决定结束
# 执行 LLM 请求的工具
tool_results = []
for block in response.content:
if block.type == "tool_use":
result = TOOL_MAP[block.name](**block.input)
tool_results.append({
"type": "tool_result",
"tool_use_id": block.id,
"content": json.dumps(result),
})
# 把结果喂回去，进入下一轮
messages.append({"role": "user", "content": tool_results})
就这些。while True 加上 stop_reason == "end_turn" 的退出条件，中间是工具执行和结果回传。框架封装的也是这个，只是加了更多错误处理、重试、状态管理。
Agent 运行时的终端输出
工具设计：这里想了比较久
Agent 能做什么，完全由你给它定义哪些工具决定。
我最开始想了个很懒的方案：一个工具叫"分析机票并给建议"，把所有事情都扔给它。这几乎等于没有 Agent，就是一个带 LLM 的函数调用。
后来拆成了 4 个：
search_flights：查当前价格get_price_history：看历史记录analyze_trend：算统计数据（均价、涨跌幅这些）send_recommendation：生成最终建议，推送通知
拆开之后，LLM 自己会决定顺序——它可以先查历史再查当前，也可以反过来。这才有一点"自主"的感觉。
有一个细节想多说一句：analyze_trend 只返回数字和统计，不做判断。判断在 send_recommendation 里——LLM 自己写出"现在买还是再等"的理由。这是我觉得最有意思的部分：数学归代码做，结论归 LLM 做。把这两件事混在一起，就很难说清楚"智能"在哪里。
历史数据谁来写
这个问题卡了我一会儿。
get_price_history 要读历史数据，那这些数据是谁往里写的？
最直觉的想法：加一个 save_price 工具，让 Agent 调完价格之后自己决定保存。
然后我想了一下：如果 LLM 某次"忘了"调这个工具怎么办？历史数据就会有缺口，而且你完全不知道缺在哪。
最后的处理是：search_flights 内部自动把结果追加写入本地 JSON，不通过 LLM，不需要额外调用。Agent 不感知这件事，get_price_history 只是读文件。
后来觉得这背后有一个更通用的判断："要不要查价格"让 LLM 决定没问题，"查完要不要保存"不应该让 LLM 决定。前者是策略，后者是机制，机制要在代码层保证，不能靠 prompt。
Mock 数据给了我虚假的安全感
架构搭好之后，用模拟数据跑了一遍，一切正常，感觉很好。
然后换成真实请求：
python main.py "帮我查新加坡到珀斯的往返机票，出发 2026-11-28，返程 2026-12-07"
直接报错。
两个问题同时出现：城市映射表里没有"珀斯"（只写了中日韩几个热门城市），而且压根没考虑过往返票，参数里没有 return_date。
修起来不难，都在工具实现层，Agent 循环一行没动。但这件事印象很深——Mock 环境里你只会遇到你预料到的情况。真实数据会带着你没想到的边界一起来。
为什么用 Telegram 不用邮件
跑完分析打印到终端没什么意义，要有推送通知才实用。
选项有几个：macOS 系统通知（只在电脑前有用）、邮件（配置麻烦，收到了也不一定马上看）、Bark（只支持 iOS）、Telegram Bot。
Telegram 赢在几个地方：在新加坡直接能用；手机电脑同步；消息格式比邮件灵活；以后如果想做成"回复消息触发新查询"也天然支持。
配置完之后家里人也想收通知，建了个 Telegram 群，把 Bot 加进去，把 TELEGRAM_CHAT_ID 换成群组 ID（群组 ID 是负数，这个我当时不知道）。代码没动一行。
踩的坑：getUpdates 的 URL 格式是 api.telegram.org/bot<TOKEN>/getUpdates，那个 bot 前缀必须有，没有就 404。来回找了挺久才发现。
Telegram 收到的分析通知
我为什么没用 Claude Code 的定时任务
Agent 跑通之后，下一个问题是：怎么让它每天自动跑，不用手动触发。
Claude Code 有个 Scheduled Tasks 功能，可以配置定时运行，界面很方便，就直接设了。
然后发现：它其实是让 Claude 来"操作电脑运行脚本"。每次运行需要授权 Python 环境，消耗 Claude 的 API token，等于专门请了个人来帮你按回车键。
我的脚本本身已经是一个完整的 Agent 了，再用 Claude 包一层，有点绕。
换成 cron，三行配置，运行时不需要任何人在场，零额外 token。
不是说 Scheduled Tasks 不好，它应该是给"需要 Claude 来推理的定时任务"准备的，比如每周帮你总结邮件、生成报告这种。用它来跑一个已经封装好的脚本，真的用错了。
后来加了一个 bot.py
cron 跑得好好的，但有个场景它解决不了：临时想查一次，不想等下一个定时周期，也不想开终端。
顺手加了个 bot.py——在 Telegram 里发 /查 帮我查新加坡到东京往返，下个月出发，Agent 直接跑，结果回到同一个群。
技术上不复杂，就是 Telegram 长轮询。识别到 /查 前缀，把后面的文本直接传给 run_agent()，LLM 自己理解查询内容，不需要手动解析指令格式。
有意思的是：最初 main.py 里有一个硬编码的 DEFAULT_REQUEST，固定查新加坡到珀斯。加了 bot 之后这个设计就不合适了——接口既然开放了，就应该接受任意输入。改完之后两个入口共用同一个 run_agent(request) 函数，cron 传固定请求，bot 传用户输入，架构没动。
写完之后再看 OpenClaw
自己写过一遍之后，再看 OpenClaw，会发现其实覆盖了同样的组件：
| OpenClaw | 我的版本 |
|---|---|
| Brain（ReAct 循环） | agent.py 的 while 循环 |
| Skills（工具系统） | tools.py |
| Gateway（多渠道消息路由） | bot.py |
| Heartbeat（定时任务） | cron |
| Memory（持久化上下文） | price_history.json |
核心循环是一样的——LLM 决定调哪个工具 → 执行 → 结果喂回去 → 继续。OpenClaw 开源，代码都在那里，不是看不见，只是用的时候不需要感知。
但这个对比只在原理层面成立。OpenClaw 解决了大量我完全没碰到的工程问题：多用户并发、权限隔离、skill 沙箱执行、跨平台渠道接入、错误恢复……我的版本是单人使用、单一场景，把所有复杂度都省掉了。
不过正因为自己写过一遍，知道循环里每个位置在做什么，"这个 skill 在循环的哪个位置介入，它拿到了什么上下文"。这算是这次折腾最实在的收获。
代码在这里，有 .env.example，照着配就能跑：github.com/jeremyhxx/a…
下一篇打算用 Claude Cowork 做同一件事，完全不写代码，看看体验有什么不一样。
