从零开始，跟着写一个产品级 Coding Agent从零开始，带你用代码一步步构建一个产品级 Coding Agent。

学 Agent 开发总是卡在理论？来，跟着这个开源项目从零写一个。

背景：学 Agent 的尴尬断层

最近在做一个事，想从零开始带大家写一个产品级的 Coding Agent。

起因是我发现，学 Agent 开发有一个很尴尬的断层——

看概念？ReAct、记忆机制、上下文工程……这些看完都懂了，但一到真实项目里就不知道怎么把它们组装成一个能跑的系统。

看开源项目？代码量太大，文件几百个，新手根本找不到入口在哪。

所以我换了个方式，做了一个实战连载项目：Zero2Agent。

市面上的 Agent 学习资源大多两极分化——要么只讲概念，要么直接丢一个庞大的开源仓库。Zero2Agent 想做的是中间那座桥。

常见问题	Zero2Agent 的做法
纯概念，看完不会动手	侧重工程实践：每一步都有真实代码和架构考量，从细节理解 Agent 的运作原理
项目太大，无从下手	小步迭代开发：像追剧一样跟着 Story 每周练一点，把庞大系统拆解为可执行的小目标
Demo 级别，不够真实	产品级标准：融入真实业务中的实战经验，深入产品级的实践细节

一句话总结：这是一门带你一起做的实践课程。

整个项目按 Epic → Story 的方式组织，目前规划了 5 个 Epic：

目前第一节已更新，目标很明确——实现最经典的 ReAct Loop。

传统的 AI 对话是一问一答的开环；而 Agent 的核心，是一个自主运行的闭环。

在第一课中，我们用最精简的代码，实现最经典的 ReAct（Reasoning and Acting）模式，让 AI 学会：

观察环境 → 思考决策 → 调用工具执行 → 观察结果 → 继续决策 → …… → 结束

如果一开始就把写文件、执行命令、安全审批全塞进来，你会面对太多变量，反而看不清 Agent 最核心的工作机制。

只做只读闭环，能让我们把注意力集中在三件事上：

我们精选了两个刚好互补的工具，搭建"先看目录 → 再读文件 → 继续决策"的工作流：

工具	作用
`list_directory`	获取文件树。没有它，Agent 只能盲猜路径
`read_file`	查看文件内容。没有它，Agent 看不到具体细节

Agent Loop —— Agent 不是魔法，它的本质是一个用代码写出的 while 循环。模型不再返回一次性回答，而是返回结构化的 stop_reason。只有当返回 end_turn 时循环才结束；如果是 tool_use，则触发宿主的工具执行逻辑，并进入下一轮。

调用 LLM → stop_reason 分支 → 执行工具并写回 → ↻

Tool Use —— 这是让 LLM 从"只能说"变成"能做事"的桥梁。我们使用强类型的 JSON Schema 来定义工具。模型通过标准的 tool_calls 吐出需要调用的函数名和参数，宿主执行后再通过 tool_result 将物理世界的观测注入回上下文中。

这正是 Claude Code / Codex / Cursor 等 Coding Agent 的基石。

无论是 Story 1 还是后续更复杂的架构，本系列都提供完整的代码仓库和实操指引。你可以根据自己的时间精力选择"食用"方式：

深度	时间	适合
浅度浏览	~20 分钟	阅读图文讲解和核心代码片段，快速补充认知
实践跟练	1~2 小时	Clone 仓库，切到对应 Tag，根据文档自己动手实现核心模块
深度学习	更多时间	阅读 Story 中的深度拓展内容，了解更多工程细节和产品实践

本系列的所有代码、技术文档、知识总结和每一步迭代的变更记录，都同步开源在 GitHub 上。

你可以拉取代码在本地跟练实践，也可以在 GitHub 上直接阅读。

👉 GitHub 仓库：alienzhou/zero2agent

实践课程正在持续迭代中。第一课已上线，从最经典的 ReAct Loop 开始。

欢迎 Star 仓库追更，有问题评论区聊 🙌