零基础复现Claude Code（八）：反思与展望——我们得到了什么，还缺什么？

Yunzenn
0 阅读14分钟

零基础复现Claude Code（八）：反思与展望——我们得到了什么，还缺什么？

开篇：诚实的对照

第7篇的成就：我们给Agent装上了"搜索能力"——它能在整个项目中找到相关代码，不再需要你明确指定文件。

恭喜！你从零开始，用8篇文章、约300行Python代码，复现了Claude Code的核心骨架。

但在庆祝之前，让我们诚实地看看：我们做到了什么？还缺什么？

💡 回到"实习生"比喻：经过8篇文章的训练，我们的实习生现在能：

  • 理解你的指令（System Prompt）
  • 自主思考和行动（ReAct循环）
  • 读写文件、执行命令、搜索代码（工具箱）

但他还是个"新手实习生"，和"资深工程师"（真实Claude Code）相比，差距在哪？

这一篇，我们要做一次诚实的技术复盘。

本节目标

读完这篇文章，你将：

  • 清楚地知道你学到了什么：不是模糊的"理解了Agent"，而是具体的能力清单
  • 诚实地认识差距：我们的Mini版和真实Claude Code的具体差异
  • 获得下一步学习路线：如果想继续深入，应该学什么、看什么代码
  • 理解技术复现的价值：不是做出完美产品，而是拆解黑盒

成果回顾：你真正做到了什么

对照第一篇的架构图

还记得第一篇的三层架构吗？让我们逐项打勾：

✅ 用户输入层
   - 命令行入口（python agent.py "任务"）
   
✅ Agent大脑层
   - LLM API调用（LLMClient）
   - System Prompt设计
   - ReAct循环（Think→Act→Observe）
   - 对话历史管理（滑动窗口）
   
✅ 工具手脚层
   - read_file：读取文件
   - write_file：写入文件（带备份）
   - run_cmd：执行命令（黑名单+白名单）
   - search_code：搜索代码（关键词匹配）
   
✅ 操作系统层
   - 真实的文件系统操作
   - 真实的Shell命令执行

你的Mini版能做什么？

让我们用具体的任务来衡量：

✅ 能做到的任务：

  1. 简单Bug修复

    任务：修复calculator.py中的加法Bug
Agent：搜索→读取→修改→测试→完成
成功率：约70%（如果Bug明显）

  2. 创建简单文件

    任务：写一个hello.py输出Hello World
Agent：创建→运行→验证→完成
成功率：约90%

  3. 代码搜索

    任务：找到所有用到requests库的地方
Agent：搜索→列出文件和行号→完成
成功率：约80%

❌ 做不到的任务：

  1. 复杂重构

    任务：把这个类改成异步的
原因：需要理解代码结构、依赖关系，我们的Agent只会字面匹配

  2. 多文件协同修改

    任务：重命名一个被10个文件引用的函数
原因：没有代码图谱，找不全所有引用

  3. 需要上下文理解的任务

    任务：优化这个函数的性能
原因：需要理解算法复杂度、数据流，我们的Agent只会表面修改

代码量统计

让我们统计一下我们写了多少代码：

llm_client.py:      ~30行   # LLM API封装
tools.py:           ~150行  # 4个工具 + 分发器
react_agent.py:     ~100行  # ReAct循环 + 解析
agent.py:           ~30行   # 命令行入口
─────────────────────────────
总计：              ~310行

对比：真实Claude Code（rust版本）约数万行代码。

我们用1%的代码量，实现了核心骨架。

诚实对比：我们的Mini版 vs 真实Claude Code

现在让我们做一次不留情面的对比。

维度1：工具数量与质量

工具类别我们的Mini版真实Claude Code差距分析
文件操作read_file, write_fileRead, Write, Edit, Glob, Grep真实版有Edit（diff模式），我们只能全文替换
命令执行run_cmd（白名单）Bash（沙箱模式）真实版有完整的沙箱隔离
代码搜索search_code（关键词）Grep（正则）+ LSP（语义）真实版支持正则、语义搜索
Git操作无完整的Git工具集我们完全没有Git支持
网络请求无WebFetch, WebSearch我们完全没有网络能力
总计4个工具20+个工具5倍差距

具体代码位置（GitHub: github.com/soongenwong…

  • 文件操作：crates/runtime/src/file_ops.rs
  • 命令执行：crates/runtime/src/bash.rs
  • 工具注册：crates/tools/src/lib.rs

维度2：上下文管理

维度我们的Mini版真实Claude Code差距分析
历史管理滑动窗口（保留最近10轮）智能压缩（compact_session）真实版用语义压缩，保留关键信息
Token估算无精确计数（estimate_session_tokens）我们不知道当前用了多少Token
长上下文不支持支持100K+ Token模型我们只能用8K窗口
上下文切片无智能切片（保留重要部分）真实版能识别哪些对话重要

具体代码位置：

  • 压缩逻辑：crates/runtime/src/compact.rs
  • Token计数：crates/runtime/src/usage.rs

关键差距示例：

# 我们的简陋版
if len(messages) > 22:
    messages = [messages[0], messages[1]] + messages[-20:]
# → 简单粗暴，可能丢失关键信息

# 真实版（伪代码）
if should_compact(messages, token_budget):
    messages = compact_session(messages, strategy="semantic")
# → 识别哪些对话包含关键决策，优先保留

维度3：可靠性与错误处理

维度我们的Mini版真实Claude Code差距分析
错误重试无自动重试（最多3次）我们一次失败就放弃
自我纠错无检测到错误后自动调整我们不会从错误中学习
工具失败处理返回错误信息分析错误原因，尝试替代方案我们只是把错误告诉模型
循环检测无检测重复Action，主动打破我们可能陷入死循环
超时处理命令级超时（30秒）任务级超时 + 优雅降级真实版能部分完成任务

具体代码位置：

  • 错误处理：crates/runtime/src/conversation.rs 的错误恢复逻辑
  • 循环检测：状态机中的重复检测

关键差距示例：

# 我们的简陋版
observation = execute_tool(action)
# → 工具失败了，就把错误信息返回给模型，模型可能不知道怎么办

# 真实版（伪代码）
for attempt in range(3):
    result = execute_tool(action)
    if result.success:
        break
    if result.error_type == "FileNotFound":
        # 尝试搜索文件
        alternative = search_similar_files(action.file_path)
        if alternative:
            action.file_path = alternative
            continue
# → 主动尝试修复错误

维度4：代码理解能力

维度我们的Mini版真实Claude Code差距分析
代码搜索关键词匹配语义搜索 + 代码图谱我们只能找字面匹配
符号跳转无LSP支持（跳转到定义）我们不知道函数在哪定义
引用查找无完整的引用图谱我们不知道谁调用了这个函数
类型推断无基于LSP的类型信息我们不知道变量类型
AST解析无tree-sitter解析我们不理解代码结构

具体代码位置：

  • LSP集成：crates/lsp/src/manager.rs
  • 代码图谱：通过LSP获取符号信息

关键差距示例：

用户：重命名函数 calculate_total

我们的Mini版：
→ 搜索"calculate_total"关键词
→ 找到10处匹配
→ 但不知道哪些是定义、哪些是调用、哪些是注释

真实Claude Code：
→ 用LSP找到函数定义
→ 用LSP找到所有引用
→ 区分定义、调用、类型注解、注释
→ 精确重命名，不误伤

维度5：性能与效率

维度我们的Mini版真实Claude Code差距分析
代码搜索速度O(n)遍历所有文件ripgrep（多线程）真实版快10-100倍
并发执行无工具可并行执行我们串行执行所有工具
缓存无文件内容缓存、索引缓存我们每次都重新读取
流式输出无逐Token流式返回我们要等模型全部生成完

具体代码位置：

  • 搜索优化：crates/runtime/src/file_ops.rs 使用ripgrep
  • 并发执行：crates/runtime/src/conversation.rs 的异步执行

我们没有实现的关键功能

让我们诚实地列出我们完全没有涉及的功能：

1. MCP（Model Context Protocol）

是什么：Anthropic推出的标准协议，让Agent能接入任意外部工具。

为什么重要：

  • 不需要手写工具代码，直接接入现成的MCP服务器
  • 社区有大量MCP工具（数据库、API、文件系统等）

真实代码位置：

  • MCP客户端：crates/runtime/src/mcp_client.rs
  • MCP配置：crates/runtime/src/config.rs 的 McpServerConfig

学习资源：

2. 权限系统

是什么：细粒度的权限控制，用户可以批准/拒绝每个工具调用。

为什么重要：

  • 安全：防止Agent执行危险操作
  • 可控：用户能审查每一步

真实代码位置：

  • 权限系统：crates/runtime/src/permissions.rs
  • 权限提示：PermissionPrompter trait

我们的差距：

  • 我们只有黑名单/白名单，没有运行时权限控制
  • 用户无法在Agent运行时批准/拒绝操作

3. 会话持久化

是什么：保存对话历史到磁盘，下次启动时恢复。

为什么重要：

  • 长期记忆：Agent能记住之前的对话
  • 断点续传：Agent崩溃后能恢复

真实代码位置：

  • 会话管理：crates/runtime/src/session.rs
  • 消息序列化：ConversationMessage 的序列化逻辑

我们的差距：

  • 我们的Agent每次启动都是"失忆"的
  • 无法跨会话保持上下文

4. 多模态能力

是什么：处理图片、PDF等非文本输入。

为什么重要：

  • 看截图：用户可以发送UI截图，Agent能看懂
  • 读文档：Agent能读取PDF、图片中的文字

真实代码位置：

  • 图片处理：crates/runtime/src/file_ops.rs 的 read_file 支持图片
  • PDF处理：支持读取PDF的特定页

我们的差距：

  • 我们只能处理纯文本
  • 无法理解图片、PDF

5. 评估与监控

是什么：量化Agent的能力，监控成功率、Token消耗等。

为什么重要：

  • 知道Agent哪里强、哪里弱
  • 优化System Prompt和工具设计

真实代码位置：

  • Token统计：crates/runtime/src/usage.rs
  • 性能监控：UsageTracker 结构体

我们的差距：

  • 我们不知道Agent的成功率
  • 不知道每个任务消耗了多少Token
  • 无法量化改进效果

与参考代码的最终对照：验证你的学习成果

现在，让我们做一个终极验证——打开真实的Claude Code仓库，检查你是否能找到对应的模块。

请打开参考代码，对照下表检查你是否能找到对应模块：

你实现的模块参考代码位置验证问题
LLMClient.chat()crates/api/src/client.rs你能找到send_message()方法吗？它如何处理流式响应？
ReAct循环crates/runtime/src/conversation.rs你能找到run_turn()方法吗？它的状态机有哪些状态？
read_file()crates/runtime/src/file_ops.rs你能找到read_file()函数吗？它如何处理二进制文件？
write_file()crates/runtime/src/file_ops.rs你能找到write_file()函数吗？它的diff模式是怎么实现的？
run_cmd()crates/runtime/src/bash.rs你能找到execute_bash()函数吗？沙箱模式在哪里？
工具注册crates/tools/src/lib.rs你能找到ToolRegistry结构体吗？工具是如何注册的？
上下文压缩crates/runtime/src/compact.rs你能找到compact_session()函数吗？压缩策略是什么？
权限系统crates/runtime/src/permissions.rs你能找到PermissionPrompter trait吗？权限如何检查？

如果你能找到以上8个模块，恭喜你——你已经具备了阅读工业级Agent代码的能力。

下一步建议：

  1. 选一个模块（如read_file），对比你的实现和真实版本
  2. 找出3个关键差异（如错误处理、性能优化、边界情况）
  3. 思考：为什么真实版本要这样设计？
  4. 尝试把一个真实版本的特性移植到你的Mini版

这就是从"教学原型"到"理解工业实现"的桥梁。

延伸学习地图：下一步学什么？

如果你想继续深入，这里是一份具体的学习路线。

路线1：深入理解真实Claude Code

目标：看懂工业级实现的每个模块。

学习步骤：

  1. 克隆仓库

    git clone https://github.com/soongenwong/claudecode
cd claudecode/rust

  2. 从入口开始读

    • 文件：crates/claw-cli/src/main.rs
    • 关注：命令行参数解析、Agent初始化

  3. 理解核心循环

    • 文件：crates/runtime/src/conversation.rs
    • 关注：ConversationRuntime::run_turn() 方法
    • 对比：我们的ReActAgent.run()

  4. 学习工具系统

    • 文件：crates/tools/src/lib.rs
    • 关注：ToolRegistry、ToolExecutor trait
    • 对比：我们的execute_tool()

  5. 研究上下文压缩

    • 文件：crates/runtime/src/compact.rs
    • 关注：compact_session() 的压缩策略
    • 对比：我们的滑动窗口

预计时间：2-3周（每天1-2小时）

路线2：学习Agent框架

目标：不想手写循环时，用现成框架。

推荐框架：

  1. LangGraph（推荐）

  2. LangChain

    • 官网：python.langchain.com/
    • 特点：丰富的工具生态，快速原型
    • 适合：快速搭建Agent原型

  3. AutoGPT

学习建议：

  • 先用我们的Mini版理解原理
  • 再用框架快速实现复杂功能
  • 对比框架和我们的实现，理解框架的价值

路线3：学习代码索引技术

目标：让Agent真正"理解"代码。

关键技术：

  1. tree-sitter

  2. Language Server Protocol（LSP）

  3. 代码向量化

    • 模型：CodeBERT、GraphCodeBERT
    • 作用：语义搜索代码
    • 学习：用Sentence Transformers实现代码搜索

学习路径：

  1. 先学tree-sitter，理解AST
  2. 再学LSP，理解符号信息
  3. 最后学向量化，理解语义搜索

路线4：学习Agent评估

目标：量化Agent的能力。

评估维度：

  1. 任务成功率

    • 准备测试集（如SWE-bench）
    • 运行Agent，统计成功/失败
    • 分析失败原因

  2. Token效率

    • 统计每个任务的Token消耗
    • 对比不同System Prompt的效率
    • 优化上下文管理策略

  3. 工具使用效率

    • 统计每个工具的调用次数
    • 分析哪些工具最常用
    • 优化工具设计

推荐资源：

  • SWE-bench：www.swebench.com/
  • Agent评估论文：搜索"Agent Evaluation Benchmark"

技术复现的真正价值

最后，让我们回到最初的问题：为什么要复现Claude Code？

不是为了做出完美产品

如果你的目标是"做一个能用的Agent"，直接用Claude Code或LangChain就好了。

我们花8篇文章、写300行代码，不是为了做出一个"更好的Claude Code"。

而是为了拆解黑盒

技术复现的价值在于：

  1. 理解原理

    • 看到ReAct循环的每一步
    • 理解工具调用的完整闭环
    • 知道上下文管理的权衡

  2. 建立直觉

    • 知道Agent为什么会"卡住"
    • 知道什么任务Agent能做、什么做不了
    • 知道如何设计System Prompt

  3. 获得改造能力

    • 能给Agent加新工具
    • 能调整循环逻辑
    • 能优化上下文策略

  4. 看懂工业级代码

    • 读真实Claude Code时，能对应到我们的实现
    • 理解为什么真实版要那样设计
    • 知道哪些是核心、哪些是优化

类比：学开车 vs 学修车

  • 用Claude Code = 学开车：你会用，但不知道引擎怎么工作
  • 复现Claude Code = 学修车：你拆开引擎，看到每个零件

学修车不是为了造一辆更好的车，而是为了：

  • 车坏了，你知道怎么修
  • 想改装，你知道改哪里
  • 看到新车，你能看懂设计

结尾寄语：你已经不一样了

8篇文章前，你可能觉得Claude Code是"魔法"。

8篇文章后，你知道它是：

  • LLM（大脑）
    • System Prompt（职业说明书）
    • ReAct循环（思考-行动-观察）
    • 工具集（读写文件、执行命令、搜索代码）
    • 上下文管理（滑动窗口）

你现在能做什么？

  • ✅ 看懂Agent的工作原理
  • ✅ 设计自己的Agent工具
  • ✅ 优化System Prompt
  • ✅ 调试Agent的行为
  • ✅ 读懂工业级Agent代码

你还不能做什么？

  • ❌ 做出生产级Agent（需要更多工程化）
  • ❌ 处理复杂任务（需要更强的代码理解）
  • ❌ 达到Claude Code的可靠性（需要错误恢复机制）

但这就够了。

因为你已经拆解了黑盒，看清了齿轮。

接下来，你可以：

  • 用LangChain快速搭建Agent原型
  • 给你的Agent加新工具
  • 读懂Claude Code的源码
  • 设计自己的Agent系统

技术的本质不是魔法，而是可以理解、可以复现、可以创造的工程方案。

希望这8篇文章，让你从"用户"变成了"创造者"。

系列完结

感谢你读完这8篇文章。如果你有任何问题或反馈，欢迎在GitHub仓库提Issue：

  • 教学代码仓库：（你可以创建一个仓库，放上这8篇文章的代码）
  • rust版本Claude Code：github.com/soongenwong…

下一步推荐：

  1. 把我们的Mini版跑起来，做几个真实任务
  2. 读真实Claude Code的源码，对比我们的实现
  3. 选一个方向深入（MCP、LSP、评估）
  4. 分享你的学习心得

再次恭喜你完成了这个旅程！ 🎉

avatar
文章
阅读
粉丝