周末程序猿

我用上帝视角做了一个自我演进的 Agent，随着进化的不断进化，思考了几个观点，AI 不是全能的，AI 代替不了人，但能代替闭环的行业。

最近在尝试从 0 写类似 Claude-Code 的工具，实现长任务运行，由于 Claude-Code，想着探究一下 Claude-Code 底层实现。

如果这篇文章放在两年前写，我大概率会把 Git Worktree 当成一个“高级 Git 小技巧”来介绍。 但到了今天，我更愿意直接下结论：只要你开始让多个 AI Agent 并行写代码...

最近在尝试实现一版简洁版本的 OpenClaw，实践了很多用 OpenClaw 直接实现代码生成的工程任务，发现不符合预期，最后经过多轮调试和思考方法论，总结了这篇文章的方法。

上一篇文章介绍了《从0开发大模型之实现Agent（Bash 到 SKILL）》，有些读者反馈文章太长了，所以这篇文章主要介绍 Agent Loop。 Agent Loop 是什么？ Agent Loo

从《learn-claude-code》受到启发，于是参考源代码写了这篇文章：如何实现从0开始构建Agent？

2025年过的很快，可能是AI发展太快了，每天都在AI各种新技术的冲击中度过，也充满焦虑和无奈的一年，不过还是需要总结一些这一年的目标完成情况和思考吧。

2025年以来，我们正站在人工智能应用演进的一个关键节点上，从预测式AI（分析模式、进行分类）到生成式AI（创造文本、代码、图像），我们如今正迈向第三个阶段：AI Agent。

因为项目的需要，之前研究了一段时间的RAG，于是本文总结 8 种 RAG 架构，对每种架构进行简要介绍，并用 langchain 实现其参考代码。