TheSyart/claude-agent-examples

它解决了什么问题

许多教程将 AI 代理视为黑盒，或者急于用重量级框架包装它们。本项目将代理拆解，并用纯 Python 逐步重建，让你真正理解每个部分的工作原理——主循环、记忆、工具、规划、子代理、团队协调、MCP 和 hooks。每个后续步骤都保留前一步的所有内容，并恰好添加一个新能力，使学习曲线平缓且明确。

它是如何工作的

教学路径从单个 API 调用（step01）开始，然后依次添加：无记忆的循环、聊天历史、系统提示、工具使用、技能、记忆系统、待办列表规划器、子代理、代理团队、MCP 服务器，以及拦截或审计代理行为的 hooks。每一步都作为独立的 Python 文件（在 build-agent-example/code/ 中）和匹配的解释文档（在 build-agent-example/doc/ 中）存在，文档使用统一结构：问题、解决方案、工作原理、变更、尝试。仓库还包括技能演示资源、记忆模板、本地 MCP 时间服务器、十个 HTML 讲座幻灯片（PPT），以及前七个 Bilibili 视频的带时间戳转录稿。

除了十二个代码步骤外，项目还通过讲座幻灯片解释了 Computer Use——带有观察-判断-执行-观察循环的浏览器和桌面控制；实际实现位于配套项目 TheSyart/emperor-agent 中，该项目将所有组件组织成一个更完整的本地代理，具有 Web UI、流式传输和遥测功能。

适合谁

这适合那些想要理解 AI 代理内部机制，而不是仅仅使用现成框架的开发者和学习者。如果你熟悉基础 Python，并想了解代理如何从单个模型调用构建到多代理协作，这门课程适合你。附带的 PPT 和转录稿也使其适用于自学、复习或录制自己的讲解。

亮点

• 严格累积的教学路径：step11 = step10 + MCP，step12 = step11 + Hooks。
• 每一步都保留一个易于阅读和运行的单文件 Python 脚本。
• 涵盖完整的代理生命周期：主循环、记忆、工具、技能、规划、子代理、团队协调、MCP 和 hooks。
• 包含演示记忆文件和技能定义（例如，memory/history.jsonl、memory/MEMORY.md、skills/red-braised-pork/SKILL.md），后续步骤会读取和写入这些文件。
• 提供 HTML 讲座幻灯片和带时间戳的视频转录稿，便于深入学习。
• 指向一个实用的后续项目（Emperor Agent），它将所有学到的部分组合成一个真实世界的本地代理。