learn-claude-code: 這是什麼、解決了什麼問題以及為什麼它正受到關注

它解決了什麼問題

這個專案提供了一個全面的教育框架，用於為 AI agent 建立「harnesses」（框架/控制台）。它解決了關於「代理能力」（agency）是透過提示詞鏈結（prompt-chaining）或無程式碼工作流建構器產生的誤解，並主張代理能力是模型的屬性，而 harness 則是允許模型行動的運作環境（工具、知識與權限）。

運作方式

該專案結構化為一系列 20 個循序漸進的課程，這些課程建立在單一且恆定的「agent loop」之上。每堂課都會引入一種新的機制來增強 agent 的能力，而不會改變核心迴圈。這些機制包括：

• Tooling: 實作原子化且可組合的工具（例如：bash、file I/O）。
• Context Management: 實作上下文壓縮（context compaction）與記憶子系統，以處理長對話階段。
• Task Orchestration: 建立具有依賴圖（dependency graphs）與背景執行功能的任務系統。
• Collaboration: 透過非同步信箱（async mailboxes）與共享通訊協定來建立 agent 團隊。
• Governance: 建立權限邊界與審核工作流。
• Integration: 使用 Model Context Protocol (MCP) 來接入外部能力。

對象是誰

這是為「harness engineers」設計的——即那些想要超越簡單的提示詞工程（prompt engineering），並學習如何建立專業級基礎設施，以便在特定領域（特別是軟體工程）部署自主 AI agent 的開發者。

重點

• Progressive Curriculum: 一個從簡單的 bash 啟用迴圈到全面的 agent harness 的 20 步路徑。
• Harness-Centric Philosophy: 專注於運作環境（「車輛」）而非試圖將智慧工程化到模型（「駕駛者」）中。
• Concrete Implementations: 包含每堂課可執行的 code.py 檔案與敘述性的 READMEs。
• Architectural Patterns: 教導子 agent 隔離、按需技能載入（on-demand skill loading）以及 worktree 隔離的模式。