不到200行Python代碼，就能復刻一個「Claude Code」？

【CSDN 編者按】當 Claude Code、Devin 這些 AI 編程工具被神話成“下一代程序員”時，很多人以為背后是某種高不可攀的黑科技。但本文作者用不到 200 行 Python 代碼，親手拆解了一個最小可用的 Coding Agent，讓開發者可以直觀地看到：所謂“會讀代碼、會改項目”的智能體，本質只是一個圍繞 LLM 的工具調用循環。

原文鏈接：https://www.mihaileric.com/The-Emperor-Has-No-Clothes/

作者 | Mihail Eric 翻譯 | 鄭麗媛

出品 | CSDN（ID：CSDNnews）

現在的 AI 編程助手，用起來簡直像魔法。

你隨口用幾句不太通順的英語描述需求，它就能自動讀代碼、改項目、寫出能跑的功能模塊。Claude Code、Cursor、Devin，看起來都像是掌握了某種神秘黑科技。

但真相是：這些工具的核心，一點也不神秘——不到 200 行的 Python 代碼，就能復刻一個可用的 AI 編程 Agent。

下面，讓我們從零開始，親手實現一個「會改代碼的 LLM」。

先搞懂核心邏輯：Coding Agent 到底在干什么？

在寫代碼前，先搞清楚：你在用 Claude Code 時，后臺究竟發生了什么？

本質上，它就是大語言模型（LLM）+ 工具庫的對話循環，具體步驟只有五步：

（1）你發送指令（比如：“創建一個包含 hello world 函數的新文件”）

（2）LLM 分析指令后，判斷需要調用工具，并返回結構化的工具調用請求（可以是單次或多次調用）

（3）你的本地程序執行這個工具調用（比如真的創建文件）

（4）工具執行結果被回傳給 LLM

（5）LLM 結合結果繼續處理，直到完成任務

整個過程里，LLM 自始至終都沒有直接操作你的文件系統，它只負責下達指令，真正干活的是你寫的本地代碼。

核心三件套：實現 Agent 只需要 3 個工具

一個能用的代碼助手，底層只需要三個核心功能，再多的功能都只是錦上添花：

（1）讀取文件：讓 LLM 能查看你現有代碼的內容

（2）列出文件：幫 LLM 理清項目的目錄結構，實現 “導航”

（3）編輯文件：讓 LLM 能創建新文件、修改已有代碼

沒錯，就是這么簡單。像 Claude Code 這樣的商用產品，還會額外集成 grep 檢索、bash 命令執行、網頁搜索等功能，但對我們來說，這三個工具就足夠實現核心能力了。

第一步：搭建基礎框架

我們從最基礎的導入和 API 客戶端開始。我這里 用的是 Anthropic，但換成其他 LLM 供應商的 SDK 也完 全適用。

claude_client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])

為了讓終端輸出的內容更易區分，我們定義幾個顏色常量：

RESET_COLOR = "\u001b[0m"

再寫一個工具函數，用來解析并返回文件的絕對路徑，避免因相對路徑導致的找不到文件問題：

    return path

第二步：實現三大核心工具

注意：工具函數的文檔字符串（docstring）一定要寫清楚，LLM 會根據這些描述判斷該調用哪個工具、怎么傳參——這是讓 Agent 能正常工作的關鍵。

工具 1：讀取文件內容

功能最簡單的工具，傳入文件名，返回文件的完整內容。

    }

返回字典格式，是為了給 LLM 傳遞結構化的執行結果，方便它理解。

工具 2：列出目錄下的文件

幫 LLM 搞清楚項目結構，實現“導航”功能。

    }

這是三個工具里最復雜的一個，但邏輯依然清晰，它主要處理兩種場景：

• 當old_str參數為空時：創建新文件

• 當old_str參數不為空時：替換文件中第一次出現的old_str為new_str

    return {"path": str(full_path), "action": "edited"}

商用 IDE 的代碼助手會有更復雜的容錯邏輯，但這個極簡版本足以驗證核心原理。

第三步：注冊工具，讓 LLM 能找到它們

我們需要一個“工具注冊表”，把工具名稱和對應的函數綁定起來，方便后續調用。

}

第四步：給 LLM 寫 “使用說明書”

LLM 不會天生就知道怎么用我們的工具，我們需要通過系統提示詞，把工具的名稱、功能、參數格式告訴它。

我們先寫兩個輔助函數，從工具的函數簽名和文檔字符串里，自動生成工具說明：

    return SYSTEM_PROMPT.format(tool_list_repr=tool_str_repr)

然后定義核心的系統提示詞模板，這是整個 Agent 的 “靈魂”：你不是教 LLM 怎么寫代碼，而是教它怎么調用現實世界的工具。

"""

第五步：解析 LLM 的工具調用指令

當 LLM 返回內容后，我們需要判斷它是不是在請求調用工具。這個函數的作用就是從 LLM 的回復里，提取出工具名稱和對應的參數。

    return invocations

第六步：封裝 LLM 調用邏輯

    return response.content[0].text

第七步：組裝核心循環，讓 Agent 跑起來

這一步是把前面所有的模塊串起來，實現 Agent 的核心工作流，也是“魔法”發生的地方。

                })

這個主循環的邏輯可以拆解為兩層：

• 外層循環：獲取用戶輸入，添加至對話內容；

• 內層循環：調用大型語言模型，檢測工具調用需求；

  →若無需工具，輸出響應并終止內層循環；

  →若需工具，執行工具操作，將結果添加至對話內容，循環繼續。

內層循環持續進行，直至 LLM 響應時不再請求任何工具。這使 Agent 能夠串聯多個工具調用（例如：讀取文件→編輯文件→確認編輯）。

最后一步：啟動程序

加上主函數入口，運行我們的代碼助手：

    run_coding_agent_loop()

現在，你就可以進行這樣的對話了：

你：創建一個名為 hello.py 的新文件，并在其中實現"Hello World"功能

AI 助手調用 edit_file 函數，參數為 path="hello.py"，old_str=""，new_str="print('Hello World')"

AI 助手：完成！已創建包含 Hello World 實現的 hello.py 文件。

或者，還可以進行多步驟交互：

你：編輯 hello.py 并添加一個乘法函數

AI 助手調用 read_file 查看當前內容，再調用 edit_file 添加函數

AI 助手：已在 hello.py 中添加乘法函數

我們的極簡版 vs 商用版 Claude Code

我們的代碼只有200 行左右，但已經實現了代碼助手的核心邏輯。商用產品 Claude Code 之所以更強大，是因為它在這個基礎上做了這些優化：

（1）更完善的錯誤處理：比如文件權限不足、路徑不存在時的容錯邏輯

（2）流式輸出：讓回復內容實時顯示，提升用戶體驗

（3）智能上下文管理：比如自動摘要長文件，避免 Token 超限

（4）更豐富的工具集：比如執行 shell 命令、搜索代碼庫、調用外部 API

（5）安全校驗流程：比如修改重要文件前需要用戶確認，防止誤操作

但核心工作流完全一致：LLM 決策 → 本地工具執行 → 結果反饋 → 繼續決策。

所以，動手試試吧！完整源代碼我放在這里了：https://drive.google.com/file/d/1YtpKFVG13DHyQ2i3HOtwyVJOV90nWeL2/view?pli=1
這不到 200 行的代碼只是一個起點，你還可以對其輕松擴展：換成其他 LLM 供應商的 API，調整系統提示詞，并可作為練習添加更多工具。你會發現，看似高大上的 AI 代碼助手，底層原理其實一點都不神秘。