当前位置：首页 > news >正文

【从0到1构建一个ClaudeAgent】工具与执行-Agent循环

news 2026/7/3 2:39:28

while True: response = client.messages.create(messages=messages, tools=tools) if response.stop_reason != "tool_use": break for tool_call in response.content: result = execute_tool(tool_call.name, tool_call.input) messages.append(result)

这段代码人工翻译一下就是：

调模型（给指令）
执行工具（读写文件、跑命令）
回传结果（告诉模型干了啥）
继续迭代（直到任务干完）

就这？就这。剩下的全是围绕这个循环的各种优化和补丁。

用 Java 来写，核心循环大概是这样：

java

while (true) { MessageResponse response = client.messagesCreate(messages, tools); if (!"tool_use".equals(response.getStopReason())) { break; } for (ToolCall toolCall : response.getContent()) { ToolResult result = executeTool(toolCall.getName(), toolCall.getInput()); messages.add(result); } }

正是考虑到我们的读者多数是Java同学，因此我决定用Java来和大家一块学习下

渐进式学习路径

网站将这 12 个阶段（s01-s12）归纳为五个核心能力的进阶，看看一个成熟的 Agent 系统是如何一步步被做出来的：

S01 Agent 循环

最小可用的 Agent 内核仅仅需要：一个 while 循环 + 一个工具。

说白了就是Agent 最本质的“大脑-手脚”循环

Java实现代码

java

public class AgentLoop { // 模拟 Anthropic API 客户端 private static final String API_KEY = System.getenv("ANTHROPIC_API_KEY"); private static final String MODEL_ID = System.getenv("MODEL_ID"); private static final HttpClient client = HttpClient.newHttpClient(); // 核心循环 public static void agentLoop(List<Map<String, Object>> messages) { while (true) { // 1. 调用 LLM System.out.println(">>> 正在思考..."); Map<String, Object> response = callLLM(messages); // 2. 将助手回复加入历史 messages.add(response); // 3. 检查停止原因 // 注意：这里简化了逻辑，实际需解析 JSON 中的 stop_reason String stopReason = (String) response.get("stop_reason"); if (!"tool_use".equals(stopReason)) { return; // 任务完成，退出循环 } // 4. 执行工具 List<Map<String, Object>> toolResults = new ArrayList<>(); List<Map<String, Object>> content = (List<Map<String, Object>>) response.get("content"); for (Map<String, Object> block : content) { if ("tool_use".equals(block.get("type"))) { Map<String, Object> input = (Map<String, Object>) block.get("input"); String command = (String) input.get("command"); String toolId = (String) block.get("id"); System.out.println("\033[33m$ " + command + "\033[0m"); // 黄色输出命令 // 执行 Bash String output = runBash(command); System.out.println(output.length() > 200 ? output.substring(0, 200) + "..." : output); // 构造工具结果 Map<String, Object> result = new HashMap<>(); result.put("type", "tool_result"); result.put("tool_use_id", toolId); result.put("content", output); toolResults.add(result); } } // 5. 将工具结果作为用户输入再次加入历史 Map<String, Object> userTurn = new HashMap<>(); userTurn.put("role", "user"); userTurn.put("content", toolResults); messages.add(userTurn); } } // 模拟 LLM 调用 (实际需替换为 SDK 调用) private static Map<String, Object> callLLM(List<Map<String, Object>> messages) { // 这里是一个占位符，实际应发送 HTTP 请求给 Anthropic API // 返回结构需匹配 API 响应 return new HashMap<>(); } // 执行 Shell 命令 private static String runBash(String command) { // 安全检查 if (command.contains("rm -rf /") || command.contains("sudo")) { return "Error: Dangerous command blocked"; } try { ProcessBuilder pb = new ProcessBuilder("bash", "-c", command); pb.redirectErrorStream(true); Process p = pb.start(); // 读取输出 BufferedReader reader = new BufferedReader(new InputStreamReader(p.getInputStream())); StringBuilder output = new StringBuilder(); String line; while ((line = reader.readLine()) != null) { output.append(line).append("\n"); } // 等待完成 (带超时) if (!p.waitFor(120, TimeUnit.SECONDS)) { p.destroyForcibly(); return "Error: Timeout (120s)"; } String result = output.toString().trim(); return result.isEmpty() ? "(no output)" : result.substring(0, Math.min(result.length(), 50000)); } catch (IOException | InterruptedException e) { return "Error: " + e.getMessage(); } } public static void main(String[] args) { List<Map<String, Object>> history = new ArrayList<>(); Scanner scanner = new Scanner(System.in); System.out.println("Agent 已启动 (输入 'q' 退出)"); while (true) { System.out.print("\033[36ms01 >> \033[0m"); String query = scanner.nextLine(); if (query.trim().equalsIgnoreCase("q") || query.isEmpty()) { break; } Map<String, Object> userMsg = new HashMap<>(); userMsg.put("role", "user"); userMsg.put("content", query); history.add(userMsg); agentLoop(history); // 打印最终回复 System.out.println("Agent 执行完毕。"); } } }

这段代码包含了所有 AI Agent 的灵魂。

核心模式：ReAct 循环

代码中的while循环是 Agent 的心脏。它的逻辑是：

思考：问 LLM "该做什么？"
行动：如果 LLM 说要调工具（比如写代码、运行命令），代码就去执行这个工具
观察：把工具执行的结果（输出、报错）再次告诉 LLM。
循环：LLM 根据结果决定是继续干，还是说“搞定了”。

java

while (true) { // 1. 调用 LLM Map<String, Object> response = callLLM(messages); messages.add(response); // 2. 检查是否结束 String stopReason = (String) response.get("stop_reason"); if (!"tool_use".equals(stopReason)) { return; // 任务完成 } // 3. 执行工具 List<Map<String, Object>> toolResults = executeTools(response); // 4. 将结果返回给 LLM messages.add(createUserTurn(toolResults)); }

状态管理

messages列表。它不仅仅是聊天记录，它是 Agent 的短期记忆。

每次循环，我们都要把新的对话（无论是人的指令，还是工具的执行结果）append进去。
如果不把工具结果放回去，LLM 就不知道自己刚才执行的命令成功了没有，也就无法进行下一步。

工具定义的标准化

在代码的TOOLS变量里，我们会定义了工具长什么样（名字、参数）。

java

// 遍历响应中的工具调用块 for (Map<String, Object> block : content) { if ("tool_use".equals(block.get("type"))) { // 提取命令 Map<String, Object> input = (Map<String, Object>) block.get("input"); String command = (String) input.get("command"); String toolId = (String) block.get("id"); // 执行 Bash String output = runBash(command); // 构建工具结果 Map<String, Object> result = new HashMap<>(); result.put("type", "tool_result"); result.put("tool_use_id", toolId); result.put("content", output); toolResults.add(result); } }

关键点：LLM 不会真的“运行”代码，它只是输出一个符合这个格式的 JSON（比如{"name": "bash", "arguments": {"command": "ls"}}）。而代码才是负责解析这个 JSON 并真的去执行Runtime.exec()。

安全围栏

代码里的run_bash函数不仅仅是执行命令，它还充当了防火墙。

java

private static String runBash(String command) { // 安全检查 if (command.contains("rm -rf /") || command.contains("sudo")) { return "Error: Dangerous command blocked"; } // 带超时的命令执行 if (!p.waitFor(120, TimeUnit.SECONDS)) { p.destroyForcibly(); return "Error: Timeout (120s)"; } // 限制输出长度 return result.substring(0, Math.min(result.length(), 50000));

查看全文

http://www.gsyq.cn/news/1624609.html