从 0 到 1 手搓一个 Claude Code：核心机制、版本演进与 Skill 实战拆解

2026 年 1 月 24 日，ShareAI Lab 创始人、开源项目 Kode Agent 开发者来新璐在 WaytoAGI 社区「晚八点共学」直播中，完整拆解了 Claude Code 的内部机制与设计思路，并演示了如何用最少 6 行代码实现一个可运行的 Agent CLI。这场分享适合想深入理解 Agent 工作原理的开发者、希望将 Agent 能力落地到业务场景的产品经理，以及所有对 AI 编程工具背后逻辑感到好奇的学习者。

从问答模型到 Agent 模型：范式切换的关键

▶ 51:12 · 看这一节

来新璐认为，理解 Claude Code 的第一步是破除「Agent 软件实现一定很复杂」的迷信。她指出，从 Claude 3.5 模型开始，AI 已经完成了从 QA 模型到 Agent 模型的范式切换。

「以前的模型都是被拿来训练于回答问题的……但现在不一样了，它已经不 care 你这个用户回答什么问题，它只 care 我能不能把这件事情给干好。」她将这种转变类比为厨师角色的变化：Agent 模型本身已经知道如何「做菜」，开发者需要做的只是提供「刀、筷子、菜品、锅炉」等工具和环境。

基于这一理解，一个最小化的 Claude Code 核心逻辑极其简单：模型基于完整的历史对话做出一个 action，如果 action 中包含工具调用就执行工具并把结果返回给模型，如此循环，直到模型不再调用工具为止。来新璐展示了极限压缩后的 6 行代码实现，并强调「bash 是一个元工具，背后可以调用成千上万的 CLI 工具」，因此仅凭 bash 一个工具就能实现一个可用的 Claude Code。

从 V0 到 V4：五个版本的功能演进

▶ 22:01 · 看这一节

来新璐团队将手搓 Claude Code 的过程拆解为 5 个教学章节，每个章节对应一个功能版本，代码全部开源在 GitHub 的 learn-claude-code 仓库中，配有中英文文档和运行截图。

V0 版本只用 bash 工具，约 16 行代码即可实现基本功能。这个版本已经能递归调用自身完成任务——来新璐现场演示了让这个 16 行代码的程序「用子代理探索自己的代码库」，它真的启动了子进程来分析自身源码。

V1 版本将文件读取、写入、编辑从 bash 中单独抽象为独立工具。来新璐解释，这样做并非功能上的必需，而是为了「自定义工具内部的实现」——比如在编辑前审查文件内容、检测敏感信息，或是在每次编辑时自动创建副本存档，实现类似 Cursor 的历史版本回跳功能。

V2 版本引入 Todo 机制，通过一个任务管理器让 Agent 工作更有条理。但来新璐对这个工具持保留态度：「现在的模型已经很强了，这个 Todo 工具就是有跟没有其实是一样的。」她观察到，随着模型能力增强，Claude Code 已经很少频繁创建和更新 Todo 列表，这一机制的重要性正在降低。

V3 版本实现子代理机制，这是 Claude Code 区别于其他 coding agent 的重要特性。其原理是主进程 fork 出一个子进程，子进程拥有干净且完整的上下文窗口，带着主进程委托的任务独立工作，完成后将结果汇报给主进程。来新璐强调，子代理的核心价值在于解决「上下文污染」问题——「你塞给他的无关信息越多，模型的那个性能就会下降」，通过分而治之让主 Agent 保持头脑清爽。

V4 版本引入 Skill 概念。来新璐将 Skill 类比为 Lora 之于基座模型：「Skill 就是专家所独有的知识，减去基座模型自己内部已有的知识。」与训练 Lora 需要租卡、收集数据、炼丹不同，Skill 只需人工编写一个 Markdown 文档即可创建，实现了知识的「外化」。

Skill 的本质、约定与生态

▶ 37:19 · 看这一节

来新璐用一个生动的比喻解释 Skill 的价值：当模型遇到一个从未见过的软件时，如果用户在某处保存了该软件的使用说明或使用心得，模型读取后就能学会操作。她认为，Skill 相比传统提示词的优势在于可复制、可复用、可传播，并且「描述简洁，占用上下文少」。

为了让 Skill 的创建和使用标准化，社区形成了一些约定俗成的规范：Skill 文档统一存放在 .skills 文件夹中，每个 Markdown 文件开头用几行 YAML 描述技能的名称和适用场景。Agent 启动时只读取这些 YAML 信息放入上下文，遇到合适场景再按需读取完整内容。

来新璐还分享了她对 Skill 生态的观察与判断。她认为 2026 年的主题是封装 Skill 而非继续造工具：「工具已经造得太多了，Tab 上已经有几万个 MCP 了，其实大部分任务装了几万个 MCP 也没啥用。」但她同时预言，随着模型厂商从 API 调用中提取 Skill 知识并训练进下一代模型，「再过两年，今天市面上几万个 Skill 中的 99% 都会变得没有价值」——知识会经历外化再内化的动态循环。

模型差异、开源 SDK 与 Agent 时代展望

▶ 1:10:31 · 看这一节

针对「不同模型工具调用是否有差别」的提问，来新璐用厨师等级做类比：Claude 模型如同高级厨师，经验丰富、知道火候掌握；国产模型如 Kimi 则像低级厨师，「勉强能把事干完」。她透露，国产模型厂商可以通过 CC 代理站购买几百万条真实用户的工作轨迹数据来训练模型，「再怎么笨，SWE 分数也不会低于 70 分」，但与头部模型「花了几十个亿」投入真实场景强化学习相比仍有差距。

对于希望构建业务场景 Agent 的开发者，来新璐推荐了团队开源的 Kode Agent SDK。相比官方不开源的 Claude Agent SDK，其优势在于完全开源透明、支持 OpenAI、Gemini、Anthropic 三大主流协议，可接入 GLM、Kimi、DeepSeek 等多种模型，并提供基于 Redis 消息队列的微服务架构以支持大规模并发。

来新璐判断 2026 年将迎来 Agent 工作时代的大爆发：「你睁着眼闭着眼，你上楼下楼，你打开手机关上手机，你身边很多产品、很多系统都在运行各式各样的 agents。」她建议开发者掌握 Claude Code 的核心机制，「先明白内部机制和原理的人先抓住机会」，并预告了次日将进行 Kode Agent V2 版本的现场发布与实操演示。

现场问答

▶ 1:47:11 · 看这一节

问：最近很火的 remotion skill 使用体验如何？

答：有观众反馈该 skill 在本地运行比较吃显卡，需要先检查电脑依赖。有人用阶跃模型封装后成功运行，并魔改增加了字幕和配乐功能，适合财务讲解等特定场景，但视觉效果一般。

问：Kimi 的模型有什么优缺点？

答：来新璐认为 Kimi 在国产模型中价格偏贵，且其 coding 套餐限制只能给 Claude Code 调用。她分析国内模型厂商不像 Anthropic 那样需要通过补贴用户来标注数据，因此这类活动更多是冲业绩性质。

问：versatile skills 网站上的 skill 质量如何？

答：来新璐和主持人 AJ 都认为该网站收录的 skill 质量不错，尤其是一些 UI 设计规范类 skill 很有学习价值。来新璐还发现自己团队写的 skill 被收录其中，甚至被 Microsoft 官方收录，她表示「它拿去我们又不搞商业化，没事」。

要点回顾

• Claude Code 的核心机制是一个简单的循环：模型基于历史做出 action，有工具调用就执行并返回结果，直到模型不再调用工具。
• 仅用 bash 一个元工具，6 行代码即可实现最小化的 Claude Code；16 行代码的版本已经能递归调用自身完成任务。
• 从 V0 到 V4 的演进路径：bash 工具 → 文件读写编辑工具抽象 → Todo 任务管理 → 子代理机制 → Skill 知识外化。
• 子代理通过 fork 子进程实现，核心价值是解决上下文污染问题，让主 Agent 保持上下文清爽。
• Skill 是专家知识与基座模型知识的差值，通过编写 Markdown 文档即可创建，无需训练，可跨模型传播。
• Skill 的约定俗成：存放在 .skills 文件夹，每个文档开头用 YAML 描述名称和适用场景。
• 模型能力存在层级差异，国产模型可通过蒸馏头部模型数据快速追赶，但与真实场景强化学习训练的模型仍有差距。
• Kode Agent SDK 开源透明，支持多协议多模型，适合构建垂直业务场景的 Agent。