type
Post
status
Published
date
Jan 21, 2026
slug
summary
这是一个极简版的 Claude Code 替代方案
tags
agent
nanocode
category
技术分享
icon
password
😀 前言
这是一个极简版的 Claude Code 替代方案。
核心特点：单 Python 文件实现、零第三方依赖、代码量约 250 行。
它完美展示了 LLM Agent 的核心工作流：思考 -> 调用工具 -> 获取结果 -> 最终反馈。
1. 核心原理：工具定义 (Tools)
为了让 AI 具备操作文件系统和执行命令的能力，我们定义了
read, write, edit, glob, grep, bash 这六个基础工具。AI 模型（如 Claude 3.5 Sonnet / Opus）通过识别这些工具的定义，来决定何时以及如何调用它们。
2. 交互逻辑拆解 (The Agent Loop)
Nano Code 的核心是一个由
messages 列表驱动的状态机。我记录了一次包含三个连续任务的完整交互日志，以此来展示 Nano Code、工具（Tool）与大模型（Model）之间的协作流程。第一回合：环境侦察
用户 (User):
what files are here?模型 (Assistant):
模型判断需要查看目录，于是发起工具调用请求。
工具 (Tool Result):
本地 Python 脚本执行
ls -la 并返回结果。模型 (Assistant):
收到文件列表后，模型生成了人类可读的总结。
> “Here are the files in the current directory: … This appears to be a Python project called ‘nanocode’.”
第二回合：精确查询
用户 (User):
how many lines does nanocode.py have?模型 (Assistant):
模型选择使用
bash 工具运行 wc -l 命令（它也可以选择用 read 读取文件，但 wc -l 更高效，体现了模型的智能）。工具 (Tool Result):
返回
276 nanocode.py。模型 (Assistant):
> “
nanocode.py has 276 lines.” 第三回合：代码生成与测试 (Agentic Behavior)
这是最精彩的部分。用户只给了一个指令，模型自动完成了“编写”和“测试”两个步骤。
用户 (User):
写个脚本实现python冒泡排序步骤 1：编写代码
模型调用
write 工具创建文件。系统反馈：ok
步骤 2：自我修正/验证
模型并没有直接结束，而是决定运行一下刚才写的代码来确保它是工作的。
工具 (Tool Result):
返回程序的运行输出：
> 原数组: [64, 34, 25, 12, 22, 11, 90]
> 排序后: [11, 12, 22, 25, 34, 64, 90]
步骤 3：最终确认
模型看到输出正确，向用户汇报最终结果。
> “脚本已创建并测试通过！冒泡排序的时间复杂度为 O(n²)。”
总结
这个简单的
messages 列表记录了 AI 从“被动问答”进化到“主动行动”的过程。通过标准化的 Input/Output 接口，哪怕只有 250 行代码，也能构建出强大的 AI 编程助手。💡 有问题？ 欢迎在底部评论区留言，一起交流 Agent 开发心得~