Как работает Claude Code: создаём мини-агент

Towards AI рассказывает, что Claude Code, кодирующий агент, производит впечатление магии, когда вы вводите команду, и он сам пишет код, запускает тесты и исправляет ошибки. Однако за этим стоит простая идея, обёрнутая в тщательную инженерную работу. В этой статье мы начнём с основ и создадим работающего кодирующего агента, который можно запустить на своём компьютере, используя всего один файл Python и без установки дополнительных библиотек. Большая языковая модель (LLM), такая как Claude, Gemini или GPT, выполняет одну задачу: предсказывает следующий фрагмент текста, основываясь на огромном объёме написанного. Модели не читают буквы или слова, они работают с токенами — частями текста, которые в среднем составляют около трёх четвёртых английского слова. Например, одно слово может быть одним или двумя токенами, а 1000 слов английского языка составляют примерно 1300 токенов. Контекстное окно — это объём текста, который модель может обработать за один раз. Всё, что необходимо для следующего ответа, должно поместиться в этом окне: инструкции, разговор, прочитанные файлы и вывод команд. Если что-то не попадает в это окно, модель не может это увидеть. Это важно, особенно в длинных разговорах, так как модели ничего не помнят между вызовами. Каждое обращение начинается с чистого листа. Чтобы взаимодействовать с моделью, необходимо отправить JSON-запрос через API. Каждый чат-бот, включая Claude Code, строится на таких вызовах. При этом формат запроса одинаков для различных поставщиков, что упрощает работу с ними. Однако есть различия между открытыми и закрытыми моделями: открытые модели можно скачать и запустить локально, в то время как закрытые доступны только через API их разработчиков. Разница между чат-ботом и агентом заключается в том, что агент может вызывать инструменты, описанные в JSON. Модель не может открывать файлы или выполнять команды; она только генерирует текст. Когда модель хочет использовать инструмент, она отвечает специальным сообщением, которое содержит название инструмента и его параметры. Ваш код выполняет реальную функцию и отправляет результат обратно модели. На основе этой идеи мы создадим агента, который будет использовать цикл, чтобы продолжать вызывать модель до тех пор, пока она не ответит без запроса на использование инструмента. Этот процесс часто называют ReAct (reason, act, observe, repeat). Важным моментом является то, что ошибки воспринимаются как информация, а не как сбои. Мы создадим агента, который будет представлять собой один файл и использовать Python 3.10 или новее. Сначала мы определим поставщика, который будет использоваться для API, а затем создадим инструменты и рабочее пространство, в котором агент будет работать. Каждый путь, который модель указывает, будет проверяться, чтобы избежать доступа к недоступным файлам. В конечном итоге, мы создадим систему, в которой модель будет запрашивать действия, а код будет решать, что делать дальше. Это обеспечит безопасность и гибкость работы агента, позволяя ему адаптироваться к различным ситуациям и ошибкам. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.