看懂AIAgent:大模型如何长出＂手脚＂,一步步做成简化版 Claude Code
2025 年 3 月，通用智能体 Manus 一经发布便刷屏全网，邀请码一码难求；Cursor 母公司 Anysphere 的年度经常性收入（ARR）在两年多时间里一路狂飙，成为史上增长最快的软件公司之一；Anthropic 推出的终端编程 Agent「Claude Code」更是被无数开发者奉为新一代生产力工具。
这些现象背后，指向同一个词——Agent。可当大家都在谈论它时，一个基础问题反而被忽略了：Agent 到底是什么？它是怎么跑起来的？
这篇文章，我想用最朴素的方式，把这两件事讲清楚。
一、大模型的"天花板"：能说会道，却动不了手
要理解 Agent，得先理解大模型的一个根本局限。
GPT-4o、DeepSeek 这些大模型，回答问题很厉害，逻辑也很强，但它们有一个共同的天花板：既无法感知外界，也无法改变外界。
什么意思？举个例子。你想让 GPT-4o 写一个贪吃蛇游戏，它能给你代码。但"把代码写进文件"这一步，还得你自己动手。再比如，你手上已经有了一段贪吃蛇代码，想让模型基于它来改写、加功能——你必须主动把代码复制给它，因为它自己查不到你电脑里有什么。
能说，但不能做；能答，但不能看。这就是大模型的局限。
二、给大模型装上"感官和四肢"
破局的方法并不神秘：给它接上工具。
读写文件的工具、查看文件列表的工具、运行终端命令的工具……这些工具，就像大模型的感官和四肢。有了它们，大模型就能自己查文件、自己写代码、自己跑程序，全程不用你插手。
把一个大模型和一堆工具组装起来，变成一个能感知、能改变外部环境的智能程序，这就是Agent。
所以我们常看到，Agent 的图标是个机器人，而大模型的图标是个大脑——一个只有脑子，一个多了手脚，能独立干活了。
Agent 的类型也很多：Cursor 是编程 Agent，你提交任务，它调用模型和工具一路把代码写完，你只需点个"确定"；Manus 是通用 Agent，让它"比较几款手机的性能"，它自己生成执行计划、搜索网页、最后整理成一份报告页面交给你。
三、ReAct：Agent 最主流的运行方式
Agent 的"脑子"是怎么指挥"手脚"的？这里要引入一个关键概念：ReAct。
ReAct 是Reasoning and Acting（思考与行动）的缩写，出自 2022 年 10 月 Google Research 与普林斯顿团队的一篇论文。它可能是目前应用最广泛的 Agent 运行模式。
它的流程像一首四拍循环：
- 思考（Thought）：拿到任务，先想想要做什么；
- 行动（Action）：决定调用某个工具（读文件、写文件……）；
- 观察（Observation）：看看工具返回了什么结果；
- 回到思考，直到觉得信息够了，才输出最终答案（Final Answer）。
记住这四个词——Thought、Action、Observation、Final Answer，它们是理解一切 Agent 的钥匙。
四、藏在系统提示词里的秘密
很多人以为，模型"先思考再行动"是训练出来的。其实不然，真正的奥秘在系统提示词（System Prompt）里。
系统提示词是和用户问题一起发给模型的指令，规定了模型的角色、规则和环境信息。想让它按 ReAct 模式跑，系统提示词要更复杂，通常包含五个部分：职责描述、示例、可用工具、注意事项、环境信息。
其中"职责描述"会明确告诉模型：把任务拆成步骤，每一步先用 Thought 思考，再用 Action 调工具，结果经 Observation 返回，反复循环，直到能给出 Final Answer。
用 DeepSeek 演示一下就很直观。把"写一个贪吃蛇游戏（HTML/CSS/JS 分开文件）"这个任务连同系统提示词一起发过去，你会看到它一步步：先 Thought 想一下，再 Action 请求写入 index.html，返回"写入成功"后，继续写 CSS、写 JS，三个文件写完，吐出 Final Answer。
这里有个容易被误解的细节：大模型只能"请求"调用工具，真正执行工具的是 Agent 的工具调用组件。所以那句"写入成功"，不是模型自己写的，是背后真实的 write_to_file 函数跑出来的。
五、手把手复刻一个简化版 Claude Code
理解了原理，动手就不难。在系统提示词的基础上，加上配套代码，就能搭出一个真正可用的 ReAct Agent。
一个最小实现的核心，是一个叫 ReactAgent 的类和一个 run 函数：
- 构造时传入三样东西：工具列表、模型（GPT-4o）、项目目录；
- run函数内部构建消息列表（系统提示词 + 用户任务），然后进入一个 while 循环；
- 循环里做四件事：请求模型 → 提取 Thought → 判断是否 Final Answer → 提取 Action 并执行工具；
- 工具的执行结果作为 Observation 塞回消息列表，再喂给模型，如此往复。
演示里，这个 Agent 被命令 uv run agent.py snake 启动，任务是在 snake 目录里写出一个贪吃蛇游戏。三轮循环下来，index.html、CSS、JS 三个文件真实写入，打开网页，游戏能玩、能得分。
一个几十行代码的 Agent，就做出了一个"简化版 Claude Code"的样子。
六、另一种思路：Plan-and-Execute
ReAct 不是唯一的答案。很多 Agent 用的是先规划、再执行的思路——比如 Manus 一开始会列一个待办清单，后面就按清单走；Claude Code 也常见"先建 todo 再执行"。
这种模式没有统一名字，其中最有名的实践是LangChain 提出的 Plan-and-Execute。
它把流程拆成几个角色：
- Plan 模型：负责出执行计划；
- RePlan 模型：根据每步结果动态调整计划；
- 执行 Agent：负责执行计划里的每一步（内部还可以再套一个 Agent，也就是"Agent 套 Agent"）；
- 主程序：串联全场。
举个"今年澳网男子冠军的家乡是哪里"的例子：Plan 模型先规划出三步——查当前日期、查冠军名字、查家乡；执行 Agent 执行第一步后，RePlan 模型发现日期已经确定，就把"查冠军名字"精确成"查 2025 年冠军名字"。三轮之后，所有步骤完成，RePlan 模型不再输出新计划，而是直接给出最终答案。
你看，Plan-and-Execute 的精髓，就是把"规划"本身也变成了一个可以不断修正的动态过程。
七、展望：Agent 正在成为新的入口
站在 2026 年回看，Agent 的演进方向已经越来越清晰。
从单智能体的 ReAct，到多智能体协作，再到 Manus 这样"规划—执行"分离的通用 Agent，业界正在把 Agent 从"工具"推向"入口"。当编程、搜索、办公都能被 Agent 代劳时，人机交互的方式也在悄然改变——你不再需要自己一步步操作软件，只需要描述目标，剩下的交给 Agent。
当然，热闹归热闹，理解底层原理永远不亏。因为无论形态怎么变，那句"Thought → Action → Observation → Final Answer"的循环，才是 Agent 真正的心跳。
本文关键事实（ReAct 论文出处、Cursor、Manus 背景等）已通过联网搜索核实。