知名 Go 大佬 Thorsten Ball 最近用 315 行代码构建了一个编程智能体，并表示「它运行得非常好」且「没有护城河」（指它并非难以复制）。
Thorsten Ball 在编程领域以其对系统编程和编程语言的深入研究而闻名，尤其擅长解释器、编译器和虚拟机等主题。他撰写的《用 Go 语言自制编译器》和《用 Go 语言自制解释器》则被视为编译原理领域的「入门平替」。
虽然这个编程智能体无法和 Claude、Gemini 等推出的编码功能相媲美，却为初学者提供了一个探索智能体的良好学习范例。这反映了他一贯的理念：通过实践和开源项目揭开技术的「神秘面纱」。
Thorsten Ball 在博客中分享了他的具体操作步骤。（注：本文中的代码截图可能并不完整，详细内容请参阅原博客。）
博客地址：https://ampcode.com/how-to-build-an-agent
乍看之下，智能体编辑文件、运行命令、自行解决错误似乎很复杂，但实际上只需一个大语言模型、一个循环和足够的 tokens。构建一个小型的智能体并不需要太多工作，少于 400 行代码即可实现，且大部分是样板代码。
接下来将展示如何从零开始逐步构建一个「game changer」，读者可以尝试亲自动手编写代码。
准备工作
首先准备好我们的「文具」：
- Go
- ANTHROPIC_API_KEY
铅笔出场！让我们直接开始，用四个简单的命令来设置一个新的 Go 项目：
现在，打开 main.go，作为第一步，将需要的东西的框架放入其中：
是的，这还没有编译。但是我们这里有一个 Agent，它可以访问 anthropic.Client（默认情况下，它会查找 ANTHROPIC_API_KEY），并且可以通过从终端上的 stdin 读取来获取用户消息。
现在让我们添加缺少的 Run() 方法：
这并不多，对吧？90 行代码，而其中最重要的就是 Run() 中的这个循环，它让我们能够与 Claude 对话，但这已经是这个程序的核心了。
对于一个核心来说，这个过程相当简单：我们首先打印一个提示，询问用户输入内容，将其添加到对话中，发送给 Claude，然后将 Claude 的回复添加到对话中，打印出回复，然后再循环进行。
你日常使用的 AI 聊天应用其实就是这样的，只不过这是在终端中实现的。
运行它：
然后你可以和 Claude 对话了，就像这样：
注意到我们在多个回合中保持了同一个对话吗？它记住了我们在第一条消息中的名字。每次回合对话都在增长，我们每次都发送整个对话。服务器——准确来说是 Anthropic 的服务器——是无状态的。它只看到 conversation 片段中的内容，维护这一点由我们来负责。
现在继续，因为输出结果很糟糕，这还不是一个智能体。什么是智能体？可以这样定义：一个具有访问工具能力的大语言模型（LLM），这些工具使其能够修改上下文窗口之外的内容。
添加工具
一个具有工具访问能力的大语言模型（LLM）是什么呢？
工具的定义是这样的：你向模型发送一个 prompt，告知它在想要使用「工具」时应以特定方式回复。然后，你接收消息后「使用工具」执行该指令，并返回结果。其他一切都是在这一基础上进行的抽象。
想象一下，你正在与朋友交谈，你告诉他们：「在接下来的交流中，如果你想让我举起手臂，就眨眼。」这种表达方式虽然有些奇怪，但概念非常容易理解。
我们已经能够在不改变任何代码的情况下尝试这种方法。
我们告诉 Claude，当它想知道天气时，就用 get_weather 来「眨眼」。接下来的步骤是举起我们的手臂，并回复「工具的结果」。
第一次尝试非常成功！
这些模型经过训练和微调，能够使用「工具」，并且非常注重利用这些工具。到 2025 年，它们在一定程度上「知道」自己不具备所有信息，因此可以借助工具获取更多信息。（虽然这不是完全准确的描述，但目前这个解释足够了。）
总结关于工具使用的关键点有：
- 你告诉模型有哪些工具是可用的。
- 当模型想要使用工具时，它会通知你，你执行工具并将响应发送回模型。
为简化步骤（1），大型模型提供商已经内置了 API，用于发送工具定义。
现在，让我们开始构建我们的第一个工具：read_file。
read_file 工具
为了定义 read_file 工具，我们将使用 Anthropic SDK 建议的类型，但请记住：在底层，这一切最终都会变成发送给模型的字符串。这一切都是「如果你希望我使用 read_file，就眨眼」。
我们要添加的每个工具都需要以下内容：
• 名称
• 描述，告诉模型这个工具的功能、何时使用、何时不使用、返回什么等等。
• 输入模式，描述为 JSON schema，说明该工具期望什么输入以及输入的形式。
• 一个实际执行工具的函数，使用模型发送给我们的输入并返回结果。
那么让我们把这些添加到我们的代码中。
现在我们给出 Agent 工具定义：
并将它们发送到 runInference 中的模型：
用户发送工具定义，Anthropic 在服务器上将这些定义包装在这个系统提示中（并不多），然后将其添加到对话中，如果模型想要使用该工具，它就会以特定的方式回复。
好的，所以工具定义正在发送，但我们还没有定义任何工具。让我们来定义 read_file 工具。
这并不多，是不是？这只是一个函数，ReadFile，以及模型将看到的两个描述：一个是描述工具本身的 Description（Read the contents of a given relative file path. ...），另一个是该工具拥有的单一输入参数的描述（The relative path of a ...）。
ReadFileInputSchema 和 GenerateSchema 之类的工作是做什么的？我们需要这些来为工具定义生成一个 JSON 模式（schema），然后发送给模型。为此，我们使用 jsonschema 包，需要进行导入和下载：
然后运行以下命令：
复制go mod tidy
然后，在 main 函数中，我们需要确保我们使用定义：
是时候尝试一下了！
哇哦，它想要使用这个工具！显然，你的输出可能会有些不同，但听起来 Claude 确实知道它可以读取文件，对吧？
问题是我们没能聆听！当 Claude 给出提示时，我们没有去注意这一点，我们需要解决这个问题。
通过一个简单、快捷且异常敏捷的动作，我们可以通过替换智能体的 Run 方法来实现：
可以说，这段过程 90% 是固定格式，只有 10% 是关键部分：当我们从 Claude 收到消息时，我们会检查 Claude 是否要求我们执行某个工具，通过查看内容的类型是否为「tool_use」来判断；如果是这样，我们就交给 executeTool 处理，在本地注册表中通过名称查找该工具，解析（unmarshal）输入，执行它，并返回结果。如果出现错误，我们会翻转一个布尔值。就是这样。
（是的，的确有一个循环套在另一个循环里，但这不重要。）
我们执行工具，将结果发回给 Claude，然后再次请求 Claude 的响应，就是这么简单。
复制echo 'what animal is the most disagreeable because it always says neigh?' >> secret-file.txt
这会在我们的目录中生成一个名为 secret-file.txt 的文件，里面包含一个神秘的谜题。
就在同一个目录中，我们运行新的工具使用智能体，要求它查看该文件：
你只需要给它一个工具，它就会在认为有助于解决任务时使用它。我们没有说「当用户询问文件时，阅读文件」，也没有说「如果某个东西看起来像是文件名，找出如何读取它」。我们说的是「帮我解决这个文件里的问题」，Claude 就意识到它可以读取文件来回答这个问题，然后就去做了。
当然，我们可以加以具体引导并鼓励使用某个工具，但它基本上可以自主完成这些任务：
作者接下来还介绍了添加 list_files（列出文件的工具）和 edit_file（让 Claude 编辑文件的工具）的方法，感兴趣的读者可以阅读博客原文。
