邯郸建设网站公司网站关键词排名优化价格

邯郸建设网站公司,网站关键词排名优化价格,建设一个旅游网站毕业设计,上海品牌推广公司简介 本文深入分析了Claude-Code的核心设计思想和关键技术实现#xff0c;结合LangGraph框架#xff0c;从基础ReAct Agent出发#xff0c;逐步构建功能完备的简版Claude-Code。文章详细介绍了人工审查与中断恢复、SubAgent实现与并发执行、Todo任务管理、8段式压缩算法以及…简介本文深入分析了Claude-Code的核心设计思想和关键技术实现结合LangGraph框架从基础ReAct Agent出发逐步构建功能完备的简版Claude-Code。文章详细介绍了人工审查与中断恢复、SubAgent实现与并发执行、Todo任务管理、8段式压缩算法以及Steering实时响应等核心功能的实现方法展示了如何在大模型应用开发中平衡规则驱动与LLM驱动。本文旨在深入剖析 Claude-Code 的核心设计思想与关键技术实现逆向分析其功能模块结合 LangGraph 框架的能力系统性地演示如何从一个最基础的 ReAct Agent 出发逐步构建一个功能完备的简版 Claude-Code。本文目标1.了解claude-code的核心功能实现目前github有两个比较好的逆向claude-code实现的仓库但实际阅读起来还是有一些成本。比如内容实在太多、重复较多等等。其实期望能有一个roadmap先了解最核心功能的最小实现链路再去了解枝节问题。所以下文每个功能会先介绍功能描述与实现流程然后贴上最核心的几个函数实现。2.了解并实践langgraph构建简版claude-codelanggraph是当下最流行的agent应用框架之一提供了丰富的llm应用相关能力同时也有很多新的概念可以实践一下我觉得最核心需要关心的是 状态机State、图节点workflow、工具Tool 三个方面。所以下文在每个功能实现上会围绕这三个方面进行设计改动。期望通过本文的实践可以对claude-code的核心设计以及langgraph框架有一个初步的了解。如何一步步从最初的简单ReActAgent升级到一个简版的claude-code agent。开工前的背景介绍1.claude-code的逆向工程claude-code是anthropic公司出的一款cli工具最近相当火实际体验下来也很不错个人认为是目前Code Agent领域的最佳实践。那么好学的程序员肯定会很好奇背后的实现原理。1.https://github.com/shareAI-lab/analysis_claude_code2.https://github.com/Yuyz0112/claude-code-reverse以上两个仓库对claude-code进行了全面的逆向分析把相关逆向的提示词也开源了我们完全可以通过这份repo来了解claude-code的核心实现。当然这俩仓库的提示词信息量巨大在llm逆向的过程中也会出现幻觉确实会有一些前后矛盾的地方整体还是不能无脑阅读下面会结合这些分析以及个人的理解捋一遍核心实现。2.langgraph介绍langgraph是目前大模型应用开发最流行的框架之一langchain衍生出的框架专注于智能体应用的开发。详细的介绍可以参见langgraph官网https://langchain-ai.github.io/langgraphjs/这里根据我的理解简要概括一下主要功能其中langgraph官方最引以为豪的两个特性实现偏底层上层无过多抽象用户可精准控制大模型的输入这对llm上下文优化至关重要。规则驱动和llm驱动相融合可以在大模型的自主性和不确定性中间寻找平衡让我们的系统具备较高的可靠性、可观测性。对于不了解langgraph的朋友可能感知比较虚没关系在接下来的案例中我们也可以深刻感受到这两点。3.claude-code整体架构视图claude-code整体有非常丰富的功能按照逆向的分析我们整体分为 用户交互层、Agent调度层、工具执行与管理层含工具生态系统、存储与记忆层我们将其实现与langgraph的功能点做一个对比研究一下还需要建设哪些能力。langgraph版ClaudeCode实现1.梦开始的地方最基础的ReActAgent先从一个最简单的ReactAgent来了解langgraph最基本的graph相关的操作。const agentState Annotation.Root({ messages: AnnotationBaseMessage[]({ reducer: safeMessagesStateReducer, default: () [], }) }); const toolNodeForGraph new ToolNode(tools) const shouldContinue (state: typeof agentState.State) { const { messages } state; const lastMessage messages[messages.length - 1]; if (tool_calls in lastMessage Array.isArray(lastMessage.tool_calls) lastMessage.tool_calls?.length) { returntools; } return END; } const callModel async (state: typeof agentState.State) { const { messages } state; const response await modelWithTools.invoke(messages); return { messages: response }; } const workflow new StateGraph(agentState) .addNode(llm, callModel) .addNode(tools, toolNodeForGraph) .addEdge(START, llm) .addConditionalEdges(llm, shouldContinue, [tools, END]) .addEdge(tools, llm); const agent workflow.compile()这个简短的实现把langgraph十分核心的node、edge、state展示出来节点运行图如下这也是最最基本的一个能够调用tool的agent。同时通过streamEvent即可获取agent的流式输出事件根据这些输出事件选取对应的格式输出给前端进行展示。const config { configurable: { thread_id: this.sessionId }, streamMode: [values, messages, updates], version: v2 as const, } const stream agent.streamEvents({messages: [inputMessage]}, config);当然实际上langgraph官方也提供了预构建的reactAgent后续我们直接使用即可。我们将从这个图出发一步步实现langClaudeCode。2.人在环路中断审查以及ckpt持久化在使用claude-code的时候如果需要查看or编辑某个文件会询问用户权限这其实是一种人工协同的方式。为了实现类似的功能我们需要在原有的workflow基础上添加一个人工审查节点// 添加人工审查节点的workflow const workflowWithReview new StateGraph(MessagesAnnotation) .addNode(agent, callModel) .addNode(tools, toolNodeForGraph) .addNode(human_review, humanReviewNode) // 新增人工审查节点 .addEdge(START, agent) .addConditionalEdges(agent, shouldContinueWithReview, [human_review, END]) // 修改路由到审查节点 .addConditionalEdges(human_review, checkUserApproval, [tools, agent]) // 新增审查结果路由 .addEdge(tools, agent);2.1 人工审查节点实现添加的human_review节点主要负责以下功能1.中断执行流程在工具调用前暂停等待用户决策2.提供操作选项给用户提供批准、拒绝、修改等选项3.中断恢复根据用户的回复决定是否下一个节点。// 人工审查节点的具体实现 const humanReviewNode async (state: typeof MessagesAnnotation.State) { const lastMessage state.messages[state.messages.length - 1]; const humanAnswer interrupt(确认是否执行); if(humanAnswer 同意){ returnnew Command({ goto: tool, update: { messages: [new HumanMessage(确认执行)] } }) } if(humanAnswer 拒绝){ returnnew Command({ goto: agent, update: { messages: [new HumanMessage(xxxx)] } }) } };这部分代码有两个重要知识点两个重要的apiinterrupt和Command1.其中最重要的是 interrupt的设计其实就是内部throw了一个error强制图的运行中断当前会话的检查点已经保存在图中当调用resume恢复中断时结合检查点的恢复获取之前的运行状态进行恢复详细介绍可以参见这里https://langchain-ai.github.io/langgraphjs/concepts/human_in_the_loop/#interrupt2.Command是langgraph提供的一个可以动态选择的节点的api我们可以在图的任意节点通过Command实现任意节点的调整和状态机的更新。主要和图graph中的edge做对比edge是代码中预置写死的边而通过Command我们可以在代码中通过根据不同情况灵活选择节点。比如这里通过用户输入进入不同的节点、也可以在某些场景下根据大模型的输入进入不同的节点。2.2 由大模型驱动决策是否需要人机协同上面的人机协同节点是硬编码在图中实际大模型应用开发的时候人工协同的场景非常多比如llm需求询问用户需求细节、需要用户确认规划等等其实我们可以利用工具的特性指模型根据提示词来驱动让大模型自主决策是否需要人工协同。我们添加一个人工协同工具。function createHumanLoopTool(){ const executor (arg, config) { const msgs: BaseMessage[] [ new ToolMessage({ content: Successfully askHuman,, name: askHuman, tool_call_id: config.toolCall.id, }), ]; const state getCurrentTaskInput(); returnnew Command({ goto: askHuman, graph: Command.PARENT, update: { messages: state.messages.concat(msgs), }, }); }; return tool(executor, { name: ashHuman, description: 当需要向用户确认需求、询问补充信息、向用户提问时, 务必调用此工具, schema, }); }我们把这个工具给到大模型修改工具的提示词在大模型认为需要人工协同时就会调用此工具。最核心的实现是“伪造”了一个工具给到大模型让大模型根据工具的提示词来根据环境进行选择工具内部的执行逻辑是跳转到人工协同节点这个节点中会中断状态寻求用户回答。同时我们需要维持上下文消息的完整性需要手动补充一个ToolMessage结果给到message中。2.3 检查点持久化支持到目前为之我们已经成功实现了cc的人工协同功能当然cc中人机协同的核心目的是工具权限校验并且更强大。但cc是单机的实际生产环境都是多个机器在一次中断后下一次请求可能会命中别的机器检查点也就不存在所以需要支持检查点持久化这一点langgraph也提供了很成熟的解决方案。import { MemorySaver } from langchain/langgraph; const app workflow.compile({ checkpointer: new MemorySaver(), // 状态持久化 }); // 使用示例 const config { configurable: { thread_id: review-session-1 } }; await app.invoke(initialState, config); // 在用户审查后继续执行 await app.invoke(null, config); // 从中断点继续以上示例的MemorySaver是将检查点存储到机器内存中而如果要持久化落库langgraph官方则提供了MongoDB等几种数据库持久化的方案。我们生产环境大概率会用redis可以参考这个实现 langgraph-redis github仓库 这个是python版本的其实核心就是实现put、putWrites、getTuple几个方法即检查点ckpt的存储和读取。这里就不展开了~这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】3.Agent分身与扩展SubAgent的实现3.1cc实现原理简析claude code 的多agent架构如图所示整个流程如下研究SubAgent的实现机制我们从下面几个方面逐一研究SubAgent创建流程、执行上下文分析、并发执行协调分析。核心技术特点1.通过TaskTool根据任务复杂度创建SubAgent2.完全隔离的执行环境每个SubAgent在独立上下文中运行3.智能并发调度支持多Agent并发执行动态负载均衡4.安全权限控制细粒度的工具权限管理和资源限制5.结果合成智能的多Agent结果聚合和冲突解决3.2cc核心函数实现以下是分析逆向仓库后我认为最核心的一些函数可以通过这些函数对流程有一个比较清晰的了解。1Task工具作为多Agent架构入口点Task工具 - 多Agent架构入口点// Task工具对象结构 (p_2) p_2 { name: Task, async call({ prompt }, context, globalConfig, parentMessage) { // 核心通过Task工具内部创建和管理SubAgent if (config.parallelTasksCount 1) { // 多Agent并发执行模式 const agentTasks Array(config.parallelTasksCount) .fill(${prompt}\n\nProvide a thorough and complete analysis.) .map((taskPrompt, index) I2A(taskPrompt, index, executionContext, parentMessage, globalConfig)); } else { // 单Agent执行模式 } } }核心设计特点1.Task工具是SubAgent创建的唯一入口2.支持单Agent和多Agent并发两种模式3.通过配置parallelTasksCount控制并发度4.每个SubAgent都是完全独立的执行实例2SubAgent创建机制 (I2A函数)I2A函数// SubAgent启动函数 async function* I2A(taskPrompt, agentIndex, parentContext, globalConfig, options {}){ // 1. 生成唯一Agent ID const agentId VN5(); // 2. 创建隔离的执行上下文 const executionContext { abortController: parentContext.abortController, options: { ...parentContext.options }, getToolPermissionContext: parentContext.getToolPermissionContext, readFileState: parentContext.readFileState, setInProgressToolUseIDs: parentContext.setInProgressToolUseIDs, tools: parentContext.tools.filter(tool tool.name ! Task) // 防止递归 }; // 3. 执行主Agent循环 forawait(let agentResponse of nO(/* 主Agent循环 */)){ // 处理Agent响应和工具调用 } // 4. 返回最终结果 yield { type: result, data: { /* 结果数据 */ } }; }核心特性1.完全隔离的执行环境2.继承但过滤父级工具集排除Task工具防止递归3.独立的资源限制和权限控制4.支持进度事件流式输出3并发执行协调器 (UH1函数)UH1函数// 并发执行调度器 async function* UH1(generators, maxConcurrency Infinity){ const wrapGenerator (generator) { const promise generator.next().then(({ done, value }) ({ done, value, generator, promise })); return promise; }; const remainingGenerators [...generators]; const activePromises new Set(); // 启动初始并发任务 while (activePromises.size maxConcurrency remainingGenerators.length 0) { const generator remainingGenerators.shift(); activePromises.add(wrapGenerator(generator)); } // 并发执行循环 while (activePromises.size 0) { const { done, value, generator, promise } await Promise.race(activePromises); activePromises.delete(promise); if (!done) { activePromises.add(wrapGenerator(generator)); if (value ! undefined) yield value; } elseif (remainingGenerators.length 0) { const nextGenerator remainingGenerators.shift(); activePromises.add(wrapGenerator(nextGenerator)); } } }核心能力1.智能并发调度支持限制最大并发数2.Promise.race实现高效并发协调3.动态任务调度完成一个启动下一个4.实时结果流式输出4结果合成机制 (KN5函数)KN5函数// 多Agent结果合成器 function KN5(originalTask, agentResults){ const sortedResults agentResults.sort((a, b) a.agentIndex - b.agentIndex); const agentResponses sortedResults.map((result, index) { const textContent result.content .filter(content content.type text) .map(content content.text) .join(\n\n); return AGENT ${index 1} RESPONSE \n${textContent}; }).join(\n\n); return Original task: ${originalTask} Ive assigned multiple agents to tackle this task. Each agent has analyzed the problem and provided their findings. ${agentResponses} Based on all the information provided by these agents, synthesize a comprehensive and cohesive response...; }合成策略1.按Agent索引排序保证一致性2.提取每个Agent的文本内容3.生成专门的合成提示词4.创建独立的Synthesis Agent处理结果聚合3.3langgraph实现思路简析通过分析上述TaskTool工具作为创建入口、并发执行、结果合成等流程在langgraph上其实有很多种实现思路但我们整体思路是llm驱动、收敛到Tool中实现。那么对状态机无需改造读图节点也无需改造需要将TaskTool供给到图以及针对TaskTool等内置工具无需作人工审查这部分比较简单就不展开了。所以我们重点放在TaskTool的实现看看如何基于lg的能力快速实现。3.4Task工具设计3.4.1TaskTool的提示词和描述function createTaskTool(baseTools: any[ ], model: any, subAgentConfigs: SubAgentConfig[ ]){ return tool( async (args: { description: string; subagent_type: string }, config) { // 具体工具内部实现下文重点介绍 }, { name: TaskTool, description: Launch specialized SubAgents to autonomously handle complex multi-step tasks. Available Agent types: - general-purpose: General agent suitable forcomplex queries, file searches, and multi-step task execution (Tools: *) - code-analyzer: Code analysis expert for code review, architecture analysis, performance optimization - document-writer: Documentation expert for technical docs, user manuals, API documentation Usage rules: 1. Use this tool when tasks are complexand require specialized handling 2. Each SubAgent invocation is independent and stateless 3. Provide detailed task descriptions; SubAgents will complete autonomously 4. After SubAgent completion, summarize key information for the user When to use SubAgents: - Complex multi-step analysis tasks - Tasks requiring specialized skills (code analysis, documentation) - Large-scale file search and processing - Independent tasks that can be processed in parallel, schema: z.object({ description: z.string().describe(Detailed task description for the SubAgent), subagent_type: z.enum([general-purpose, code-analyzer, document-writer]).describe(SubAgent type to use) }) } ); }3.4.2核心创建流程与上下文隔离以下代码展示了工具的核心实现核心需要关注不同子Agent的上下文隔离主要体现在新增agent实例、独立的message队列、以及结果合成至主Agent。function createTaskTool(baseTools: any[ ], model: any, subAgentConfigs: SubAgentConfig[ ]){ // 为每种类型创建专门的ReActAgent实例 const agentInstances new Mapstring, any(); // 初始化预定义的SubAgent类型 subAgentConfigs.forEach(config { const filteredTools config.allowedTools ? baseTools.filter(tool config.allowedTools.includes(tool.name)) : baseTools.filter(tool tool.name ! TaskTool); // 防止递归 agentInstances.set(config.type, createReactAgent({ llm: model, tools: filteredTools, systemMessage: config.systemPrompt })); }); return tool( async (args: { description: string; subagent_type: string }, config) { const { description, subagent_type } args; // 获取指定类型的Agent const agent agentInstances.get(subagent_type); if (!agent) { thrownew Error(Unknown SubAgent type: ${subagent_type}); } // 执行SubAgent try { console.log( Launching SubAgent [${subagent_type}]: ${description}); // 创建隔离的执行上下文 const subAgentState { messages: [{ role: user, content: description }] }; // 执行Agent并获取结果 const result await agent.invoke(subAgentState); // 提取最终响应 const finalMessage result.messages[result.messages.length - 1]; const responseContent finalMessage.content; console.log(✅ SubAgent [${subagent_type}] completed); // 返回格式化结果 - 模拟claude-code的结果格式 return SubAgent [${subagent_type}] execution completed: Task: ${description} Result: ${responseContent} Note: This result was generated by a specialized SubAgent. Please summarize key information for the user as needed.; } catch (error) { console.error(❌ SubAgent [${subagent_type}] failed:, error); return SubAgent [${subagent_type}] execution failed: ${error.message}; } }, { name: TaskTool, description: 提示词 略过, schema: z.object({ description: z.string().describe(Detailed task description for the SubAgent), subagentType: z.enum([general-purpose, code-analyzer, document-writer]).describe(SubAgent type to use) }) } ); }这里也仿照claude-code给出subAgent的配置示例// SubAgent配置定义 const subAgentConfigs: SubAgentConfig[ ] [ { type: general-purpose, systemPrompt: You are a general-purpose AI assistant specialized in handling complex multi-step tasks. - Excel at file searches, content analysis, and code understanding - Approach complex problems systematically andbreak them down - Always provide detailed and accurate analysis results, allowedTools: null }, { type: code-analyzer, systemPrompt: You are a code analysis expert focused on: - Code quality assessment and improvement recommendations - Architecture design analysis and optimization - Performance bottleneck identification and solutions - Security vulnerability detection and fix suggestions Please provide specific, actionable technical recommendations, allowedTools: [Read, Edit, Grep, Glob, LS] }, { type: document-writer, systemPrompt: You are a technical writing expert focused on: - Clear and accurate technical documentation - User-friendly operation guides - Complete API documentation and examples - Structured project documentation Ensure readability and practicality of documentation, allowedTools: [Read, Write, Edit] } ];3.4.3并发执行支持langgraph中天然支持工具节点的并发调用只不过不支持指定工具的并发。这里我们可以参考claude-code的工具管理并将工具分为并发安全与并发不安全放在不同的ToolNode节点。// 按并发特性分组工具 const safeConcurrencyTools [ taskTool, // 可以高并发 readFileTool, // 只读安全并发 grepTool, // 搜索工具可并发 ] const unsafeConcurrencyTools [ writeFileTool, // 文件写入 editFileTool, // 文件编辑需要串行 bashTool, // 系统命令危险操作 ] // 创建不同的ToolNode各自有不同的并发配置 const safeConcurrencyToolNode new ToolNode(safeConcurrencyTools, { maxConcurrency: 10, // 支持并发配置 name: safeConcurrencyTools }) const unsafeConcurrencyToolNode new ToolNode(unsafeConcurrencyTools, { maxConcurrency: 1, name: unsafeConcurrencyTools })再调整图节点将我们之前的tool节点换成safeConcurrencyToolNode和unSafeConcurrencyToolNode。同时修改shouldContinue函数获取agent调用的工具名将其路由到safeConcurrencyToolNode或者unsafeConcurrencyToolNode。// 将之前的tools节点调整为safeConcurrencyTools和unsafeConcurrencyTools const graph new StateGraph(agentState) .addNode(llm, callModel) // 主要改动 .addNode(safeConcurrencyTools, safeConcurrencyToolNode) .addNode(unsafeConcurrencyTools, unsafeConcurrencyToolNode) const shouldContinue (state: typeof agentState.State) { const { messages } state; const lastMessage messages[messages.length - 1]; if (tool_calls in lastMessage Array.isArray(lastMessage.tool_calls) lastMessage.tool_calls?.length) { if (isSafeConcurrencyTool(lastToolMessage)) { returnsafeConcurrencyTools; } else { returnunsafeConcurrencyTools; } returntools; } return END; }基于langgraph现有的能力结合claude-code的思路也可以相对简单的完成TaskTool的subAgent并发执行。除此之外理论上也可以通过继承扩展ToolNode等方式来实现。当然我觉得有了claude-code对并发安全工具和并发不安全工具的设计langgraphjs后续也有可能将其作为基础能力沉淀下来。4.复杂任务管理Todo任务管理跟踪4.1cc实现原理简析从实际体验以及逆向分析中发现claude-code具有强大的任务管理能力1.结构化任务跟踪通过TodoRead/TodoWrite工具管理任务状态2.自主任务管理agent通过提示词指导自主调用工具更新任务状态3.任务状态管理支持pending、in_progress、completed、blocked等状态4.任务优先级支持high、medium、low优先级分类TodoList的任务管理是我初次使用claude-code时觉得最亮眼的一点十分流畅和简洁但其实实现并不复杂核心其实在于Todo工具以及提示词的设计我们结合对提示词的分析来创建我们的Todo工具。这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为了实现任务跟踪功能我们只需要在现有workflow基础上1.扩展状态定义添加任务列表状态使用Todo工具进行读取和写入2.集成任务工具添加TodoRead/TodoWrite工具到主agent。3.更新agent提示词指导agent自主管理任务状态4.2状态机设计变化export interface TodoItem { id: string; name: string; desc: string; status: TaskStatus; startTime?: string; endTime?: string; error?: string; } const agentState Annotation.Root({ messages: AnnotationBaseMessage[]({ reducer: safeMessagesStateReducer, default: () [], }), todoList: AnnotationTodoItem[]({ reducer: (x, y) y, default: () [], }), });主要在agentState中增加了todoList这一状态。如果参考claude-code或manus的设计将todoList存储在外部文件中也是一个很好的选择。当然基于langgraphstate状态机是最浅一层的内存存储也可以基于checkpointer做定制持久化到文件系统中或者redis、mysql等外部数据库中。在这里我们只演示到state内存中。4.3TodoTool工具设计1首先添加TodoWrite工具export function createTaskWriteTool(){ const executor (args, config) { const state getCurrentTaskInput() as (typeof MessagesAnnotation)[State]; const { todoLit } args; // 一些任务处理加工逻辑 returnnew Command({ update: { todoLit: todoList, messages: state.messages.concat(responseMsgs), }, }); }; return tool(executor, { name: TASK_TOOL_NAME_MAP.taskWrite, description: TODO_WRITE_PROMPT, schema: z.object({ todoList: z .array( z.object({ id: z.string().describe(任务唯一标识), name: z.string().describe(任务名称), desc: z.string().describe(任务具体描述), status: z .nativeEnum(TaskStatus) .describe(任务状态pending(待执行)、in_progress(执行中)、completed(已完成)、failed(失败)), startTime: z.string().describe(任务开始时间).optional(), endTime: z.string().describe(任务结束时间).optional(), error: z.string().describe(失败原因(当状态为failed时必填)).optional(), }), ) .describe(更新后的完整任务列表), }), }); }其实实现相对来说也比较简单核心来说就是定义schema后结合提示词llm会将基于当前内容构造出todoList内容和状态我们只需要接受参数将其保存到todoList状态机中即可。其实从TodoWirte工具的实现可以很好的体现大模型应用开发中 规则和智能的界限。2TodoWrite提示词原版提示词Use this tool to create and manage a structured task listfor your current work session. This helps you track progress, organize complex tasks, and demonstrate thoroughness to the user. It also helps the user understand the progress of the task and overall progress of their requests. ## When to Use This Tool Use this tool proactively in these scenarios: 1. Complex multi-step tasks - When a task requires3or more distinct steps or actions 2. Non-trivial andcomplex tasks - Tasks that require careful planning or multiple operations 3. User explicitly requests todo list - When the user directly asks you to use the todo list 4. User provides multiple tasks - When users provide a list of things to be done(numbered or comma-separated) 5. After receiving new instructions - Immediately capture user requirements as todos 6. When you start working on a task - Mark it as in_progress BEFORE beginning work. Ideally you should only have one todo as in_progress at a time 7. After completing a task - Mark it as completed and add any new follow-up tasks discovered during implementation ## When NOT to Use This Tool Skip usingthis tool when: 1. There is only a single, straightforward task 2. The task is trivial and tracking it provides no organizational benefit 3. The task can be completed in less than 3 trivial steps 4. The task is purely conversational or informational NOTE that you should not use this tool if there is only one trivial task to do. In thiscase you are better off just doing the task directly. ## Examples of When to Use the Todo List example User: I want to add a dark mode toggle to the application settings. Make sure you run the tests and build when youre done! Assistant: Ill help add a dark mode toggle to your application settings. Let me create a todo list to track this implementation. *Creates todo list with the following items:* 1. Create dark mode toggle component in Settings page 2. Add dark mode state management(context/store) 3. Implement CSS-in-JS styles for dark theme 4. Update existing components to support theme switching 5. Run tests and build process, addressing any failures or errors that occur *Begins working on the first task* reasoning The assistant used the todo list because: 1. Adding dark mode is a multi-step feature requiring UI, state management, and styling changes 2. The user explicitly requested tests and build be run afterward 3. The assistant inferred that tests and build need to pass by adding Ensure tests and build succeed as the final task /reasoning /example example User: Help me plan a comprehensive marketing campaign for our new product launch, including social media, email marketing, and press releases. Assistant: Ill help you plan a comprehensive marketing campaign for your product launch. Let me create a todo list to organize all the components. *Creates todo list with the following items:* 1. Define target audience and key messaging 2. Create social media content calendar and posting schedule 3. Design email marketing sequence and automation flows 4. Draft press release and identify media contacts 5. Set up tracking and analytics for campaign performance 6. Create visual assets and brand materials 7. Coordinate launch timeline and deliverables *Begins working on the first task* reasoning The assistant used the todo list because: 1. Marketing campaign planning involves multiple distinct channels and activities 2. Each component requires careful coordination and planning 3. The systematic approach ensures all aspects of the launch are covered 4. Progress tracking helps maintain timeline and deliverables /reasoning /example example User: Help me rename the function getCwd to getCurrentWorkingDirectory across my project Assistant: Let me first search through your codebase to find all occurrences of getCwd. *Uses search tools to locate all instances of getCwd in the codebase* Assistant: Ive found 15 instances of getCwd across 8 different files. Let me create a todo list to track these changes. *Creates todo list with specific items for each file that needs updating* reasoning The assistant used the todo list because: 1. First, the assistant searched to understand the scope of the task 2. Upon finding multiple occurrences across different files, it determined this was a complex task with multiple steps 3. The todo list helps ensure every instance is tracked and updated systematically 4. This approach prevents missing any occurrences and maintains consistency /reasoning /example example User: I need help organizing my home office: decluttering the desk, setting up a filing system, organizing digital files, and creating a daily workflow. Assistant: Ill help you organize your home office systematically. Let me create a todo list to track each area of organization. *Creates todo list with items like: 1) Sort and declutter desk items, 2) Set up physical filing system for documents, 3) Organize digital files and folders, 4) Create daily workflow and productivity systems, 5) Establish maintenance routines* Lets start with decluttering your desk space to create a clean foundation for the other organizational systems. reasoning The assistant used the todo list because: 1. The user provided multiple distinct organizational tasks 2. Each area requires different approaches and careful planning 3. Home organization benefits from systematic, step-by-step completion 4. Progress tracking ensures all areas are addressed thoroughly /reasoning /example ## Examples of When NOT to Use the Todo List example User: How do I print Hello World in Python? Assistant: In Python, you can print Hello World with this simple code: python print(Hello World) This will output the text Hello World to the console when executed./assistant reasoning The assistant did not use the todo list because this is a single, trivial task that can be completed in one step. Theres no need to track multiple tasks or steps for such a straightforward request. /reasoning /example example User: Whats the best way to water houseplants? Assistant: The best way to water houseplants depends on the specific plant type, but here are some general guidelines: - Check soil moisture by inserting your finger about 1-2 inches into the soil - Water thoroughly when the top inch feels dry, allowing water to drain from the bottom - Use room temperature water and water in the morning when possible - Avoid overwatering, which is more harmful than underwatering for most plants Different plants have different needs, so its important to research your specific varieties for optimal care. reasoning The assistant did not use the todo list because this is an informational request with no actual tasks to complete. The user is simply asking for advice and explanation, notfor the assistant to perform multiple steps or activities. /reasoning /example example User: Can you add a comment to the calculateTotal function to explain what it does? Assistant: Sure, let me add a comment to the calculateTotal function to explain what it does. * Uses the Edit tool to add a comment to the calculateTotal function * reasoning The assistant did not use the todo list because this is a single, straightforward task confined to one location. Adding a comment doesnt require tracking multiple steps or systematic organization. /reasoning /example example User: What time is it in Tokyo right now? Assistant: Ill check the current time in Tokyo for you. *Searches for current time in Tokyo* The current time in Tokyo, Japan is [current time]. Tokyo is in the Japan Standard Time(JST) zone, which is UTC9. reasoning The assistant did not use the todo list because this is a single information lookup with immediate results. There are no multiple steps to track or organize, making the todo list unnecessary forthis straightforward request. /reasoning /example可供快速查看的中文翻译版更新当前会话的任务列表。主动使用此工具来跟踪进度和管理任务执行。 ## 何时使用此工具 在以下场景中主动使用此工具 1. 开始任务时 - 将任务标记为in_progress可单个或批量但每批最多5个 2. 完成任务后 - 将任务标记为completed可单个或批量完成 3. 任务失败时 - 将任务标记为failed并包含错误详情 4. 需要更新任务进度或添加详情时 ## 任务状态和管理 1. **任务状态**使用这些状态来跟踪进度 - pending: 任务尚未开始 - in_progress: 当前正在执行同一时间最多5个任务 - completed: 任务成功完成 - failed: 任务遇到错误 2. **任务管理规则** - 实时更新任务状态 - 支持批量执行可以将多个相似简单任务同时标记为in_progress或completed - 批量限制同一时间最多5个任务处于in_progress状态 - 顺序执行必须按任务列表顺序处理不能跳跃 - 任务失败时将其标记为failed并包含错误详情 3. **任务完成要求** - 只有在完全完成任务时才标记为completed - 如果遇到错误将任务标记为failed并包含错误详情 - 在以下情况下绝不要将任务标记为completed - 实现不完整 - 遇到未解决的错误 - 找不到必要的文件或依赖项 如有疑问请使用此工具。主动进行任务管理可以展现专业性并确保您完成所有要求。 对应的英文版3实现TodoRead工具export function createTaskReadTool(){ const executor (args, config) { const state getCurrentTaskInput() as any; const currentTasks state.taskList || []; const content 请继续使用任务列表更新和读取功能来跟踪您的进度。当前任务列表: ${JSON.stringify(currentTasks)}; returnnew ToolMessage({ content, name: TASK_TOOL_NAME_MAP.taskRead, tool_call_id: config.toolCall.id, }); }; return tool(executor, { name: TASK_TOOL_NAME_MAP.taskRead, description: 读取当前会话的任务列表。主动且频繁地使用此工具以确保您了解当前任务列表的状态。您应该尽可能多地使用此工具特别是在开始工作、完成任务后或不确定下一步做什么时。, schema: z.object({}), }); }在这里从state中读取了当前的todoList返回给到llm。4从TodoTool提示词中学到的其实从真正实现来看TodoTool的工程实现都挺简单的因为很多逻辑是内置到提示词中了。作为软件开发的惯性我在很长一段时间开发中其实是不太重视提示词的开发认为提示词都比较简单 不如工程实现能够深入研究。但从claude-code的TodoTool实现中可以发现提示词的优化巧思是很多的。比如TodoRead工具中强调 llm主动且频繁地使用此工具以确保您了解当前任务列表的状态。您应该尽可能多地使用此工具特别是在开始工作、完成任务后或不确定下一步做什么时。这两句话我觉得信息量还是很大的实际实践下来可能会发现工程实现都差不多但llm就是不如claude-code的todoList听话而提示词中的这几句话极大的加深了todoList的重要性和稳定性。TodoWrite中有很多few-shot实际开发中我发现自己在写提示词样例的时候很偷懒会觉得很麻烦但是TodoWrite如果去掉这些few-shot效果应该会打很大折扣。5主agent工具管理接下来在agent的系统提示词中集成任务管理逻辑让agent自主调用工具const todoPrompt You are an AI assistant with task management capabilities. Follow these guidelines: 1. **Task Management Rules**: - Use TodoRead to check current tasks before starting new work - Use TodoWrite to create tasks forcomplex requests (3 steps) - Mark tasks as in_progress when you start working on them - Mark tasks as completed when you finish them - Break down complex requests into smaller, manageable tasks 2. **Task Organization**: - High priority: Urgent or blocking issues - Medium priority: Normal feature work - Low priority: Nice-to-have improvements 3. **Status Updates**: - Always update task status as you work - If you encounter issues, mark tasks as blockedand explain why - Keep task descriptions clear and actionable Current task context: ${state.taskList?.length || 0} tasks tracked const systemPrompt // 原有提示词 ${todoPrompt} 5.上下文工程8段式压缩算法5.1cc实现原理简析从逆向分析中发现claude-code在上下文超长时会进行message压缩处理。在token管理方面有几个核心特性确保了长对话过程中的流畅体验1.实时Token监控在每次llm调用前检测token使用情况2.智能压缩阈值当token使用率超过92%时自动触发压缩3.8段式压缩策略将对话历史按重要性分为8个段落渐进式压缩其中也有一些细节比如监控token通过倒序扫描usage信息计算可用token时将模型输出也预留在内。5.2cc核心函数实现1反向遍历及触发-VE函数/yW5函数// VE函数反向遍历Token监控机制 getCurrentUsage() { console.log( 检查记忆使用情况...); let totalTokens 0; // 聪明的地方从最新消息开始找因为usage信息通常在最近的消息里 for (let i this.messages.length - 1; i 0; i--) { const message this.messages[i]; if (message.usage) { totalTokens this.calculateTotalTokens(message.usage); break; // 找到就停止不浪费时间 } } return { used: totalTokens, total: this.maxTokens, percentage: totalTokens / this.maxTokens }; }核心设计特点反向遍历优化从最新消息往前找时间复杂度从O(n)降到O(k)92%精确阈值经过A/B测试优化的最佳压缩点平衡用户体验和性能精确Token计算涵盖input、cache_creation、cache_read、output四类Token28段式压缩策略-AU2函数这里核心是8段式压缩的提示词下面会单拎一节介绍。除此之外还有智能文件恢复TW5函数、渐进式告警处理等这里非核心主流程就不再赘述了。这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】状态机设计变化const agentState Annotation.Root({ messages: AnnotationBaseMessage[]({ reducer: messagesStateReducer, default: () [], }), todoList: AnnotationTodoItem[]({ reducer: (x, y) y, default: () [], }), // 新增压缩历史记录 compressionHistory: { value: (x: CompressionRecord[ ], y: CompressionRecord[ ]) [...(x || [ ]), ...(y || [ ])], default: () [ ], }, });图节点改造在langgraph的体系之下实现上下文压缩的方案有很多这里简单列举几例1.直接在调用llm Node节点实现中检查token是否超过若超过直接压缩压缩完毕将message给到agent。2.添加压缩节点通过压缩节点或Edge来判断是否进行压缩以及执行压缩。这里选择直接添加压缩节点这样的好处是清晰的控制流 - 压缩逻辑独立为单独节点流程可视化状态透明 - 压缩状态在StateGraph中明确表示在langfuse等日志系统中也可以方便看到压缩节点运行情况。易于调试 - 可以单独测试压缩节点首先我们新增一个压缩节点const workflow new StateGraph(newAgentState) // 新增压缩检查节点 .addNode(compressionNode, compressionNode) // 原有节点 .addNode(llm, callModel)压缩节点的实现在该节点中处理上下文messagefunction compressionNode(state){ // 1. 倒序查找统计token使用 const currentTokens getLatestTokenUsage(state.messages); // 2. token可用性检查判断是否需要压缩 if(!needsCompress(state)){ return {} } // 3. 生成8段式压缩提示词 const compressionPrompt this.generateCompressPrompt(); // 4. 执行压缩LLM调用 const compressedSummary await this.callCompressionModel( compressionPrompt, state.messages ); // 5. 压缩结果评估 // 6. 删除历史消息保留策略并生成摘要及新上下文 const summaryMsg new AIMessage(compressedSummary); const messages [...compressionResult.removeMessages, summaryMsg]; return { messages, }; }基于langgraph的message体系结合claude-code的倒序查找思路可以很方便查找当前token使用情况。export function getLatestTokenUsage(messages: BaseMessage[]): number { // 倒序扫描找到最新的usage信息 for (let i messages.length - 1; i 0; i--) { const msg messages[i]; if (isAIMessage(msg) (msg as AIMessage)?.response_metadata?.usage) { const usage msg.response_metadata.usage; return (usage.total_tokens || 0) (usage.cache_creation_tokens || 0); } } // 如果没有usage信息回退到估算 return estimateTokens(messages); }在判断是否需要压缩的时候需综合考虑模型上下文窗口、预留输出窗口、压缩比例等。8段式压缩提示词同样的cc这份压缩的实现提示词是必不可少的一部分我们来详细研究分析一下这份提示词。Your task is to create a detailed summary of the conversation so far, paying close attention to the users explicit requests and your previous actions. This summary should be thorough in capturing technical details, code patterns, and architectural decisions that would be essential for continuing development work without losing context. Before providing your final summary, wrap your analysis in analysis tags to organize your thoughts and ensure youve covered all necessary points. Your summary should include the following sections: 1. Primary Request and Intent: Capture all of the users explicit requests and intents in detail 2. Key Technical Concepts: List all important technical concepts, technologies, and frameworks discussed. 3. Files and Code Sections: Enumerate specific files and code sections examined, modified, or created. Pay special attention to the most recent messages and include full code snippets where applicable. 4. Errors and fixes: List all errors that you ran into, and how you fixed them. Pay special attention to specific user feedback. 5. Problem Solving: Document problems solved and any ongoing troubleshooting efforts. 6. All user messages: List ALL user messages that are not tool results. These are critical for understanding the users feedback and changing intent. 7. Pending Tasks: Outline any pending tasks that you have explicitly been asked to work on. 8. Current Work: Describe in detail precisely what was being worked on immediately before this summary request. 9. Optional Next Step: List the next step that you will take that is related to the most recent work you were doing. 对应中文版为 你的任务是创建到目前为止对话的详细摘要密切关注用户的明确请求和你之前的行动。此摘要应彻底捕获技术细节、代码模式和架构决策这些对于在不丢失上下文的情况下继续开发工作至关重要。 在提供最终摘要之前将你的分析包装在analysis标签中以组织你的思考并确保你涵盖了所有必要的要点。 你的摘要应包括以下部分 **1. 主要请求和意图**详细捕获用户的所有明确请求和意图 **2. 关键技术概念**列出讨论的所有重要技术概念、技术和框架 **3. 文件和代码段**枚举检查、修改或创建的特定文件和代码段。特别注意最近的消息并在适用时包含完整的代码片段 **4. 错误和修复**列出你遇到的所有错误以及修复方法。特别注意特定的用户反馈 **5. 问题解决**记录已解决的问题和任何正在进行的故障排除工作 **6. 所有用户消息**列出所有非工具结果的用户消息。这些对于理解用户的反馈和变化的意图至关重要 **7. 待处理任务**概述你明确被要求处理的任何待处理任务 **8. 当前工作**详细描述在此摘要请求之前正在进行的确切工作 **9. 可选的下一步**列出与你最近正在做的工作相关的下一步通过这份提示词可以看出来cc将压缩分成了8个部分分别为:主要请求和意图详细捕获用户的所有明确请求和意图关键技术概念列出讨论的所有重要技术概念、技术和框架文件和代码段枚举检查、修改或创建的特定文件和代码段。特别注意最近的消息并在适用时包含完整的代码片段错误和修复列出你遇到的所有错误以及修复方法。特别注意特定的用户反馈问题解决记录已解决的问题和任何正在进行的故障排除工作所有用户消息列出所有非工具结果的用户消息。这些对于理解用户的反馈和变化的意图至关重要待处理任务概述你明确被要求处理的任何待处理任务当前工作详细描述在此摘要请求之前正在进行的确切工作可选的下一步列出与你最近正在做的工作相关的下一步其中值得学习的一点是为了保证质量强制使用标签组织思考。5.3更完整的上下文工程处理上图是最近非常经典的一张上下文工程处理方案图在claude-code的设计中对上下文的处理包含上下文压缩8段式压缩和上下文隔离subAgent隔离上下文执行对上下文的处理整体偏保守因为上下文的任何加工和处理可能会带来副作用丢失关键信息属于“大力出奇迹”派的这也导致claude-code的token消耗其实比较大。如果想更完整的了解其他上下文工程的方法或者稍微更激进一点的上下文处理可以参考这个开源项目OpenDeepResearch https://github.com/langchain-ai/open_deep_research langchain官方出品项目质量还是很高对上下文工程有更丰富的实践。6.更好的流式Steering实时响应6.1cc实时响应特点上图为claude-code的pm发的一条推文从这条推文可以看到claude-code的响应最核心的特定便是实时响应这也是steering和普通的流式不同的地方所在。1.实时中断用户可以在agent执行过程中随时输入新指令2.立即响应不需要等待当前任务完成agent会立即处理新输入3.上下文保持中断后能够保持之前的执行状态和任务进度这种机制让用户与AI的交互更加自然就像与人类助手对话一样可以随时调整任务方向或添加新要求。6.2cc核心函数实现核心函数在于h2A异步消息队列的实现以及消息协调机制如何和agentnO主循环进行交互。这个部分在逆向仓库中有介绍由于和langgraph差别较远以及lg官方也有开箱即用的能力这里就不赘述了。6.3升级完善langgraph流式输出langgraph原生虽然没有类似steerign这样的概念但其提供了强大丰富的流式响应。在普通流式的基础上我觉得cc的核心在于流式的中断和恢复以及消息处理队列我们可以借助abort signal实现中断能力、通过检查点ckpt来轻松实现恢复。首先添加abort signal来监听agent的响应信号const config { configurable: { thread_id: this.sessionId }, streamMode: [values, messages, updates] as any, version: v2 as const, // 传入fetch请求的abortSignal, 若前端中断, 会透传到图中。 signal: abortSignal, } const stream agent.streamEvents({messages: [inputMessage]}, config);只需前端fetch请求时传递abort signal即可const response await fetch(api, { method: POST, body: JSON.stringify({}), headers: { Content-Type: application/json, }, signal: abortController.signal, })结合上文中提到的检查点持久化机制当发生中断时图的运行会立即中断并且langgraph会自动将运行的检查点存储到内存或者redis中当用户继续输入消息时获取状态后再次运行。我们可以通过工程上的手段模拟claude-code实时响应的效果即不阻塞用户Input输入框在用户输入完成后手动abort当前运行并且发送新的消息graph会恢复abort前的检查点并开始执行新命令。当前claude-code做的十分完善包含消息队列、背压控制、意图处理等等这里就不再深究了基于langgraph默认的stream流式 abort signal与前端结合 检查点恢复机制实现一个最基本的实时响应。再回头看一眼langgraph的核心特性6.1llm驱动与规则驱动的相融合可靠性与灵活性的权衡。当下大模型应用落地一个很大的问题是自主性较高的同时也会带来可控性的下降这二者其实是相辅相成的不同场景对这二者的容忍度也不一样。在很多场景下希望llm更灵活自主一点可以接受可靠性弱一点但很多场景是无法接受系统不可靠的。基于langgraph框架我们可以在工程规则驱动 和 llm驱动之间即可靠性和自主性灵活性根据不同业务场景寻找一种平衡。比如在本文实现的过程中有些地方如token检测这部分期望工程侧严格校验的地方我们使用节点以及固定边的方式保障运行在是否决定调用todoList以及跟踪任务、根据任务难度是否创建subAgent时我们通过工具的方式给到llm让llm来决策。6.2框架层不过多抽象精准控制上下文“不过多抽象” 这一点其实是相对于很多其他agent框架而言很多框架基于对agent应用的理解 抽象了一套agent机制或者multi-agent协作机制用户只需几行代码就可以直接构建agent有点类似于lg prebuild中的SupervisorAgent。这样的好处是从0构建很快但由于过度抽象导致用户并不知道框架内部实际给到llm的输入是什么而在当下agent应用的效果和上下文输入至关重要。在上文实践中当我们想参考claude-code对上下文进行8段式压缩时这一点就体现了我们可以精准控制上下文也精准感知上下文。claude-code 不止于此上文我们对claude-code中的人工审查、SubAgents机制、TodoList实现、8段式压缩、steering流式输出进行了一个大概的介绍和langgraph简单版的实现这些功能是我认为最p0的功能。虽然我们的标题是实现一个claude-code但实际上对于claude-code还有很多功能和优秀的设计并没有涉及比如system-reminder机制、steering响应的背压控制、Hooks机制、PlanMode等等并且cc还以非常快的速度不停迭代新功能。让我们持续关注看看claude-code还会给我们带来哪些惊喜~~如何学习AI大模型我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】第一阶段从大模型系统设计入手讲解大模型的主要方法第二阶段在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段以SD多模态大模型为主搭建了文生图小程序案例第七阶段以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。1.AI大模型学习路线图2.100套AI大模型商业化落地方案3.100集大模型视频教程4.200本大模型PDF书籍5.LLM面试题合集6.AI产品经理资源合集获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】