[Open Source] **從零打造 AI 程式碼助理，準備好了嗎？ 立即開始，啟航！**

從零打造類 Claude Code 智能程式碼助手：手把手教你建立自己的 AI 程式碼助理

嘿，各位熱愛程式碼的台灣朋友們！想過自己動手打造一個像 Claude Code 一樣的 AI 程式碼助理嗎？ 今天要來介紹一個超棒的資源，讓你從最基礎的程式碼迴圈開始，一步一步建構出功能強大的 AI 程式碼助手。 這就像是在廚房裡從零開始學做菜，最終也能端出一道美味料理一樣！

什麼是 Claude Code？

Claude Code 是一個由 Anthropic 開發的 AI 程式碼助理，它能協助你完成各種程式碼相關的工作，例如生成程式碼、除錯、重構等等。 它的核心理念是將任務分解成小的、可管理的步驟，然後透過工具和迴圈來完成。

為什麼要自己打造？

市面上已經有許多現成的 AI 程式碼助理了，那為什麼還要自己動手打造呢？

• 學習核心概念： 透過自己動手，你可以更深入地了解 AI 程式碼助理的運作原理，掌握其核心概念，而不是僅僅停留在使用的層面。
• 客製化： 你可以根據自己的需求和喜好，客製化你的 AI 程式碼助理。 例如，你可以選擇自己喜歡的 LLM (大型語言模型) 、添加特定的工具，或是調整工作流程。
• 創造力與成就感： 從零開始打造，你能體會到程式碼帶來的樂趣和成就感。
• 提升技能： 這個過程可以幫助你提升 Python 編程、AI 相關知識，以及解決問題的能力。

介紹：Learn Claude Code — 從零打造

這次要介紹的專案是 learn-claude-code，它是一個專為教學設計的專案，讓你從零開始，逐步建構一個類似 Claude Code 的 AI 程式碼助理。 這個專案用簡單易懂的方式，逐步引導你了解 AI 程式碼助理的核心原理。

專案連結： https://github.com/shareAI-lab/learn-claude-code

這個專案提供了一系列的課程，每個課程都專注於一個特定的機制。 透過這些課程，你將學會：

• 基本迴圈： 這是 AI 程式碼助理的基礎，負責接收使用者指令、呼叫 LLM、執行工具，以及回覆使用者。
• 工具整合： 如何將各種工具 (例如，程式碼產生器、除錯器、文件檢視器) 整合到你的 AI 程式碼助理中。
• 任務規劃： 如何讓 AI 程式碼助理具有規劃能力，將複雜的任務分解成小的、可管理的步驟。
• 上下文管理： 如何有效地管理 AI 程式碼助理的上下文，避免資訊混亂。
• 多代理人協作： 如何讓你的 AI 程式碼助理可以與其他代理人 (agents) 協同工作，共同完成任務。
• 文件與程式碼隔離： 確保每個任務在獨立的環境中運行，避免干擾。

快速上手

1. 環境設定
   • 首先，你需要安裝 Python 和 pip (Python 的套件管理工具)。
   • 接下來，克隆 (clone) 這個專案到你的電腦上：

     git clone https://github.com/shareAI-lab/learn-claude-code
     cd learn-claude-code
     

   • 然後，安裝專案所需的 Python 套件：

     pip install -r requirements.txt
     

   • 設定你的 Anthropic API 金鑰： 這個專案使用了 Anthropic 的 LLM。 你需要申請一個 Anthropic API 金鑰。 將你的金鑰設定在 .env 檔案中 (如果沒有，可以複製 .env.example 建立一個)。

     cp .env.example .env
     # 使用你自己的 API 金鑰編輯 .env
     # 例如：ANTHROPIC_API_KEY=sk-xxxx
     

2. 開始學習
   • 這個專案提供了 12 個逐步進展的程式碼範例 (sessions)，從最簡單的迴圈到複雜的多代理人協作。
   • 你可以從 agents/s01_agent_loop.py 開始，這是最基本的迴圈。
   • 然後，依序執行其他的範例，例如 agents/s02_tool_use.py，agents/s03_todo_write.py等等，逐步了解各種機制。
   • 最完整的程式碼是 agents/s12_worktree_task_isolation.py，它包含了所有機制。
   • 此外，專案還提供了一個總覽所有機制整合的 agents/s_full.py。
3. 瀏覽文件
   • 專案提供了豐富的文件，方便你理解每個程式碼範例。 文件以 “mental-model-first” 的方式呈現，也就是說，先說明問題，然後提供解決方案、ASCII 圖表，最後是程式碼範例。
   • 文件有英文、中文和日文版本。 你可以在 docs/zh/ 資料夾中找到中文文件。
   • 文件按順序排列，你可以按照順序閱讀，也可以根據你的興趣跳躍式閱讀。

核心概念：Agent 模式

這個專案的核心是「Agent 模式」。 了解這個模式，就能理解 AI 程式碼助理的工作原理。

Agent 模式的核心流程如下：

1. 使用者輸入 (User Input)： 使用者輸入指令。
2. 訊息列表 (messages[])： 將使用者指令轉換成訊息，傳遞給 LLM。
3. LLM 產生回覆 (LLM –> Response)： LLM 根據訊息產生回覆，包含程式碼、文本、或其他指令。
4. 判斷是否需要使用工具 (stop_reason == “tool_use”?)：
   • 否 (No)： 直接回傳文字。
   • 是 (Yes)：
     • 執行工具 (execute tools)： 根據 LLM 的指示，執行工具。
     • 儲存結果 (append results)： 將工具的執行結果儲存起來。
     • 迴圈 (loop back)： 將結果加入訊息列表，再次傳遞給 LLM。

這個迴圈會不斷重複，直到 LLM 不再需要使用工具為止。

用 Python 程式碼表示如下：

def agent_loop(messages):
    while True:
        response = client.messages.create(
            model=MODEL, system=SYSTEM,
            messages=messages, tools=TOOLS,
        )
        messages.append({"role": "assistant",
                         "content": response.content})

        if response.stop_reason != "tool_use":
            return

        results = []
        for block in response.content:
            if block.type == "tool_use":
                output = TOOL_HANDLERS[block.name](**block.input)
                results.append({
                    "type": "tool_result",
                    "tool_use_id": block.id,
                    "content": output,
                })
        messages.append({"role": "user", "content": results})

逐步深入：每個 session 的核心理念

這個專案的每個 session 都會增加一個新的機制，讓你的 AI 程式碼助理越來越強大。 每個 session 都有一個口號，幫助你理解這個機制的重點。

• s01: The Agent Loop (一個迴圈和 Bash 就夠了)
  • 學習核心的 Agent 迴圈。 只需要一個迴圈和一個工具 (例如 Bash)。
• s02: Tool Use (新增工具，即增加一個處理器)
  • 學習如何將新的工具 (例如程式碼產生器) 加入到你的 AI 程式碼助理中。
• s03: TodoWrite (沒有計畫的 Agent 會迷失方向)
  • 學習如何讓 AI 程式碼助理具有規劃能力，例如先列出步驟，然後再執行。
• s04: Subagents (將大型任務分解)
  • 學習如何使用子代理人，讓你的 AI 程式碼助理可以處理更複雜的任務。 每個子代理人都有自己的訊息列表，保持對話的清晰。
• s05: Skills (隨需載入知識，而不是預先載入)
  • 學習如何讓 AI 程式碼助理可以根據需要載入知識 (例如，從檔案中讀取說明)。
• s06: Context Compact (上下文會爆滿，你需要清理空間)
  • 學習如何管理上下文，避免信息過載，例如使用壓縮策略。
• s07: Tasks (將大目標拆分成小任務，並排序，持久化到磁碟)
  • 學習如何使用基於檔案的任務系統來管理你的程式碼助手。
• s08: Background Tasks (在後台運行緩慢的操作，agent 繼續思考)
  • 學習如何讓 AI 程式碼助理在後台執行長時間運行的操作。
• s09: Agent Teams (當任務太大時，委派給隊友)
  • 學習如何創建代理人團隊來協同工作。
• s10: Team Protocols (隊友需要共享的通訊規則)
  • 學習代理人團隊之間的通訊協議，例如請求-回應模式。
• s11: Autonomous Agents (隊友掃描任務並自行認領)
  • 學習讓團隊中的代理人能夠自主地認領任務。
• s12: Worktree + Task Isolation (每個代理人在自己的目錄中工作，沒有干擾)
  • 學習如何讓每個代理人在獨立的工作目錄中工作，避免相互干擾。

個人實作心得

我親自嘗試了這個專案，真的覺得非常棒！ 以下是我的一些心得：

• 從最簡單的開始： 不要急著一次看完所有程式碼。 建議從 s01 開始，逐步深入。
• 邊看程式碼邊實驗： 不要只是讀文件，也要親自執行程式碼，修改程式碼，看看會發生什麼變化。
• 勇敢嘗試： 遇到問題是正常的。 試著自己解決，或是上網搜尋相關資訊。
• 多做筆記： 記錄你學習到的內容，以及遇到的問題。 這可以幫助你更好地理解和記憶。
• 善用文件和範例： 文件和範例都是非常好的學習資源。 好好利用它們。
• 享受樂趣： 打造 AI 程式碼助理的過程很有趣，享受這個過程吧！

錯誤排除指南

在學習的過程中，你可能會遇到一些問題。 以下是一些常見問題的解決方案：

• API 金鑰錯誤： 請確認你已經正確地設定了 API 金鑰，並且金鑰有效。
• 套件安裝錯誤： 檢查你是否已安裝了所有的 Python 套件。 可以重新執行 pip install -r requirements.txt。
• 程式碼錯誤： 仔細檢查程式碼，看看是否有拼寫錯誤或語法錯誤。 可以使用程式碼編輯器的錯誤檢查功能。
• LLM 回覆錯誤： LLM 有時候會產生錯誤的回覆。 嘗試重新執行，或者調整提示詞。
• 權限問題： 確保你有執行程式碼的權限，特別是在使用檔案操作的時候。

結論

learn-claude-code 是一個非常棒的資源，讓你從零開始，逐步建構 AI 程式碼助理。 透過這個專案，你可以學習 AI 程式碼助理的核心概念，並且提升你的程式設計技能。

還在等什麼呢？ 趕快開始你的 AI 程式碼助理之旅吧！ 祝你學習愉快！

參考閱讀

https://github.com/shareAI-lab/learn-claude-code

About the Author

n8n n8n

Administrator

View All Posts