AI Coding 进阶之路:Claude Code 两周实战总结

前言

过去两周，我通过 Claude Code 系统学习了 AI Agent 的核心知识体系。从 Agent Loop 到 Memory 管理，从 Hooks 机制到 MCP 协议，每天都在进步。这篇文章整理这两周的学习历程和核心收获。

📅 学习时间线

第一周（04-06 ~ 04-12）：打基础

第二周（04-13 ~ 04-15）：实战提升

📚 核心知识点

1. Agent Loop（Agent 循环）

核心概念： LLM 思考 → 判断是否需要工具 → 执行工具 → 返回结果 → 继续思考

用户输入 → LLM 思考 → 判断是否需要工具                          ↓ 是                    返回 tool_call（工具名+参数）                          ↓                    Agent 执行工具                          ↓                    格式化结果返回给 LLM                          ↓                    LLM 继续思考 → 最终回复

本质： LLM 是大脑，Agent 是手，工具是工具箱，循环是血液循环。

2. Context Management（上下文管理）

核心问题： Token 限制下如何管理上下文

两种策略：

3. Planning（规划）

两种模式：

类比： 增量规划 = 迭代开发，计划修正 = 敏捷变更

4. Hooks（钩子）

核心思想： 在不修改核心代码的情况下，插入自定义逻辑

三种类型：

Hook vs 插件：

5. Memory（记忆）

核心问题： Agent 如何跨会话记住信息？

两种 Memory 类型：

Memory 的读写时机：

• 读取：
  
   用户输入时，加载到上下文
• 写入：
  
   执行过程中，重要信息持久化

6. MCP 协议

核心问题： 如何让 Agent 调用外部服务？

MCP 架构：

Agent → MCP Client → MCP Server → 外部服务                          ↓              工具定义注册 + 请求转发

MCP vs 普通工具：

💻 实战练习

day3_todo – Todo CLI 工具

• 实现了 Todo CLI 工具 + 单元测试

day4_agent_loop – 简单 Agent Loop

• 理解了 Agent Loop 的核心模式

day4_real_agent – 真正调用 MiniMax API

• 学会了调用实际的大模型 API

day7_hooks – Hook 机制

class Hook:    def before(self, context):        pass    def after(self, context, result):        passclass LoggingHook(Hook):    def before(self, context):        print(f"开始: {context}")    def after(self, context, result):        print(f"完成: {result}")

day8_memory – Memory 类实现

class Memory:    def save(self, key, value):        self.data[key] = value        json.dump(self.data, open(self.path, "w"))    def build_context(self):        return "【记忆】" + " | ".join([f"{k}: {v}" for k, v in self.data.items()])

🔍 知识弱点分析

通过这两周的学习，发现还有 4 个薄弱点需要加强：

💡 核心感悟

1. 学习方法论

• 费曼学习法：
  
   能用自己的话说清楚，才算真正理解
• 追问本质：
  
   每个概念问自己”它的本质是什么”
• 实践驱动：
  
   看十遍不如做一遍

2. AI 辅助学习

用 AI 辅助学习 AI，是最高效的学习模式：

• 个性化引导
• 即时反馈
• 进度追踪
• 知识串联

3. 组件化思维

skill 不是”代码”，是”可执行的文档”

把学习成果组件化，可以复用、组合、优化。

📊 学习进度

Week 1（04-06 ~ 04-12）

Week 2（04-13 ~ 04-15）

🔗 工作中的实践

MCP Server 架构决策

场景： 微服务框架下，多服务场景

决策： 使用单独一个服务构建 MCP Server，简化外部调用关系

架构图：

外部系统 → MCP Server（统一入口）→ 各个微服务                    ↓            工具注册 + 调度

AI Agent 全流程 Demo

目标： 月底前将原始微服务架构升级为 AI Agent 架构

SKILL 规划：

• 测试设计-硬件 Skill
• 测试设计-性能 Skill
• 测试执行 Skill
• 测试分析 Skill
• 环境管理 Skill

结语

AI Agent 的学习是一个循序渐进的过程。从 Agent Loop 到 Context Management，从 Hooks 到 Memory，从 Planning 到 MCP，每一个概念都是构建复杂 AI 系统的基石。

学习路上，陪伴很重要。 有 AI 助手的持续记录和反馈，学习变得更高效、更有方向。

如果你也在学习 AI Agent，欢迎交流讨论，我的blog：sunrong.site