AI Coding 进阶之路：Claude Code 两周实战总结
AI Coding 进阶之路：Claude Code 两周实战总结
作者： max 爸爸
日期： 2026-04-15
标签： AI Coding, Claude Code, AI Agent, 学习总结
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
| 日期 | 学习内容 |
|---|---|
| 04-07 | AI Agent 课程学习 |
| 04-09 | AgentScope 调用 MCP |
| 04-11 | learn-claude-code 仓库下载 + 学习计划制定 |
| 04-12 | s01_agent_loop.py 源码解读 |
第二周（04-13 ~ 04-15）：实战提升
| 日期 | 学习内容 |
|---|---|
| 04-13 | AgentScope SKILL 调用 |
| 04-14 | Claude Code day7_hooks + day8_memory + 全知识点复习 |
| 04-15 | MCP 基础知识 + 旅游规划开源项目试用 |
📚 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：
| 策略 | 做法 |
|---|---|
| 滑动窗口 | 固定大小缓冲区，保留最近 N 条 |
| 摘要 | 压缩成摘要，保留关键信息 |
3. Planning（规划）
两种模式：
| 模式 | 做法 |
|---|---|
| 一次性规划 | 先拆解所有步骤，再执行 |
| 增量规划 | 执行一步，根据结果决定下一步 |
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：
| 类型 | 时机 | 用途 |
|---|---|---|
| Pre-Hook | 执行前 | 参数验证、权限检查 |
| Post-Hook | 执行后 | 日志记录、结果处理 |
| Error-Hook | 出错时 | 错误处理、重试机制 |
Hook vs 插件：
| Hook | 插件 | |
|---|---|---|
| 重量 | 轻量（单点） | 重型（完整模块） |
| 典型用途 | 日志、校验 | 微信、飞书 |
5. Memory（记忆）
核心问题： Agent 如何跨会话记住信息？
两种 Memory 类型：
| 类型 | 作用 | 持久化 |
|---|---|---|
| 短期记忆 | 会话内消息历史 | 内存，会话结束消失 |
| 长期记忆 | 跨会话持久化 | 文件/数据库 |
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：
| 普通工具 | MCP | |
|---|---|---|
| 定义位置 | 代码 | 配置文件 |
| 调用方式 | 直接函数调用 | HTTP/WebSocket |
| 扩展性 | 低 | 高 |
💻 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):
pass
class 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：
| 序号 | 主题 | 弱点 |
|---|---|---|
| 1 | Planning | 计划生成的提示词方法 |
| 2 | Context | 按 token 裁剪 vs 按条数裁剪 |
| 3 | Tool | 参数校验失败处理 |
| 4 | Memory | 向量检索 / RAG |
💡 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）
| 任务 | 状态 | 说明 |
|---|---|---|
| AI Agent 课程 | ✅ | 通勤时间学习 |
| AgentScope MCP | ✅ | 调用方法学习 |
| learn-claude-code 仓库 | ✅ | 下载完成 |
| Claude Code 学习计划 | ✅ | 2-3周计划制定 |
| s01 源码解读 | ✅ | Agent Loop 核心模式 |
Week 2（04-13 ~ 04-15）
| 任务 | 状态 | 说明 |
|---|---|---|
| AgentScope SKILL | ✅ | 环境管理 SKILL 调通 |
| day7_hooks | ✅ | Hook 机制练习 |
| day8_memory | ✅ | Memory 类实现 |
| 知识点复习 | ✅ | 全知识点复习完成 |
| MCP 基础 | ✅ | 协议原理和架构 |
🔗 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。