我的征尘是星辰大海。。。

The dirt and dust from my pilgrimage forms oceans of stars...

-------当记忆的篇章变得零碎，当追忆的图片变得模糊，我们只能求助于数字存储的永恒的回忆

作者:黄教授

手机视频列表

十分钟复刻极简编程Agent

视频

音频

原始脚本

十分钟复刻极简 AI 编程 Agent 基于 Paimon 迁移 Go 版本，我亲手打通了 Agent with Harness 落地链路。
前言，最近半年 AI 编程能力的进化速度已经彻底打破了我过往的开发工期认知。
前段时间接触到新秀开源项目 Pymono 也就是俗称帕，一款对标，A Cloud Code，奉行极致极简主义的终端编程 CLI Agent。
核心代码仅3000行左右，Node js 实现全程只暴露 read  write  edit  bash 四大基础工具，所有高阶能力都依靠工具组合成 skill 来实现。
设计思路高度克制，完全区别于功能堆砌的重型 Agent 框架。
原本计划手动将这套 Node js 核心逻辑迁移至 Go 语言。
预估至少需要小半天调试语法，适配文件操作与命令调用逻辑。
最终借助 Hermes 任务调度层加 claude 推理能力，全程仅耗时10分钟就完成完整代码迁移。
编译与端到端功能测试。
虽然这套自研购版 Agent 距离 Cloud Code 完备的工程能力还有不小差距，但完整可用的编程及 Agent Harness 已经落地。
这个结果远超我的初始预期。
这次实践不仅验证了极简 Agent 架构的可行性，更直观感受到当下 AI 代码转换闭环测试的效率已经到了人力难以追赶的地步。
一、先理清核心。
派的极简设计哲学，派的核心精髓就是拒绝冗余内置功能，用最少的原子工具覆盖绝大多数编程场景。
一。
Read、 write 基础文件完整读写，是代码读写的底层能力。
二， Edit 并非独立新能力，是 Read 加 Write 的优化封装。
主打行级局部精准替换，只修改指定代码片段，避免整文件重写带来的风险与开销。
三、 bash 万能系统入口。
Linux 环境下编译、下载文件、执行脚本、查询环境等所有系统操作全部通过 bash 指令落地。
整个 Agent 的运行逻辑极度清晰。
LLLM 判断任务，选择对应工具，执行本地操作，收集执行结果回传给模型，形成标准 Agent 循环。
也正因代码量极少。
逻辑高度固化，才具备短时间跨语言迁移的基础条件。
二、十分钟 Go 语言迁移。
AI 编程效率的直观体现，本次迁移的协作架构为三层分工。
Hermes 负责拆解迁移任务，管控会话上下文与长流程规划。
Claude 作为核心推理大脑，全权完成 Node.Js 语法到 Go 的逐行转换、边界异常处理。
单元测试编写。
派作为最终本地工具执行层。
整个过程没有复杂架构改造，只做一对一标准库映射。
Node。
JS 文件模块对应 Go 的 IO 包，紫禁城调用逻辑对应 Go 的斜杠 exec 异步流程同步化适配 Go 的执行范式。
Cloud 不仅完成了代码翻译。
还同步写完基础校验逻辑，迁移结束后直接编译通过，无需额外人工排错。
原版核心代码仅3000行左右，迁移后的 Go 版本代码体量同样保持精简。
真正耗时的从来不是代码行数，而是工具调用规则对齐、返回格式兼容、异常场景兜底。
而这些细节，AI 都一次性完成处理。
三、全链路功能验证。
四大工具闭环测试全部通过，迁移完成后，我设计了一套完整端到端测试用例，串联四大核心工具。
完整模拟真实编码工作流，全程运行顺畅。
一、 read 加 write 实现文件拷贝。
二、 at python 版斐波那契数列代码。
通过 Ray 生成副本文件。
二， Editor 局部代码改写。
先用 Editor 将 Python 代码整体转换为 C 语言实现，再二次调用 Editor 微调参数。
直观验证 edit 只替换目标行，保留其余代码的精准修改能力。
三、 bash 编译执行。
调用 bash 执行 gcc 编译 c 源码。
运行二进制程序并打印最终计算结果。
一套流程走完，文件读写、代码改写、编译构建、结果输出，形成完整闭环。
证明工具调用的决策链路、本地执行链路完全通顺。
四、高阶能力落地。
SKU 组合实现文档对标分析基础功能验证通过后，我进一步测试了。
派的 skill 扩展逻辑，也彻底摸清了极简 Agent 的能力扩展范式。
Skill 从来不是新增内置函数，而是固定四大工具的有序调用组合。
我设计的任务为自动拉取 Deepseek 官方 Agent 相关 HTML 文档和当前自研购版 Agent 实现做对标分析。
整套 Skill 执行链路标准化。
一、 Bash 调用 curl 命令下载目标 HTML 文档至本地。
二、 Read 读取本地文档完整内容。
3 LLM 解析 HTML 结构，逐条对比现有代码实现。
4输出详细差距分析报告。
最终产出的报告明确指出至少5项实现缺口，覆盖工具边界、参数校验、上下文处理、异常捕获、调用规范等维度。
这一刻我意识到这套轻量化 Agent Harness 已经不只能做简单代码改写，还具备代码审计、需求梳理、方案迭代的工程级能力。
五、核心收获。
突破 Agent with harness 的落地认知。
这次实践最大的价值，从来不是写出了一套 Go 版派代码，而是实实在在落地了 Agent with harness 这一核心概念。
大模型本身只能生成文本，Harness 就是连接模型与本地环境的运行底座，负责工具调度、执行循环、结果回传，是让语言模型从问答机器人变成可自主完成编程任务的 Agent 的关键桥梁。
结合本次实践，两点感受尤为深刻。
一、 AI 代码能力的质变，10分钟完成跨语言迁移加全量测试，放在以往至少是半天级别的工作量。
AI 已经抹平了不同编程语言之间的语法壁垒，开发者的重心彻底从写代码转向设计任务流程、定义规则、验证结果。
二、极简架构才是中小团队自研 Agent 的最优解。
派证明3000行代码就能搭建完整可用的编程 harness，不需要复杂的子 Agent MCP 协议。
多层权限弹窗，四大原子工具组合就能覆盖绝大多数日常开发场景。
Hermes 加 Cloude 加 Go 版 Pai 的组合，既拥有强推理能力，又实现了本地执行层的私有化、轻量化、可控。
六、现状与后续规划。
现阶段核心四大工具功能已经全部可用，基础编程任务、自定义 skill 都能正常落地。
仅部分高阶场景的边界处理尚未完善，但基于现有架构补充难度极低。
后续优化方向会聚焦三点，一是给 bash 工具增加命令白名单。
工作目录沙箱，补齐安全能力。
二是将文档拉取、代码评审等常用流程封装为预制 skill 三是完善 Hermes 与 Go 版派的调度规则拆分，复杂长任务交由 Hermes 规划，代码执行全权下发至派。
结语当下 AI Agent 赛道普遍在追求大而全的功能堆砌，单派代表的极简路线给出了另一种答案。
抓住文件读写、代码编辑。
系统执行几个核心动作，就能搭建起完整的编程 Agent 底座。
10分钟的迁移过程看似是一次简单的代码翻译实验，实则是一次完整的 Harness 落地验证。
对于开发者而言，现在搭建一套属于自己的可用 AI 编程 Agent 的门槛已经降到极低。
真正拉开差距的不再是编码速度，而是对 Agent 流程的设计能力。
工具边界的把控能力。

修正脚本

十分钟复刻极简 AI 编程 Agent 基于 Paimon 迁移 Go 版本，我亲手打通了 Agent with Harness 落地链路。
前言，最近半年 AI 编程能力的进化速度已经彻底打破了我过往的开发工期认知。
前段时间接触到新秀开源项目 Pymono 也就是俗称派，一款对标 A Cloud Code，奉行极致极简主义的终端编程 CLI Agent。
核心代码仅3000行左右，Node js 实现全程只暴露 read  write  edit  bash 四大基础工具，所有高阶能力都依靠工具组合成 skill 来实现。
设计思路高度克制，完全区别于功能堆砌的重型 Agent 框架。
原本计划手动将这套 Node js 核心逻辑迁移至 Go 语言。
预估至少需要小半天调试语法，适配文件操作与命令调用逻辑。
最终借助 Hermes 任务调度层加 claude 推理能力，全程仅耗时10分钟就完成完整代码迁移、编译与端到端功能测试。
虽然这套自研Go版 Agent 距离 Cloud Code 完备的工程能力还有不小差距，但完整可用的编程及 Agent Harness 已经落地。
这个结果远超我的初始预期。
这次实践不仅验证了极简 Agent 架构的可行性，更直观感受到当下 AI 代码转换闭环测试的效率已经到了人力难以追赶的地步。
一、先理清核心。
派的极简设计哲学，派的核心精髓就是拒绝冗余内置功能，用最少的原子工具覆盖绝大多数编程场景。
一、
Read、 write 基础文件完整读写，是代码读写的底层能力。
二、 Edit 并非独立新能力，是 Read 加 Write 的优化封装。
主打行级局部精准替换，只修改指定代码片段，避免整文件重写带来的风险与开销。
三、 bash 万能系统入口。
Linux 环境下编译、下载文件、执行脚本、查询环境等所有系统操作全部通过 bash 指令落地。
整个 Agent 的运行逻辑极度清晰。
LLM 判断任务，选择对应工具，执行本地操作，收集执行结果回传给模型，形成标准 Agent 循环。
也正因代码量极少，逻辑高度固化，才具备短时间跨语言迁移的基础条件。
二、十分钟 Go 语言迁移。
AI 编程效率的直观体现，本次迁移的协作架构为三层分工。
Hermes 负责拆解迁移任务，管控会话上下文与长流程规划。
Claude 作为核心推理大脑，全权完成 Node.Js 语法到 Go 的逐行转换、边界异常处理、单元测试编写。
派作为最终本地工具执行层。
整个过程没有复杂架构改造，只做一对一标准库映射。
Node.js 文件模块对应 Go 的 IO 包，子进程调用逻辑对应 Go 的 /exec 异步流程同步化适配 Go 的执行范式。
Claude 不仅完成了代码翻译，还同步写完基础校验逻辑，迁移结束后直接编译通过，无需额外人工排错。
原版核心代码仅3000行左右，迁移后的 Go 版本代码体量同样保持精简。
真正耗时的从来不是代码行数，而是工具调用规则对齐、返回格式兼容、异常场景兜底。
而这些细节，AI 都一次性完成处理。
三、全链路功能验证。
四大工具闭环测试全部通过，迁移完成后，我设计了一套完整端到端测试用例，串联四大核心工具。
完整模拟真实编码工作流，全程运行顺畅。
一、 read 加 write 实现文件拷贝，编写 python 版斐波那契数列代码，通过 Ray 生成副本文件。
二、 Editor 局部代码改写。
先用 Editor 将 Python 代码整体转换为 C 语言实现，再二次调用 Editor 微调参数。
直观验证 edit 只替换目标行，保留其余代码的精准修改能力。
三、 bash 编译执行。
调用 bash 执行 gcc 编译 c 源码。
运行二进制程序并打印最终计算结果。
一套流程走完，文件读写、代码改写、编译构建、结果输出，形成完整闭环。
证明工具调用的决策链路、本地执行链路完全通顺。
四、高阶能力落地。
Skill 组合实现文档对标分析，基础功能验证通过后，我进一步测试了派的 skill 扩展逻辑，也彻底摸清了极简 Agent 的能力扩展范式。
Skill 从来不是新增内置函数，而是固定四大工具的有序调用组合。
我设计的任务为自动拉取 Deepseek 官方 Agent 相关 HTML 文档和当前自研Go版 Agent 实现做对标分析。
整套 Skill 执行链路标准化。
一、 Bash 调用 curl 命令下载目标 HTML 文档至本地。
二、 Read 读取本地文档完整内容。
3 LLM 解析 HTML 结构，逐条对比现有代码实现。
4输出详细差距分析报告。
最终产出的报告明确指出至少5项实现缺口，覆盖工具边界、参数校验、上下文处理、异常捕获、调用规范等维度。
这一刻我意识到这套轻量化 Agent Harness 已经不只能做简单代码改写，还具备代码审计、需求梳理、方案迭代的工程级能力。
五、核心收获。
突破 Agent with harness 的落地认知。
这次实践最大的价值，从来不是写出了一套 Go 版派代码，而是实实在在落地了 Agent with harness 这一核心概念。
大模型本身只能生成文本，Harness 就是连接模型与本地环境的运行底座，负责工具调度、执行循环、结果回传，是让语言模型从问答机器人变成可自主完成编程任务的 Agent 的关键桥梁。
结合本次实践，两点感受尤为深刻。
一、 AI 代码能力的质变，10分钟完成跨语言迁移加全量测试，放在以往至少是半天级别的工作量。
AI 已经抹平了不同编程语言之间的语法壁垒，开发者的重心彻底从写代码转向设计任务流程、定义规则、验证结果。
二、极简架构才是中小团队自研 Agent 的最优解。
派证明3000行代码就能搭建完整可用的编程 harness，不需要复杂的子 Agent MCP 协议、多层权限弹窗，四大原子工具组合就能覆盖绝大多数日常开发场景。
Hermes 加 Claude 加 Go 版 Pai 的组合，既拥有强推理能力，又实现了本地执行层的私有化、轻量化、可控。
六、现状与后续规划。
现阶段核心四大工具功能已经全部可用，基础编程任务、自定义 skill 都能正常落地。
仅部分高阶场景的边界处理尚未完善，但基于现有架构补充难度极低。
后续优化方向会聚焦三点，一是给 bash 工具增加命令白名单、工作目录沙箱，补齐安全能力。
二是将文档拉取、代码评审等常用流程封装为预制 skill，三是完善 Hermes 与 Go 版派的调度规则拆分，复杂长任务交由 Hermes 规划，代码执行全权下发至派。
结语当下 AI Agent 赛道普遍在追求大而全的功能堆砌，但派代表的极简路线给出了另一种答案。
抓住文件读写、代码编辑、系统执行几个核心动作，就能搭建起完整的编程 Agent 底座。
10分钟的迁移过程看似是一次简单的代码翻译实验，实则是一次完整的 Harness 落地验证。
对于开发者而言，现在搭建一套属于自己的可用 AI 编程 Agent 的门槛已经降到极低。
真正拉开差距的不再是编码速度，而是对 Agent 流程的设计能力、工具边界的把控能力。

英文翻译