从 LLM API 调用到 Agent Loop，构建一个能读代码、改文件、跑命令的终端 AI 编程助手。涵盖 Tool Use 协议、流式响应、上下文管理、CLI 交互等核心主题。
从 AI Agent 的核心概念出发——感知、推理、行动循环，理解 Coding Agent 在 Agent 谱系中的位置。搭建项目，实现 LLMProvider 抽象接口，配置 Anthropic 和 OpenAI 兼容层，发送第一条消息。支持 TypeScript 和 Python 双语言。
实现 Server-Sent Events 流式输出，逐 token 打印响应，处理 stream 事件类型，支持 Anthropic 和 OpenAI 两种流式协议。
实现 MessageHistory 类管理对话状态，维护 user/assistant 角色交替的消息历史，支持获取、清空、截断等操作。
理解并实现 LLM 工具调用协议。定义工具的 JSON Schema，解析 tool_use 响应块，构造 tool_result 返回给 LLM，打通工具调用的完整消息流转。
实现文件读取工具，支持行号显示、二进制文件检测、路径安全校验，将文件内容格式化返回给 LLM。
实现文件写入工具，支持创建和覆盖文件、自动创建目录、写入前 diff 预览。
实现命令执行工具，基于 child_process 管理子进程，捕获 stdout/stderr，支持超时控制和工作目录设置。
实现代码搜索工具，Glob 匹配文件路径 + Grep 搜索文件内容，支持正则表达式，格式化搜索结果。
实现 Agent 的核心循环：发送消息给 LLM → 解析 tool_use → 执行工具 → 返回 tool_result → 继续调用 LLM，直到任务完成。
处理 LLM 单次响应中包含多个 tool_use 的场景，并行执行工具，聚合结果后统一返回，提升复杂任务的执行效率。
让 Agent 具备规划能力：接到复杂任务时先制定执行计划再行动，而不是盲目调用工具。实现计划的结构化表示、动态调整（发现文件不存在→修改计划）、以及多步推理的自主决策。
实现工具执行失败时的优雅反馈，API 限流的指数退避重试，以及异常场景下的恢复策略。
掌握 System Prompt 的分层设计方法论：Meta Prompt → 角色定义 → 行为规则 → 工具使用指南 → 输出约束。分析真实 Coding Agent 的 System Prompt 案例，理解 prompt 迭代优化的实践方法。
实现消息的 token 估算，管理上下文窗口预算分配，设计触发压缩的阈值策略。
识别上下文工程的常见陷阱：上下文污染（幻觉循环）、上下文干扰（信息过载）、工具过多导致选择困难。引入 Agent Scratchpad 模式让 Agent 维护工作笔记，跨轮次保持推理连贯性。
实现基于 LLM 的对话摘要压缩，保留最近 N 轮完整对话，用摘要替换早期消息，实现滑动窗口策略。
实现交互式 REPL 循环，支持 /help /clear /exit 等内置命令，处理多行输入和优雅退出。
实现终端 Markdown 渲染，代码块语法高亮、标题/列表/粗体格式化，使用 ANSI 转义码输出颜色。
实现工具调用的 Spinner 动画、工具名称和参数展示、执行耗时统计、长输出折叠。
实现 Prompt Injection 防护（用户输入与系统指令的边界隔离）、文件系统沙箱（阻止读写敏感路径）、危险操作识别与用户确认。自动读取项目配置（CLAUDE.md），注入 git 仓库信息到上下文。