用途
awesome-agent-architecture 是一个用于从零学习 AI 智能体架构的开源仓库。它解释现代 AI 智能体如何围绕 LLM 构建，核心观点是：模型负责推理，而 harness（执行框架）把推理转化为受控行动——运行工具、跨调用保持状态、对副作用进行门控、协调循环，这些是单次模型调用本身做不到的。
主要能力
仓库按层次逐节讲解 harness：循环（loop）、工具（tools）、记忆（memory）、权限（permissions）、上下文（context）、任务（tasks）、接口（interfaces）。每个小节自成一体，采用统一的四部分视角组织：问题、机制、真实系统中的实现、失败模式。
仓库包含 00-harness-thesis/ 到 23-evaluation/ 共 24 个小节文档，每个小节目录为 NN-name/ 并含 README.md。第 1 至第 23 节还附带可运行的 src/，代码逐节累积，每节新增一个机制并演进 loop.py，因此相邻小节的 diff 能直观呈现变化。
研究系统包括：claude-code（用于机制命名和实现路径）、hermes-agent、mini-swe-agent、deepseek-harness，均为开源（MIT）或备份性质的研究对象。
使用方式
仓库建议的学习路径：按顺序阅读各节，每节都建立在前一层之上；对于可运行的小节，先读 src/loop.py，再运行其 demo.py；将某节的 src/ 与前一节对比，diff 即为该节新增的机制。
运行演示：第 1 至 23 节提供可运行 demo，从仓库根目录一次性配置。锁定依赖写在 requirements.txt 中；.env 被 git 忽略，包含 ANTHROPIC_API_KEY、可选的 ANTHROPIC_MODEL 和可选的 ANTHROPIC_BASE_URL。每个可运行小节含 test.py（离线检查，无需密钥）和 demo.py（针对 API 的实时演示）。
适用场景
适合希望系统理解编码工具、聊天助手和自主运行器之间差异的学习者，因为这三者主要区别在于 harness 的选择。也适合希望按统一结构补充系统案例、深化某一小节机制、或提交有来源的正确性修正的贡献者。
配套与深入
三个配套仓库提供更深入内容：learn-agent-memory 将记忆循环扩展为生产级记忆子系统；learn-deepseek-harness 从零、逐个插件接缝地学习 deepseek-harness；EvalGrill 将智能体应用的真实案例转化为可复现、可验证的评测集。
限制
仓库文档中的表述为从源码、文档和行为进行的重建（reconstructions），欢迎有来源的修正。部分内容依赖 Anthropic API 密钥才能运行实时演示。仓库未在资料中提供收费、价格、平台兼容性等信息，暂未提供。
