À propos du projet

Ce dépôt éducatif enseigne le « harness engineering » pour les agents IA : la discipline consistant à construire l'environnement opérationnel autour d'un modèle entraîné. Sa thèse centrale est que l'agentivité (percevoir, raisonner, agir) provient de l'entraînement du modèle, et non d'une orchestration par du code externe ; un produit agent, c'est modèle + harness. Le README distingue les véritables agents des constructeurs de workflows par enchaînement de prompts, et soutient que l'intelligence ne peut pas être conçue en empilant du code procédural de collage. Le cours se compose de 17 leçons progressives (s01–s17), chacune isolant un mécanisme de harness et livrant une implémentation Python autonome et exécutable (code.py), des README en anglais/chinois/japonais, et des diagrammes SVG. Les leçons couvrent : - s01 Boucle d'agent (une boucle + bash) - s02 Dispatch d'utilisation des outils - s03 Système de permissions - s04 Hooks autour de la boucle - s05 Planification TodoWrite - s06 Isolation du contexte des sous-agents - s07 Chargement des compétences à la demande - s08 Compactage du contexte - s09 Sous-systèmes de mémoire (sélection, extraction, consolidation) - s10 Système de tâches adossé à des fichiers - s11 Tâches en arrière-plan - s12 Planification Cron - s13 Équipes d'agents avec revendications atomiques de tâches et worktrees liés aux tâches - s14 Intégration d'outils plugins MCP - s15 Harness intégré reconnectant tous les mécanismes autour d'une seule boucle - s16 Runtime de workflow avec journaux reprenables - s17 Boucle d'objectif avec évaluation d'arrêt indépendante L'implémentation suit une boucle d'agent LLM générique : messages en entrée, réponse en sortie, blocs tool_use exécutés, résultats ajoutés, la boucle se répète. Chaque chapitre ajoute exactement un mécanisme autour de cette boucle constante. Claude Code est cité comme modèle de harness bien conçu, car il fournit des outils, le chargement de connaissances, la gestion du contexte et des frontières de permissions sans imposer de workflows rigides. Le dépôt préserve également un parcours hérité de 12 leçons sous docs/ et agents/ pendant la migration, avec une table de correspondance vers les chapitres actuels. Démarrage rapide : cloner, pip install requirements, configurer ANTHROPIC_API_KEY dans .env, puis exécuter le code d'un chapitre comme python s01_agent_loop/code.py. Une version application web est incluse sous web/. Parmi les projets compagnons mentionnés figurent le Kode Agent CLI et le Kode Agent SDK, ainsi qu'un tutoriel sœur (OpenClaw) sur les harness d'assistants toujours actifs.