手把手教你用claw-code搭建Agent

3月31日，Claude Code 的源码因 source map 文件未剥离意外泄露。51万行 TypeScript 代码、1903个文件，就这样暴露在了公网上。

而就在泄露后的几小时内，一个韩国开源团队 instructkr 就启动了 claw-code 项目——用 Rust + Python 对 Claude Code 的核心架构进行了 clean-room 复刻。

这个项目 2 小时冲上 50K star，创下 GitHub 历史最快纪录。

对我们求职党来说，这意味着什么？ 意味着你现在可以拆开 Claude Code 的引擎盖，学习一套工业级 AI Agent 系统的设计思路，甚至基于它搭建自己的面试练习 Agent。

一、claw-code 是什么？

简单说：它是 Claude Code 的开源复刻版，核心用 Rust 实现（约2万行代码），配合 Python 做辅助分析。

项目地址：github.com/instructkr/claw-code

它不是泄露代码的搬运，而是基于公开架构模式的 clean-room 重写，完全 MIT 开源。

核心模块

rust/crates/
├── api/          # API 客户端，SSE 流式处理
├── commands/     # 斜杠命令注册表
├── runtime/      # 会话、配置、权限、MCP、提示词
├── claw-cli/     # 主 CLI 入口
└── tools/        # 18个内置工具实现

它复刻了 Claude Code 最核心的几个系统：

工具系统：bash 执行、文件读写、搜索、Web 抓取等 18 个内置工具
权限系统：ReadOnly / WorkspaceWrite / DangerFullAccess 三级权限
子 Agent 架构：Explore Agent（只读探索）、Plan Agent（规划）、Verification Agent（验证）
MCP 协议：模型上下文协议的完整客户端/服务端实现
会话管理：对话持久化、成本追踪、token 用量统计

二、怎么上手？3 步跑起来

环境准备

你需要：

Rust 工具链（rustup 安装）
Python 3.10+
一个 Claude API Key（设置环境变量 ANTHROPIC_API_KEY）

第 1 步：克隆 & 构建

git clone https://github.com/instructkr/claw-code.git
cd claw-code/rust
cargo build --release

构建完成后，可执行文件在 ./target/release/claw。

第 2 步：启动交互式 REPL

./target/release/claw

进入交互模式后，你就拥有了一个类 Claude Code 的终端 Agent，支持：

流式对话（SSE）
工具调用（文件操作、bash 命令、搜索等）
Markdown 渲染输出

第 3 步：试试 Python 分析工具

# 查看系统模块总览
python3 -m src.main subsystems --limit 16

# 查看命令清单
python3 -m src.main commands --limit 10

# 跑测试验证
python3 -m unittest discover -s tests -v

三、从源码学 Agent 设计：可以做哪些 Agent？

claw-code 最大的价值，不是给你一个现成产品，而是给你一套 可参考的 Agent 架构范式。以下是几个可以直接落地的方向：

1. 面试刷题 Agent

利用 claw-code 的工具系统 + 子 Agent 架构，你可以搭一个：

出题 Agent（Plan Agent 模式）：只读访问题库，根据岗位和难度出题
判题 Agent（Verification Agent 模式）：对你的回答做 adversarial probes，找漏洞
讲解 Agent（Explore Agent 模式）：只读分析你的代码，给出优化建议

关键设计：出题和判题的 Agent 必须分离，这是 Claude Code 验证系统的核心思想——实现者和验证者不能是同一个角色。

2. 简历优化 Agent

利用文件读写工具 + MCP 协议：

读取你的简历文件
对照目标 JD 做匹配分析
输出修改建议，直接编辑文件

3. 模拟面试官 Agent

基于 claw-code 的对话运行时，设定面试官 system prompt：

按轮次递进：一面基础 → 二面项目深挖 → 三面系统设计
每个回答后自动追问
面试结束自动生成评价报告

4. 代码 Review Agent

直接复用 claw-code 的 bash + file_read + grep_search 工具链：

读取你的项目代码
跑 lint、跑测试
输出 code review 报告，标注问题和改进建议

四、面试高频问题：如果面试官问你 AI Agent 架构

读完 claw-code 源码，以下这些问题你应该能答得很扎实：

Q1：AI Agent 和普通 LLM 调用有什么区别？

Agent 不只是"调一次 API"。claw-code 里一个工具调用要经过：输入校验 → 权限检查 → Hook 前置处理 → 执行 → 后置处理 → 失败兜底，整条链路有 10+ 个环节。Agent 的核心是 工具治理，不是模型本身。

Q2：为什么要做多 Agent 而不是一个 Agent 搞定所有事？

claw-code 里有 Explore Agent（只读）、Plan Agent（规划）、Verification Agent（验证）三个特化角色。原因很简单：一个 Agent 同时做研究、规划、实现、验证，每件事都做不扎实。尤其是验证——自己写的代码自己验，天然有偏见。

Q3：怎么管理 Agent 的上下文窗口？

claw-code 复刻了 Claude Code 的三层压缩：微压缩（清理旧工具结果）→ 自动压缩（87% 阈值触发）→ 完全压缩（AI 摘要替换历史）。核心原则：上下文是预算，不是免费空间。能缓存的缓存，能按需加载的不要提前塞进去。

Q4：什么是 MCP 协议？为什么重要？

MCP（Model Context Protocol）是让 Agent 连接外部工具和数据源的标准协议。claw-code 完整实现了 MCP 客户端/服务端。它的价值在于：不用为每个工具写死接口，任何符合 MCP 协议的服务都能即插即用，这是 Agent 生态化的基础设施。

Q5：Agent 的权限系统怎么设计？

claw-code 采用 fail-closed 设计：工具默认不安全、默认会写入。如果开发者忘了声明安全属性，系统假设最坏情况。三级权限（ReadOnly / WorkspaceWrite / DangerFullAccess）+ 子 Agent 权限继承但受限。宁可过度保守，也不漏掉风险。