llm-coding-agent 教程：200 行 Python 搭一个 Claude Code 风格的编码 Agent（附完整代码）
TL;DR
Simon Willison 用 Claude Fable 5 从零搭建了一个 Claude Code 风格的 Python 编码 Agent，已发布到 PyPI。本文拆解它的核心架构——5 个工具、一个 Agent 主循环、以及不到 200 行就能跑起来的完整实现，附上可直接运行的代码和踩坑提示。
1. 背景：为什么还要自己搭一个 Coding Agent？
Claude Code、Codex、Cursor——市面上的 AI 编码工具已经够多了。但 Simon Willison 决定自己动手，理由很直接：他的 LLM 库 已经演化成一个 Agent 框架，他想验证它能不能支撑一个完整的 coding agent。更重要的是，自己搭意味着你能理解每一行代码在做什么——这恰好呼应了 Geoffrey Litt 在 AIE 大会上说的"理解才能参与"。
他用 Claude Fable 5 写了 spec、实现了所有代码、跑了测试、写了文档，最后发布到 PyPI。你可以这样安装：
uvx--prerelease=allow--withllm-coding-agent llm code2. 核心架构：五个工具 + 一个主循环
llm-coding-agent 的架构极其简洁。它只有5 个工具，每个工具就是一个 Python 函数：
| 工具 | 功能 | 对应 Claude Code 的哪个能力 |
|---|---|---|
edit_file | 精确字符串替换（old_string → new_string） | Edit 工具 |
execute_command | 在项目根目录执行 shell 命令 | Bash 工具 |
list_files | 按 glob 模式列出文件 | Glob 工具 |
read_file | 读取文件，返回 cat -n 格式的行号输出 | Read 工具 |
write_file | 创建或覆盖文件（自动创建父目录） | Write 工具 |
Fable 还贴心地加了一个search_files工具做正则搜索——这其实是 Simon 没要求的，但 Fable 自己判断应该加上。
Agent 主循环和 Claude Code 一样：读用户指令 → 调用工具 → 拿结果 → 继续调用工具 → 返回最终结果。关键区别在于，llm-coding-agent 把这个循环暴露为 Python API：
fromllm_coding_agentimportCodingAgent agent=CodingAgent(model="gpt-5.5",# 也可以用 claude-sonnet-5-20250914root="/path/to/project",approve=True# False 就是 --yolo 模式)agent.run("Fix the failing test in tests/test_parser.py")3. 上手实操：5 分钟搭起来
第一步，确保有 Python 3.10+ 和 uv：
# 安装 uv（如果没有）curl-LsSfhttps://astral.sh/uv/install.sh|sh# 安装 llm-coding-agent（预发布版）uvx--prerelease=allow--withllm-coding-agent llm code第二步，配置 API key。llm-coding-agent 复用了 LLM 库的配置，所以如果你已经配过llm keys set openai，直接就能用。没有的话：
pipinstallllm --break-system-packages llm keyssetopenai# 粘贴你的 OpenAI API key第三步，跑起来：
# 交互模式（需要你审批每个操作）llm code# --yolo 模式（自动执行，适合小任务）llm code--yolo# 只允许特定命令llm code--allow"pytest*"--allow"git diff*"试试让它写个 ASCII 艺术时钟：
llm code--yolo>mkdir/tmp/demo&&cd/tmp/demo&&create a simple Python CLI appfortelling thetimeinascii artSimon 实测的结果——GPT-5.5 生成了一个完整的 Swift 命令行 ASCII 时钟。你的体验取决于模型，但核心循环是一样的。
4. 踩坑提示
工具权限控制是重点。--yolo模式会让 Agent 自动执行所有命令，包括rm -rf。建议日常使用--allow白名单：
llm code--allow"pytest*"--allow"git*"--allow"python*"模型选择影响很大。Fable 5 和 GPT-5.5 在编码任务上表现最好，但成本也最高。Simon 在 7 月 3 日的笔记里分享了一个技巧：告诉 Agent “对小任务用 Sonnet/Haiku 做子代理，自己判断”——这能省不少 token。
这个项目还在 alpha 阶段。功能远不如 Claude Code 完善，但代码量极少（核心不到 500 行），非常适合学习和魔改。
5. 这意味着什么
llm-coding-agent 的意义不在于"又一个编码工具"，而在于它证明了 coding agent 的核心循环可以压缩到几百行 Python。当你能看懂每一行代码时，你对 AI 写代码这件事的掌控力就完全不同了——你不会再盲目信任，而是能精确判断它哪里可能出错。
正如 Armin Ronacher 在 7 月 4 日的文章里指出的，即使是 Opus 4.8 这样的顶级模型，在自定义工具调用上也可能出错。理解工具层的实现细节，能帮你更快定位问题。
6. 参考资料
- Simon Willison: llm-coding-agent 0.1a0
- llm-coding-agent GitHub
- LLM 库文档
- Simon Willison: Let Fable use its own judgement