agentic-stack 独立 Python 循环实战：不依赖 Cursor/Claude Code，从零搭建你自己的 DIY 智能体-育师

agentic-stack 独立 Python 循环实战：不依赖 Cursor/Claude Code，从零搭建你自己的 DIY 智能体

【免费下载链接】agentic-stackOne brain, many harnesses. Portable .agent/ folder (memory + skills + protocols) that plugs into Claude Code, Cursor, Windsurf, OpenCode, OpenClaw, Hermes, or DIY Python — and keeps its knowledge when you switch.项目地址: https://gitcode.com/gh_mirrors/ag/agentic-stack

agentic-stack 独立 Python 循环（standalone-python 适配器）让你完全绕开 Cursor、Claude Code 等第三方编码工具，用一个约 30 行的 run.py 入口驱动任意 LLM（Anthropic、OpenAI、MiniMax 甚至本地模型），把项目里的.agent/可移植大脑当作你的 DIY 智能体的记忆与技能中枢——换模型、换工具，知识不丢失。

为什么需要一条「不依赖 IDE」的智能体循环 🤔

大多数 AI 编码工作流绑死在某个 harness 上：Cursor 的规则文件、Claude Code 的 hooks、Windsurf 的配置……一旦你换工具，智能体「学到的东西」就归零。

agentic-stack 的核心理念是One brain, many harnesses：所有记忆、技能、协议都放在一个可移植的.agent/目录里，harness 只是外层「驱动器」。而standalone-python 适配器正是最彻底的自由：

✅ 你拥有完整的 agentic loop（循环控制、上下文组装、工具调用）
✅ 可接任意 LLM 提供商，通过环境变量切换
✅ 每次调用后自动写入情景记忆（episodic memory）
✅ 没有任何 harness 配置要维护——因为根本没有 harness

一键安装步骤：把大脑放进你的项目

先克隆仓库，然后用安装脚本把.agent/大脑 +run.py入口装进你的目标项目：

git clone https://gitcode.com/gh_mirrors/ag/agentic-stack cd agentic-stack ./install.sh standalone-python /path/to/your-project

Windows 用户：在 PowerShell 中执行.\install.ps1 standalone-python C:\path\to\your-project，详见 docs/getting-started.md。

安装完成后，你的项目长这样：

your-project/ ├── .agent/ # 可移植大脑：记忆 + 技能 + 协议 + 循环骨架 └── run.py # 你自己的 conductor 入口，随便改

注意一个贴心设计：adapters/standalone-python/adapter.json 声明了skip_if_exists合并策略——重复安装永远不会覆盖你改过的 run.py，你的自定义代码始终安全。

理解这个 DIY 循环：run.py 到底做了什么 🔍

run.py 的逻辑可以拆成三步（全文见 adapters/standalone-python/README.md）：

定位大脑：向上查找.agent/目录，找不到就报错退出；
加载骨架：把.agent/harness/和.agent/tools/加入 Python 路径；
执行循环：调用 conductor.py 里的run(prompt)，你的智能体就转起来了。

真正干活的是大脑里的三个模块：

模块	职责
context_budget.py	在 token 预算内，从四层记忆 + 技能中组装最优上下文
llm.py	按你选择的提供商（Anthropic/OpenAI/MiniMax）调用模型
memory_reflect.py	每次调用后把执行记录写入情景记忆

一个容易被忽略的细节：run.py本身不决定加载哪些技能——上下文构建器会根据任务触发词自动匹配技能，这就是所谓的「渐进式披露」。同样，权限控制也不是硬编码的，而是由pre_tool_call钩子在智能体真正调用外部工具时才介入。

最快配置方法：30 秒切换 LLM 提供商

standalone 循环完全不绑定厂商，只靠环境变量切换：

# 默认：Anthropic export AGENT_PROVIDER=anthropic export AGENT_MODEL=claude-sonnet-4-5 export ANTHROPIC_API_KEY=... # 或者：OpenAI export AGENT_PROVIDER=openai export AGENT_MODEL=gpt-4o # 或者：MiniMax（支持 openai/anthropic 两种线协议） export AGENT_PROVIDER=minimax export AGENT_MODEL=MiniMax-M3 export MINIMAX_API_KEY=...

然后直接跑：

python run.py "reflect on today's work" python run.py "commit the staged changes"

想先看看发给模型的上下文长什么样？仓库提供了一个「只预览、不烧 token」的入门脚本 examples/first_run.py——它会构建上下文并打印预览，只有显式设置RUN_MODEL=1才真正调用模型。

让智能体自己「做梦」：配置定时反思循环 🌙

光有实时循环还不够，agentic-stack 的记忆会随时间复利增长。在 adapters/standalone-python/README.md 中，官方推荐把 dream 循环挂到 cron：

crontab -e # 每晚 3 点运行 dream 循环，把反复出现的模式聚类成候选经验 0 3 * * * cd /path/to/project && python3 .agent/memory/auto_dream.py >> .agent/memory/dream.log 2>&1

auto_dream.py 只干机械的活（聚类、预过滤、衰减），不做任何推理、不联网、不提交 git，可以完全放心无人值守。第二天你再用 graduate.py / reject.py 审阅候选经验，被接受的教训会进入语义记忆，未来的每次会话都会自动召回。

至此，你的 DIY 智能体已经具备了完整生命周期：实时循环 + 记忆沉淀 + 经验复利——和跑在 Cursor 或 Claude Code 里的版本完全对等。

如何扩展你的循环：验证与审计 🧪

由于是「完全控制」路线，适配器不替你写任何 hooks——docs/per-harness/standalone-python.md 建议你：

在循环的关键位置手动调用 .agent/harness/ 下的log_execution()，记录每一次工具执行；
用 install.sh 做体检：./install.sh doctor会以只读方式审计项目，standalone-python 的安装信号就是「根目录存在 run.py」；
升级项目时用./install.sh upgrade --dry-run预览，再用--yes安全刷新骨架文件，你的 run.py 和记忆文件绝不会被碰。

常见问题

Q：不装 IDE 插件，智能体怎么「读」项目？A：上下文构建器以AGENTS.md为地图，按 token 预算从记忆层和技能清单里取材，再通过模型调用驱动一切，不需要任何编辑器集成。

Q：run.py 被我改坏了怎么办？A：重装不会覆盖它（skip_if_exists），自己备份即可；也可以参照 examples/first_run.py 恢复最小版本。

Q：以后想换回 Cursor 或 Claude Code 呢？A：这正是 agentic-stack 的价值所在——.agent/大脑原封不动，再加一个适配器即可，经验、技能、偏好全部保留。

写在最后

standalone-python 路线是理解整个 agentic-stack 架构的最佳入口：当你亲手把「上下文 → 模型 → 记忆」这条循环跑通之后，再去看其他 12 个适配器，你会发现它们只是同一个大脑的不同外壳。现在就去 docs/getting-started.md 搭起你的第一个 DIY 智能体吧 🚀

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考