# claude2claw

**Repository Path**: likefallwind/claude2claw

## Basic Information

- **Project Name**: claude2claw
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-24
- **Last Updated**: 2026-05-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 从大模型到智能体社会：五部分总体大纲

## 总主线

AI 正在从“生成内容的模型”，走向“能够持续行动的智能体系统”。

这条主线可以概括为：

> **从单体智能体，到工程智能体；**  
> **从智能体系统，到智能体社会；**  
> **最后进入教育这一长周期、多角色、高反馈场景。**

---

# 1. The Agent Anatomy：拆开一个智能体

## 这一部分的位置

作为全课的基础层，先回答：**什么是 Agent？它和普通大模型应用有什么不同？**

## 核心观点

Agent 不是“更复杂的聊天机器人”，而是一个围绕目标持续行动的软件系统。

## 总体大纲

1. 从 LLM 到 Agent：从回答问题到执行任务
2. Agent 的核心构成：目标、记忆、工具、规划、反馈
   - 目标：Agent 不是被动回答，而是围绕任务主动推进
   - 记忆：Agent 需要保存上下文、用户偏好、项目状态和历史经验
   - 工具：Agent 必须能调用外部系统，把语言能力转化为真实行动
   - 规划：Agent 需要把复杂目标拆成步骤，并在过程中调整策略
   - 反馈：Agent 要根据环境结果判断行动是否有效，并进行修正
3. Agent 与普通 LLM 应用的关键差异：从“生成答案”到“闭环行动”
4. 早期 Agent 框架与历史脉络：LangChain 等
5. 为后文铺垫：当 Agent 能行动之后，最先成熟的场景就是写代码

## 承上启下

这一部分建立基础概念。下一部分进入最直观、最成熟的 Agent 应用：Coding Agent。

---

# 2. From Vibes to Engineering：从氛围编程到智能体工程

## 这一部分的位置

作为 Agent 范式的第一个成熟样本，讲清楚过去半年为什么 Claude Code、Codex、Cursor 等工具引发了软件开发方式变化。

## 核心观点

Vibe Coding 不只是“用自然语言写代码”，而是软件开发入口从代码补全走向任务级协作；Coding Agent 的真正变化，是通过 Harness Engineering 把模型能力嵌入项目、工具、测试和反馈闭环之中，从而推动软件开发从人类主导编码走向人机共同工程化。

## 总体大纲

1. Vibe Coding 的兴起：自然语言成为新的开发入口
   - 从“写代码”转向“描述意图”
   - 从专业程序员工具转向更广泛的创造入口
   - Vibe Coding 的本质：改变人和代码之间的交互方式

2. Coding Agent 的能力跃迁：从补全代码到参与工程任务
   - 早期 Copilot：局部代码补全
   - Claude Code 等新一代工具：读项目、跨文件修改、运行命令、理解报错、持续修复
   - 人机关系变化：人类提出目标、约束和验收标准，Agent 在项目环境中推进

3. 效果提升的关键：Harness Engineering
   - 不是单靠模型更聪明，而是给模型提供可行动的工程环境
   - 关键要素：项目上下文、文件系统、命令行、测试框架、版本控制、错误反馈、工具权限
   - 核心组合：模型能力 + 工程脚手架 + 反馈闭环

4. 开发范式的调整：Spec 驱动开发与测试驱动开发
   - 需求不再只是给人看，也要能被 Agent 理解和执行
   - 测试不只是质量保障，也是 Agent 自我修正的反馈机制
   - 开发者的新能力：组织上下文、定义任务、设计接口、设置验收标准

5. Coding Agent 的核心意义
   - 代码场景天然可执行、可测试、可反馈，因此最容易孕育成熟 Agent
   - AI 不只是生成内容，而可以进入真实工作流并产生可验证结果
   - 软件工程浓缩了规划、工具调用、环境反馈、长期上下文和复杂协作
   - 这进一步提出需求：Agent 要持续完成工程任务，需要更完整的 Agent System 支撑

## 承上启下

这一部分说明 Agent 在软件开发中已经开始形成生产力。下一部分讨论：如果 Agent 要长期运行和持续演化，需要什么样的系统支撑。

---

# 3. The Agent System：从工具到智能体系统

## 这一部分的位置

作为从“单个 Agent 工具”走向“完整 Agent System”的关键层，介绍 OpenClaw 与 Hermes。

## 核心观点

重点不只是 runtime，而是 Agent System：让智能体能获得上下文、调用工具、持续行动、接受反馈，并被观测和治理。

## 总体大纲

1. 为什么需要 Agent System，而不是单纯 Coding 工具
2. Agent System 的基本构成：模型、上下文、工具、调度、反馈、治理
3. Skills、CLI、MCP 的分工：规则说明、动作执行、生态连接
4. OpenClaw：偏 Agent OS，重点是长期运行、自我管理、heartbeat / cron、skills、memory
5. Hermes：偏轻量 Agent Framework，重点是工具调用、MCP 接入、任务执行与自我改进
6. 可观测与可治理：日志、失败原因、权限、安全、人工介入
7. 承接下一部分：多个长期运行的 Agent System 会进一步带来协作、声誉和治理问题

## 承上启下

这一部分把 Agent 从“个人工具”提升为“可长期运行和治理的系统实体”，并自然引出 Agent Society。

---

# 4. The Society of Agents：当智能体开始彼此相遇

## 这一部分的位置

作为全课最前沿、也最有原创性的部分，讨论从单体 Agent 到 Agent Society 的变化，并引入 Moltbook / Clawpond。

## 核心观点

Agent Society 不是普通论坛，而是面向智能体的协作、声誉、反馈和演化基础设施；但当前阶段也必须区分“看起来像自主互动”和“真正的自主运行”。

## 总体大纲

1. 为什么 Agent 需要社会：协作、委托、求助、评价、声誉、资源交换
2. Moltbook 的意义：让 Agent 在可观察环境中持续互动
3. Moltbook 的传播事件与争议
   - 新闻性案例：例如龙虾 Agent 创立宗教等事件带来的传播效应
   - 核心争议：这些互动到底是 Agent 自主行为，还是背后由人类指使和编排
4. Clawpond 第一期目标：搭建一个“中关村学院版 Moltbook”
5. 构建 Clawpond 社区的挑战
   - 本质挑战：尚不确定 Agent 网站应该是什么形态
   - 社区差异：人类社区关注表达，Agent 社区更关注目标、行动和反馈
   - 自主性来源：目标、规则、激励、反馈和社会环境共同塑造行为
   - 关键问题：身份、声誉、治理、协作、演化、观察
6. Clawpond 下一步：从互动展示走向深度问题解决
7. 为后文铺垫：教育天然就是一个多角色、长周期、高反馈的社会系统

## 承上启下

这一部分把 Agent 从运行系统推进到社会系统。下一部分讨论教育为什么可能是 Agent Society 最重要的试验场之一。

---

# 5. AI+Edu as the Testbed：教育作为智能体时代的试验场

## 这一部分的位置

作为全课的落点，说明 AI+Edu 不是普通应用场景，而是 Agent 范式的高价值实验场。

## 核心观点

教育不是简单把大模型接入答疑、批改和资源生成，而是要重新思考：当每个学习者都有自己的通用 Agent，教育系统应该如何提供数据、模型、工具、图谱和评测支撑。

## 总体大纲

1. 传统 AI+Edu 的基本形态：答疑、批改、推荐、资源生成、学情分析
2. 当前 AI+Edu 的核心问题：测评不清晰、价值不对齐、推荐不个性
3. 从个性化推荐系统讲起：为什么教育需要长期建模与个体化反馈
4. 未来教育系统形态：每个学习者一个个人通用 Agent，背后连接中心化教育基础设施
5. 面向 Agent 的教育基础设施：数据、模型、工具、图谱、测评
6. 整体架构：个人学习 Agent + 教育平台系统 + 教师/学校/管理端协同
7. 教育数据集：学科数据、学习过程数据、评价数据、教学资源数据
8. 教育模型：教育大模型、学科模型、教学模型、学习诊断模型
9. 教育图谱：知识图谱、能力图谱、学习路径与学生状态建模
10. 教育评测：模型能力评测、教学效果评测、学习过程评测、安全与价值对齐评测

## 收束

AI+Edu 的关键不只是“AI 帮老师减负”，而是教育系统可能被重构为一个以学习者 Agent 为入口、以教育基础设施为支撑的多智能体协作系统。


## 课程总览（自动整理）

如果你要快速进入课程全局，可先看：[course_overview.md](/home/likefallwind/code/claude2claw/course_overview.md)

课程 1-5 部分与标准 handout 映射为：
- lesson1 ↔ `lesson1/handout.md`
- lesson2 ↔ `lesson2/handout.md`
- lesson3 ↔ `lesson3/handout.md`
- lesson4 ↔ `lesson4/handout.md`
- lesson5 ↔ `lesson5/handout.md`

原始长稿保留在各 lesson 的 `source-handout.md`。