说实话，2025年的AI圈子里Ru果不聊聊Agent，你dou不好意思说自己是搞技术的。自从Claude Code横空出世，那种基于TUI的交互方式简直让人眼前一亮，它不再局限于传统的IDE插件模式，而是直接把AI变成了一个Neng干活、Neng思考的“数字同事”。这玩意儿火得一塌糊涂，甚至Ke以说是目前Zui炙手可热的Coding Agent。

kan着这么酷的东西，你心里是不是也痒痒的？咱们Neng不Neng自己动手，用Zui简单的代码，复刻一个类似的功Neng？当然Ke以！今天我们就来挑战一下用大约230行Python代码，打造一个简易版的“OpenClaw”。为了增加点趣味性，我们还要把它接到飞书上，这样你就Neng在聊天窗口里指挥它干活了。别担心，过程虽然有点曲折，但我会一步步带你拆解，保证你不仅Neng跑通代码，还Neng理解背后的Agent Loop原理。

在开始敲代码之前，我们得先把环境搭好。这里强烈推荐使用Python的高性Neng包管理器——uv。Ru果你还没用过那真的Ke以试试，速度比传统的pip快多了。安装完成后记得运行一下uv --version确认版本。Ru果报错找不到命令，那多半是环境变量的问题，这时候去问问AI或者查查文档就Neng解决，小菜一碟。

接下来我们创建一个项目目录，比如叫my_claw。进入目录后执行uv init，这一步和Node.js里的npm init差不多，会自动生成一些基础文件。这时候你的文件夹里应该Yi经有了基本的结构。

然后我们需要安装几个关键的库。飞书的SDK是必须的，uv add lark_oapi；为了调试方便，加个日志库uv add loguru；当然核心的大脑部分，我们需要调用LLM，这里我们选择DeepSeek，因为它兼容OpenAI的接口，而且国产模型价格感人，充个十块钱Neng玩hen久，用不完还Neng退，简直是白嫖党的福音。所以uv add openai也是少不了的。Zui后为了安全地管理密钥，uv add dotenv安排上。

光有代码不行，我们还得有个地方和AI对话。飞书机器人就是个绝佳的选择。你得去飞书开放平台创建一个应用。创建过程我就不啰嗦了官方文档写得hen详细。创建好之后记得在侧边栏找到“机器人”选项，把它创建出来。

这里有个坑，大家要注意。在“权限管理”里你得给机器人开通必要的权限，比如“接收消息”什么的。具体的JSON配置你Ke以去官方文档抄一份。然后Zui关键的一步来了获取APP_ID和APP_SECRET。这两个值就像是机器人的身份证和密码，千万不要直接明文写在代码里！不然你一提交代码到GitHub，全世界dou知道你的密钥了那可就尴尬了。专业的Zuo法是使用环境变量。

我们创建一个.env文件，把这两个值填进去。顺便把DeepSeek的API Key也填好，记得在.gitignore里加上.env，防止误提交。

配置好了飞书那边，我们回到代码这边。飞书官方提供了非常贴心的示例代码，我们直接拿来用。新建一个main.py，把SDK的导入和初始化逻辑写好。利用dotenv库，我们Ke以轻松地把.env里的变量加载到环境变量中。

核心的逻辑在于事件监听。我们需要注册一个事件处理器，专门用来处理接收到的P2P消息。飞书的SDK提供了长连接的方式，这比轮询要高效得多。我们创建一个LarkClient用于API调用，再创建一个LarkWSClient用于长连接监听。

在do_p2_im_message_receive_v1这个函数里我们处理消息的逻辑。一开始，我们先不管三七二十一，先实现一个简单的“回声”功Neng。收到什么消息，就回复什么。这步主要是为了验证我们的飞书机器人配置是否正确，网络通不通。Ru果这时候你在飞书里发消息，机器人Neng回复你，那恭喜你，第一步成功了！

现在的机器人只会复读，显然不够智Neng。接下来我们要给它装上“大脑”。我们选择DeepSeek作为后端模型。在代码中，我们利用openai库来实例化一个客户端，只需要把base_url指向DeepSeek的API地址，api_key填好就行。

现在我们修改刚才的消息处理函数。当收到文本消息时我们不再简单复读，而是把内容发给LLM。这里要注意，openai库的调用格式是标准的，我们需要构造一个messages列表，里面包含system prompt和user content。

但是这里有个小问题。Ru果你每次发消息dou重新创建一个messages列表，LLM就会失忆。它不知道上一句说了什么对话就无法连贯。所以我们需要维护一个全局的列表all_messages，用来保存上下文历史。每次收到用户消息，就append进去；每次收到LLM回复，也append进去。这样，一个有记忆的聊天机器人就诞生了。

会聊天只是基础，我们的目标是打造像Claude Code那样的Agent。它的核心Neng力在于工具调用。简单来说就是LLM不仅Neng说话，还Neng决定去执行一段代码，比如ls查kan文件，或者touch创建文件，然后把结果拿回来再思考。

这个过程，通常被称为Agent Loop。我们Ke以把它想象成一个循环：思考 -> 决定是否用工具 -> 执行工具 -> 观察结果 -> 再思考...

为了实现这个，我们需要定义一个工具类。新建一个cmd_tool.py，里面写一个CmdTool类。这个类需要提供一个静态方法get_definition，返回符合OpenAI Function Calling格式的JSON定义，告诉LLM这个工具叫什么、Neng干什么、需要什么参数。还需要一个execute方法，真正去执行shell命令。这里我们Ke以用Python的subprocess模块来实现。

有了工具，我们还需要一个控制循环的逻辑。新建一个loop.py，写一个AgentLoop类。这个类里维护着消息历史和工具映射。它的run方法就是核心的循环体。

在这个循环里我们调用LLM，并把tools参数传进去。Ru果LLM决定调用工具，它会在返回结果里带上tool_calls。我们检测到这个字段后就解析出工具名和参数，调用对应工具的execute方法，然后把执行结果作为一条新的“tool”角色的消息塞回给LLM，让LLM继续处理。这个过程会一直重复，直到LLM不再调用工具，而是给出Zui终的文本回复。

现在我们把AgentLoop集成到main.py中。替换掉之前简单的LLM调用逻辑。现在当用户发来消息，我们把它丢给agent_loop.run，这个方法会内部处理所有的工具调用和迭代，Zui后返回Zui终回复和用过的工具列表。

这时候，你可Neng会发现一个奇怪的现象：机器人有时候会重复回复，或者飞书后台报错说重复推送。这是因为飞书的事件机制有时候不太稳定，或者网络波动导致重复投递。为了解决这个问题，我们Ke以在代码里加一个set集合，用来记录Yi经处理过的消息ID。每次收到消息，先检查ID在不在集合里Ru果在就直接忽略，不再处理。这个小技巧Neng省去hen多麻烦。

Zui后别忘了在飞书应用后台把“事件配置”和“回调配置”保存为“长连接”模式，并确保订阅了“接收消息”事件。然后发布你的应用geng改。

一切准备就绪，运行uv run main.py。kan着控制台输出的日志，回到飞书聊天窗口，试着发一句：“帮我查kan当前目录下的文件”。Ru果机器人乖乖地执行了ls -l并把结果反馈给你，那种成就感简直无与伦比！

虽然我们只用了大约230行代码，实现的功Neng也比较基础，比如只支持简单的shell命令，没有复杂的文件编辑技Neng，也没有持久化的记忆存储，但这Yi经是一个完整的Agent雏形了。像nanoclaw、OpenClaw这些geng高级的项目，核心原理也是一样的，无非是加了geng多的工具定义、geng复杂的Prompt工程以及geng完善的上下文管理。

通过这次动手实践，相信你对“Agent Loop”和“Function Calling”有了geng直观的理解。AI不仅仅是聊天机器人，它geng是一个Neng通过工具与世界交互的智Neng体。接下来你Ke以尝试给它加上geng多的技Neng，比如文件读写、定时任务，甚至是联网搜索。限制你想象力的，只有你的创造力。赶紧去试试吧，打造属于你自己的AI编程助手！