Learn Claude Code: einen Agenten-Harness Lektion für Lektion sezieren

Alles Wissenswerte über shareAI-lab/learn-claude-code: ein Open-Source-Kurs, der ausgehend von einer minimalen Schleife die Bausteine eines Harness für Programmier-Agenten aufbaut.

---

Was Learn Claude Code ist

Learn Claude Code verteilt nicht Claude Code und beansprucht nicht, ein produktionsreifer Ersatz zu sein. Es handelt sich um ein Lernrepository von shareAI, das zeigt, wie man einen Agenten-Harness baut: die Umgebung, die einem Modell Werkzeuge, Wissen, Beobachtung, Aktionsschnittstellen und Berechtigungen bereitstellt.

Die zentrale These des READMEs ist bewusst schroff formuliert: Die Fähigkeit zu denken und zu handeln stammt aus dem Training des Modells; die umgebende Software erzeugt sie nicht. Die Aufgabe des Harness-Ingenieurs besteht darin, die Betriebsumgebung zu bauen. Deshalb fügt jedes Kapitel einen Mechanismus um dieselbe Schleife hinzu: das Modell um eine Antwort bitten, die Werkzeugaufrufe ausführen, die Ergebnisse zurückgeben und wiederholen, solange Aufrufe vorliegen.

Der aktuelle Lehrplan umfasst zwanzig ausführbare Python-Kapitel, von s01_agent_loop bis s20_comprehensive. Er beginnt mit Bash und der Werkzeugschleife und reicht bis zu Berechtigungen, Hooks, Planung, Subagenten, bedarfsgesteuertem Laden von Skills, Kontextkompaktierung, Gedächtnis, Fehlerbehebung, dauerhaften Aufgaben, Hintergrundprozessen, zeitlicher Planung, Teams, Isolation mit Worktrees und MCP.

Der Ursprung: von einer minimalen Kopie zu einem Kurs für Harness-Engineering

Das Repository wurde am 29. Juni 2025 von der GitHub-Organisation shareAI erstellt, die sich selbst als Gruppe beschreibt, die für Agenten baut, und Singapur als Standort angibt. Ihr Repository präsentiert sich als „0-auf-1”-Lernprojekt, nicht als interne Implementierung von Anthropic.

Die Erzählung nimmt Claude Code als Referenzpunkt, weil sie laut dem Projekt selbst ein Design zeigt, bei dem das Modell entscheidet und der Harness Werkzeuge, Kontext, Grenzen und einen Arbeitsbereich bereitstellt. Die Metapher ist eindeutig: Das Modell ist der Fahrer, der Harness das Fahrzeug. Das erklärt sowohl den Namen als auch die zentrale Spannung des Projekts: Es reproduziert beobachtbare, dokumentierte Muster eines Programmier-Agenten, doch der didaktische Code vereinfacht Produktionsmechanismen bewusst.

Das README erkennt einen wichtigen Übergang an: Die Wurzelordner s01_* bis s20_* bilden den aktuellen kanonischen Kurs; docs/, agents/ und die Web-Anwendung bewahren den alten Zwölf-Lektionen-Pfad für bestehende Links und Leser. Ihre Kapitelnummern dürfen nicht vermischt werden.

Philosophie und Prinzipien

• Modell und Harness tragen unterschiedliche Verantwortung. Die Intelligenz wird dem trainierten Modell zugeschrieben; der Harness liefert Aktionen, Informationen, Beobachtung und Kontrollen.
• Eine stabile Schleife, zusammensetzbare Fähigkeiten. Die Kapitel erweitern das Werkzeugregister und die äußeren Schichten, ohne die Hauptschleife neu zu schreiben.
• Lesbares Minimum vor verfrühter Härtung. Das Repository lässt Abstraktionen, defensive Prüfungen und Teile der Fehlerbehandlung bewusst weg oder vereinfacht sie, damit jede Lektion eine einzelne Idee isoliert.
• Kontext und Berechtigungen sind Teil des Produkts. Bedarfsgesteuertes Laden von Skills, Kompaktierung, Gedächtnis, Freigabe von Aktionen und Isolation sind keine Nebensächlichkeiten: Sie legen fest, was das Modell tun kann und mit welchen Informationen.
• Koordination braucht expliziten Zustand. Die zweite Kurshälfte nutzt persistierte Aufgabengraphen, asynchrone Postfächer, Nachrichtenverträge und isolierte Arbeitsverzeichnisse, statt darauf zu vertrauen, dass ein einziger Kontext sich alles merkt.

Wie es funktioniert

Das Grundmuster ist eine Funktion agent_loop(messages): Sie ruft die API des Modells mit einer Systemnachricht und dem Werkzeugkatalog auf; enthält die Antwort tool_use, führt sie die Handler aus TOOL_HANDLERS aus, fügt deren Ergebnisse zu messages hinzu und fragt das Modell erneut ab. Gibt es keinen Aufruf, endet die Schleife.

Rund um diesen Mechanismus ordnet der Kurs zwanzig Bausteine:

1. Ausführung und Kontrolle: s01 die Schleife, s02 das Werkzeugregister, s03 Berechtigungen und s04 Hooks vor und nach Werkzeugaufrufen.
2. Komplexe Arbeit: s05 Planung mit TodoWrite, s06 Subagenten mit neuem Kontext, s07 Laden von Skills und s08 Kompaktierung der Historie.
3. Kontinuität und Wiederherstellung: s09 Gedächtnis, s10 Zusammenstellung der Systemanweisung und s11 Klassifizierung von Fehlern, Wiederholungsversuchen und Ausweichpfaden.
4. Langlaufende und kollektive Arbeit: s12 ein Aufgabengraph auf der Festplatte, s13 Hintergrundprozesse, s14 zeitliche Planung, s15–s17 Teams und Selbstzuweisung sowie s18 aufgabengebundene Worktrees.
5. Erweiterung und Synthese: s19 bindet externe Werkzeuge über MCP ein; s20 fügt die Bausteine zu einem vollständigen Demonstrations-Harness zusammen.

Der erklärte Umfang ist wichtig: Der Kurs implementiert nicht die vollständige Semantik von MCP-Ereignissen, Freigaben, Sitzungslebenszyklus, Transport und OAuth, und er behauptet auch nicht, dass sein JSONL-Postfachprotokoll die interne Implementierung irgendeines kommerziellen Produkts sei.

Offizieller und halboffizieller Status

Das Projekt ist unabhängig und pädagogisch. GitHub führt es unter shareAI-lab; das README bezeichnet Claude Code als Design-Referenz und verlangt im Einstiegsbeispiel einen ANTHROPIC_API_KEY, aber die ausgewerteten Quellen belegen nicht, dass Anthropic es veröffentlicht, billigt oder in einem offiziellen Marktplatz listet.

In der Praxis funktioniert es nur im umgangssprachlichen Sinn als halboffizielles Material, weil es Muster erklärt, die mit Claude Code verbunden sind; es wurden keine Belege für Zertifizierung, kommerzielle Partnerschaft oder Standardstatus gefunden. Seine Implementierungen sollten als Lernbeispiele behandelt werden, nicht als Dokumentation des internen Verhaltens von Claude Code.

Das Ökosystem

Repositories von shareAI

Die Abfrage der GitHub-API lieferte zwölf öffentliche Repositories der Organisation. Explizit mit diesem Kurs verbunden sind:

• shareAI-lab/Kode-CLI — eine CLI für Programmier-Agenten, die das README als nächsten Schritt vorschlägt; 5.203 Sterne.
• shareAI-lab/kode-agent-sdk — eine Bibliothek zur Integration von Agentenfähigkeiten in Anwendungen; 389 Sterne.
• shareAI-lab/kbench — Evaluierungswerkzeuge für Agenten-Harnesses; 14 Sterne.
• shareAI-lab/shareAI-skills — eine Sammlung von Skills zum Erstellen von Agenten und Systemen; 307 Sterne.
• shareAI-lab/claw0 — ein Schwester-Tutorial über einen dauerhaften Harness mit Herzschlag, zeitlicher Planung, Nachrichtenübermittlung, Gedächtnis und Persönlichkeit; 3.234 Sterne.
• shareAI-lab/mini-claude-code — ein weiteres Lernmaterial zum Aufbau eines ähnlichen Agenten von Grund auf; 371 Sterne.
• shareAI-lab/ai-cloud-station — eine Cloud-Entwicklungsumgebung, die assistierte Programmierwerkzeuge enthält; 114 Sterne.

Diese Beziehungen stammen aus den Links des READMEs oder aus den Beschreibungen der Organisation selbst; sie beweisen keine technische Abhängigkeit zwischen allen genannten Projekten.

Ports, Forks und Community-Material

Die Forks-API und die Repository-Suche zeigen konkrete Ableitungen:

• wulawulu/learn-claude-code-rs, ein Rust-Port, der angibt, Schleife, Werkzeuge, Subagenten, Gedächtnis, Teams, Worktrees und MCP abzudecken; 125 Sterne.
• Chris-debug-0225/learn-claude-code-java, eine Java-Version, die darauf abzielt, die grundlegende Architektur eines Programmier-Agenten zu lernen; 100 Sterne.
• i5ting/learn-claude-code-js, eine JavaScript-Version, die ausschließlich chinesischen Text enthält; 98 Sterne.
• zzjzz9266a/learn-claude-code-ts, ein Fork, der sich als TypeScript-Version beschreibt; 9 Sterne.
• 7shi/learn-ollama-code, ein Fork, der das Beispiel an Ollama anpasst; 4 Sterne.
• sixdog06/learn-claude-code-java, ein Java-Fork mit chinesischer Beschreibung; 2 Sterne.

Zudem enthält das Hauptrepository READMEs auf Chinesisch, Englisch und Japanisch. Ports und Forks sind Community-Arbeit: Die Existenz eines Forks bedeutet weder Unterstützung durch shareAI noch funktionale Gleichwertigkeit mit dem Original.

Repo-Zahlen

Erhebung: 8. August 2026, GitHub-API.

Kennzahl	Wert
Sterne	73.551
Forks	11.923
Echte Abonnenten	296
Von der API gemeldete offene Issues	67
Hauptsprache	Python
Lizenz	MIT
Erstellung	29. Juni 2025
Letzter Code-Push	28. Juli 2026
GitHub-Releases	Kein Release gefunden

Die von der API gemeldeten Hauptbeitragenden waren Gui-Yue und CrazyBoyM mit je 34 Beiträgen, gefolgt von Bill-Billion mit 27 und chablino mit 7. Eine Gesamtzahl an Commits wird nicht angegeben, da keine überprüfbare Paginierung zur Berechnung gefunden wurde.

Die API gibt watchers_count mit demselben Wert wie die Sterne zurück; deshalb verwendet die Tabelle subscribers_count für die echten Abonnenten. Zudem kann open_issues_count offene Pull Requests einschließen und entspricht daher nicht notwendigerweise ausschließlich Issues. Das von der API zurückgegebene Datum updated_at ist der 8. August 2026; es wird als API-Metadatum übernommen, nicht als Beweis für Aktivität nach dem zuletzt erfassten Push.

Wie man beitragen kann

Der Beitragsleitfaden definiert einen restriktiven Prozess, um den lehrenden Charakter zu schützen:

1. Die Änderung an ein konkretes Issue binden und jeden Pull Request auf ein Problem beschränken.
2. Den pädagogischen Code minimal halten: keine Produktionshärtung, Abstraktionen, Fehlerbehandlungsschichten oder ein Testframework hinzufügen, außer die Lektion behandelt genau dieses Thema.
3. Die drei Sprach-READMEs jedes Kapitels synchron halten und ihre Codeblöcke identisch bewahren.
4. Die aktuellen Ordner sNN_topic/ ändern, nicht die alten Spiegel.
5. KI-Unterstützung offenlegen und Verantwortung für die Änderung übernehmen.

Das Projekt schließt ohne detaillierte Prüfung massenhafte, von Agenten erzeugte Pull Requests, solche, die die didaktische Struktur erweitern, und solche, die nicht an ein Issue gebunden sind. Es handelt sich um eine Prüfrichtlinie, nicht um einen Vorwurf gegen die Nutzung von Agenten.

Kurzanleitung zur Nutzung

Installation und erster Start

Der aktuelle Lehrplan erfordert Git, Python und einen konfigurierten Anthropic-Schlüssel. Die genau veröffentlichte Abfolge lautet:

git clone https://github.com/shareAI-lab/learn-claude-code
cd learn-claude-code
pip install -r requirements.txt
cp .env.example .env   # ANTHROPIC_API_KEY konfigurieren
python s01_agent_loop/code.py

Das erste Programm führt das minimale Beispiel aus: eine Schleife plus Bash. Das README empfiehlt, mit s01_agent_loop/ zu beginnen und der Reihe nach bis s20_comprehensive/ fortzufahren, da jedes Kapitel die vorherigen voraussetzt.

Übliche Arbeitsabläufe

• Das minimale Muster verstehen: python s01_agent_loop/code.py ausführen, die README.md des Kapitels lesen und die Schleife mit TOOL_HANDLERS vergleichen.
• Kontextverwaltung studieren: python s08_context_compact/code.py ausführen; das Kapitel bündelt Kompaktierungsstrategien für lange Sitzungen.
• Die vollständige Integration ansehen: python s20_comprehensive/code.py ausführen, das die in früheren Lektionen behandelten Bausteine um dieselbe Schleife herum zusammenfügt.
• Die alte Web-Plattform öffnen: cd web && npm install && npm run dev; sie wird unter http://localhost:3000 bereitgestellt, zeigt aber den alten Zwölf-Lektionen-Pfad, nicht den aktuellen mit zwanzig.

Wesentliche Konfiguration

• .env: wird aus .env.example erstellt und enthält die Konfiguration von ANTHROPIC_API_KEY, die der Schnelleinstieg verlangt.
• requirements.txt: legt die Python-Abhängigkeiten der Beispiele fest.
• sNN_topic/code.py: ausführbare, eigenständige Implementierung einer konkreten Lektion.
• sNN_topic/README.md, README.en.md und README.ja.md: Erklärung und Übersetzungen, die beim Beitragen koordiniert gehalten werden müssen.
• web/: Anwendung der alten Plattform; nicht mit den kanonischen Wurzelordnern zu verwechseln.

Häufige Fallstricke und Lösungen

• Alte und neue Kapitel vermischen: Das README warnt, dass die Nummerierung nicht immer übereinstimmt. Für neues Lernen ausschließlich s01_agent_loop/ bis s20_comprehensive/ verwenden; docs/, agents/ und web/ dem alten Kurs vorbehalten.
• Das Beispiel als Produktionsprodukt behandeln: Der Umfang schließt mehrere vollständige Schichten von Berechtigungen, Hooks, Sitzungslebenszyklus und MCP aus. Es dient dazu, Designs zu verstehen, nicht dazu, es ohne Prüfung eigener Sicherheits- und Zuverlässigkeitsanforderungen zu kopieren.
• Eine bewusste Vereinfachung korrigieren wollen: Vor dem Öffnen eines Issues oder Pull Requests den Beitragsleitfaden prüfen; viele Auslassungen sind ausdrücklicher Bestandteil der Lektion.
• Nur eine Übersetzung ändern: Beim Ändern von Code oder README eines Kapitels alle drei READMEs aktualisieren und ihre Codeblöcke identisch halten.

Integrationen und Migration

Die letzte Lektion erklärt eine Integration über MCP, bei der externe Dienste in denselben Werkzeugsatz des Agenten eintreten. Der Kurs vermittelt außerdem Terminalwerkzeuge, Gedächtnis, Aufgaben, Hintergrundausführung und Worktrees; das sind Muster zur Integration eines Harness mit einem lokalen Projekt.

Um vom Lernmaterial zu eigener Software überzugehen, verweist das README auf Kode-CLI und kode-agent-sdk. Für das Muster eines dauerhaften Assistenten verlinkt es claw0. Es wurde keine Anleitung gefunden, um eine Claude-Code-Installation zu diesem Repository zu migrieren, denn Learn Claude Code ist ein Kurs und kein installierbarer Ersatz für das Produkt von Anthropic.

Wie die Community reagierte

Die auffindbaren externen Belege sind begrenzt, enthalten aber eine konkrete Meinung und zwei direkte Einreichungen:

• Auf Hacker News verlinkte die Einreichung 46454313, veröffentlicht von ddmng am 1. Januar 2026, direkt das Repository und erreichte 4 Punkte und 1 Kommentar.
• Die Einreichung 47321215 von Oras vom 10. März 2026 verlinkte dasselbe Repository zusammen mit der Projektbeschreibung; sie verzeichnete 1 Punkt und 0 Kommentare. Das belegt Reichweite, keine unabhängige Rezension.
• Im übergeordneten Thread 47638810 verlinkte der Nutzer Imanari den Ordner agents/ und äußerte, er sei hervorragend geeignet, um einen Programmier-Agenten ähnlich Claude Code Schicht für Schicht zu erklären. Der Kommentar ist eine individuelle Einschätzung. Für den übergeordneten Thread wurden in der Suchantwort keine überprüfbaren Zahlen gefunden, daher werden ihm weder Punkte noch eine Kommentaranzahl zugeschrieben.

GitHub liefert Wartungs- und Reibungssignale, wie sie für einen sich weiterentwickelnden Kurs typisch sind: Issue #200 sammelte 24 Kommentare zu Dokumentationsaktualisierungen; #226 fragte nach einer vollständigen Überarbeitung der Dokumente und erhielt 12 Kommentare; und #290 bleibt offen mit 10 Kommentaren zum Herunterladen oder Kompaktieren von Kontext. Das sind technische und übergangsbezogene Themen des Materials, keine repräsentative Umfrage.

Die YouTube-Suche lieferte zwar verwandte Inhalte, aber überwiegend automatisiert oder als Visualisierung: „GitHub - shareAI-lab/learn-claude-code…” vom Kanal GitHub Daily Trend AI Podcast verzeichnete 17 Aufrufe bei fünfeinhalb Minuten Länge; „shareAI-lab/learn-claude-code - Gource visualisation” von Gourcer hatte 209 Aufrufe bei siebzehn Sekunden Länge. Das erste Ergebnis ist eine Aggregationsressource, das zweite eine Visualisierung der Historie, keine unabhängigen Rezensionen.

Es wurden keine überprüfbaren Belege für relevante Threads auf Reddit, öffentliche Beiträge auf X, eine Product-Hunt-Seite, Artikel auf Dev.to oder Hashnode noch npm- oder PyPI-Pakete für dieses Projekt gefunden. Das Fehlen von Suchtreffern beweist nicht, dass solche Erwähnungen nicht existieren: Reddit, X und Product Hunt schränkten die automatisierte Suche ein.

Learn Claude Code im Vergleich zu anderen Angeboten

Angebot	Belegte Übereinstimmung	Belegter Unterschied
shareAI-lab/mini-claude-code	Material von shareAI zum Erlernen des Baus eines Agenten ähnlich Claude Code.	Die gefundene Beschreibung dokumentiert keinen Lehrplan mit zwanzig Kapiteln; es präsentiert sich als weiteres Lernprojekt.
shareAI-lab/Kode-CLI	Beide gehören zu shareAI, und das Kurs-README schlägt es als nachfolgenden Schritt vor.	Kode-CLI ist eine Agenten-CLI mit Unterstützung für Skills und LSP; Learn Claude Code ist das didaktische Material, das Harness-Komponenten erklärt.
shareAI-lab/kode-agent-sdk	Beide befassen sich mit dem Aufbau von Agentenprodukten rund um einen Harness.	Das SDK wird als integrierbare Bibliothek beschrieben; dieses Repository ist als Python-Kapitel und Erklärungen strukturiert.
wulawulu/learn-claude-code-rs	Erklärt dasselbe didaktische Ziel, Schleife, Werkzeuge, Gedächtnis, Teams, Worktrees und MCP zu durchlaufen.	Es ist ein Community-Port in Rust; das Hauptprojekt nutzt Python und hat einen eigenen Lehrplan, eine eigene Web-App und eigene Übersetzungen.
Chris-debug-0225/learn-claude-code-java	Präsentiert sich als Java-Version zum Erlernen der Architektur eines Programmier-Agenten.	Es ist eine Community-Implementierung in Java, kein offizieller shareAI-Zweig.

Anwendungsfälle und wem dieses Repository helfen kann

• Ingenieure, die einen Programmier-Harness entwerfen, können den Kurs durchlaufen, um Modellentscheidungen von den Werkzeug-, Berechtigungs-, Kontext- und Beobachtungsmechanismen zu trennen, die sie außerhalb davon implementieren müssen.
• Teams, die Koordination zwischen Agenten prototypisieren, können die Kapitel zu dauerhaften Aufgaben, Postfächern, Protokollen, Selbstzuweisung und Worktrees als kleine Beispiele studieren, bevor sie eine größere Architektur übernehmen.

• Personen, die externe Werkzeuge mit einem Agenten integrieren, können s19_mcp_plugin als konzeptionellen Ausgangspunkt nutzen, um MCP-Werkzeuge zu entdecken und in einen einzigen Aktionssatz zu routen.
• Betreuer mehrsprachiger technischer Tutorials können die Beitragsrichtlinie als konkretes Beispiel nutzen, wie Code und Übersetzungen synchron gehalten werden können, ohne den pädagogischen Fokus zu opfern.
• Wer einen Produktionsagenten benötigt, findet hier eine Landkarte der Bausteine, muss aber die bewusst weggelassenen Kontrollen ergänzen und Modell, Zugangsdaten, Limits und Sicherheit der eigenen Umgebung selbst bewerten.

Ressourcen

• Repository: https://github.com/shareAI-lab/learn-claude-code
• Dokumentation und Plattform: https://learn.shareai.run/
• Einstieg und Installation: https://github.com/shareAI-lab/learn-claude-code#quick-start
• Beitragsleitfaden: https://github.com/shareAI-lab/learn-claude-code/blob/main/CONTRIBUTING.md
• Schwester-Repository für dauerhaften Harness: https://github.com/shareAI-lab/claw0
• Verwandte CLI und SDK: https://github.com/shareAI-lab/Kode-CLI, https://github.com/shareAI-lab/kode-agent-sdk
• Hacker-News-Threads: https://news.ycombinator.com/item?id=46454313, https://news.ycombinator.com/item?id=47321215, https://news.ycombinator.com/item?id=47638810
• Gefundene Videos und Visualisierungen: YouTube-Suche https://www.youtube.com/results?search_query=shareAI-lab+learn-claude-code

---

Hinweis: Dieser Artikel kombiniert das README und den Beitragsleitfaden des Repositorys, die GitHub-API, Hacker News und die offizielle Plattform, abgerufen am 8. August 2026. Die Zahlen entsprechen diesem Zeitpunkt.