Learn Claude Code: diseccionar un arnés de agentes, lección a lección

Todo lo que hay que saber sobre shareAI-lab/learn-claude-code: un curso de código abierto que construye, desde un bucle mínimo, los componentes de un arnés para agentes de programación.

Qué es Learn Claude Code

Learn Claude Code no distribuye Claude Code ni pretende ser un sustituto listo para producción. Es un repositorio educativo de shareAI que enseña a construir un arnés de agentes: el entorno que entrega a un modelo herramientas, conocimiento, observación, interfaces de acción y permisos.

La tesis central del README es deliberadamente tajante: la capacidad de razonar y actuar procede del entrenamiento del modelo; el software circundante no la crea. El trabajo del ingeniero de arneses consiste en construir el entorno operativo. Por ello, cada capítulo añade un mecanismo alrededor de un mismo bucle: pedir una respuesta al modelo, ejecutar las llamadas a herramientas, devolver los resultados y repetir mientras haya llamadas.

El itinerario actual contiene veinte capítulos ejecutables en Python, de s01_agent_loop a s20_comprehensive. Parte de Bash y el bucle de herramientas, y llega a permisos, ganchos, planificación, subagentes, carga de habilidades, compactación de contexto, memoria, recuperación de errores, tareas persistentes, procesos en segundo plano, planificación temporal, equipos, aislamiento con worktrees y MCP.

Escena cyberpunk de un bucle infinito luminoso construido con líneas de código Python y dígitos binarios, con iconos holográficos de herramientas orbitando a su alrededor.

El origen: de una copia mínima a un curso de ingeniería de arneses

El repositorio fue creado el 29 de junio de 2025 por la organización de GitHub shareAI, que se describe como un grupo que construye para agentes y declara Singapur como ubicación. Su repositorio se presenta como un proyecto de aprendizaje «de 0 a 1», no como una implementación interna de Anthropic.

La narrativa toma Claude Code como referente porque, según el propio proyecto, muestra un diseño donde el modelo decide y el arnés proporciona herramientas, contexto, límites y espacio de trabajo. La metáfora es clara: el modelo es el conductor y el arnés es el vehículo. Esto explica tanto el nombre como la tensión del proyecto: reproduce patrones observables y documentados de un agente de programación, pero el código didáctico simplifica intencionadamente mecanismos de producción.

Chasis cibernético siendo ensamblado alrededor de un núcleo de IA luminoso en forma de cerebro, representando la metáfora del modelo como conductor y el arnés como vehículo.

El README reconoce una transición importante: las carpetas raíz s01_* a s20_* son el curso canónico actual; docs/, agents/ y la aplicación web conservan el recorrido antiguo de doce lecciones para enlaces y lectores existentes. No se deben mezclar sus números de capítulo.

Filosofía y principios

Modelo y arnés tienen responsabilidades distintas. La inteligencia se atribuye al modelo entrenado; el arnés aporta acciones, información, observación y controles.
Un bucle estable, capacidades componibles. Los capítulos amplían el registro de herramientas y las capas externas sin reescribir el bucle principal.
Mínimo legible antes que endurecimiento prematuro. El repositorio omite o simplifica deliberadamente abstracciones, análisis defensivo y parte de la gestión de errores para que cada lección aísle una idea.
Contexto y permisos son partes del producto. Carga de habilidades bajo demanda, compactación, memoria, aprobación de acciones y aislamiento no son detalles auxiliares: delimitan qué puede hacer el modelo y con qué información.
La coordinación necesita estado explícito. La segunda mitad del curso usa grafos de tareas persistidos, buzones asíncronos, contratos de mensajes y directorios de trabajo aislados, en lugar de confiar en que un único contexto recuerde todo.

Taller cibernético minimalista con un único módulo luminoso sobre un banco de trabajo limpio, evitando maquinaria compleja y cables enredados, representando la filosofía del "mínimo legible".

Cómo funciona

El patrón base es una función agent_loop(messages): llama a la API del modelo con un mensaje de sistema y el catálogo de herramientas; si la respuesta contiene tool_use, ejecuta los controladores de TOOL_HANDLERS, añade sus resultados a messages y vuelve a consultar al modelo. Si no hay llamada, termina.

Sobre ese mecanismo, el curso ordena veinte piezas:

Terminal oscura mostrando una estructura de árbol en cascada con veinte carpetas neón etiquetadas de s01 a s20, cada una con un tono distinto, y el logo de Python flotando encima.

Ejecución y control: s01 bucle, s02 registro de herramientas, s03 permisos y s04 ganchos antes y después de las herramientas.
Trabajo complejo: s05 planificación TodoWrite, s06 subagentes con contexto nuevo, s07 carga de habilidades y s08 compactación del historial.
Continuidad y recuperación: s09 memoria, s10 ensamblaje de la instrucción de sistema y s11 clasificación de fallos, reintentos y rutas alternativas.
Trabajo prolongado y colectivo: s12 grafo de tareas en disco, s13 procesos en segundo plano, s14 planificación temporal, s15-s17 equipos y autoasignación, y s18 worktrees vinculados a tareas.
Extensión y síntesis: s19 integra herramientas externas mediante MCP; s20 combina las piezas en un arnés completo de demostración.

Panel de control futurista dividido en dos: un escudo neón que bloquea accesos no autorizados representando permisos, y un sistema de archivado holográfico que comprime bloques de datos representando la compactación de contexto y la memoria.

El alcance declarado importa: el curso no implementa toda la semántica de eventos, aprobación, ciclo de sesión, transporte y OAuth de MCP, ni afirma que su protocolo de buzón JSONL sea la implementación interna de ningún producto comercial.

Estado oficial y semioficial

El proyecto es independiente y educativo. GitHub lo aloja bajo shareAI-lab; el README llama a Claude Code una referencia de diseño y exige una ANTHROPIC_API_KEY en el ejemplo inicial, pero las fuentes recuperadas no establecen que Anthropic lo publique, lo avale o lo incluya en un mercado oficial.

En la práctica funciona como material semioficial solo en el sentido coloquial de que explica patrones asociados a Claude Code; no hay evidencia recuperada de certificación, asociación comercial ni estatus de estándar. Conviene tratar sus implementaciones como ejemplos de aprendizaje, no como documentación del comportamiento interno de Claude Code.

El ecosistema

Repositorios de shareAI

La consulta a la API de GitHub recuperó doce repositorios públicos de la organización. Los relacionados de forma explícita con este curso son:

shareAI-lab/Kode-CLI — CLI de agente de programación que el README propone como siguiente paso; 5.203 estrellas.
shareAI-lab/kode-agent-sdk — biblioteca para integrar capacidades de agente en aplicaciones; 389 estrellas.
shareAI-lab/kbench — herramientas de evaluación para arneses de agentes; 14 estrellas.
shareAI-lab/shareAI-skills — colección de habilidades para crear agentes y sistemas; 307 estrellas.
shareAI-lab/claw0 — tutorial hermano sobre un arnés persistente con latido, planificación temporal, mensajería, memoria y personalidad; 3.234 estrellas.
shareAI-lab/mini-claude-code — otro material de aprendizaje para construir un agente similar desde cero; 371 estrellas.
shareAI-lab/ai-cloud-station — entorno de desarrollo en la nube que incluye herramientas de programación asistida; 114 estrellas.

Estas relaciones proceden de los enlaces del README o de las descripciones de la propia organización; no prueban una dependencia técnica entre todos ellos.

Puertos, bifurcaciones y materiales comunitarios

La API de bifurcaciones y la búsqueda de repositorios muestran derivaciones concretas:

wulawulu/learn-claude-code-rs, un puerto en Rust que declara cubrir bucle, herramientas, subagentes, memoria, equipos, worktrees y MCP; 125 estrellas.
Chris-debug-0225/learn-claude-code-java, versión en Java orientada a aprender la arquitectura esencial de un agente de programación; 100 estrellas.
i5ting/learn-claude-code-js, versión JavaScript que conserva solamente chino; 98 estrellas.
zzjzz9266a/learn-claude-code-ts, bifurcación que se describe como versión TypeScript; 9 estrellas.
7shi/learn-ollama-code, bifurcación que adapta el ejemplo a Ollama; 4 estrellas.
sixdog06/learn-claude-code-java, bifurcación en Java con descripción en chino; 2 estrellas.

Además, el repositorio principal incluye README en chino, inglés y japonés. Los puertos y bifurcaciones son trabajo comunitario: la existencia de una bifurcación no implica soporte de shareAI ni equivalencia funcional con el original.

Números del repo

Medición: 8 de agosto de 2026, API de GitHub.

Métrica	Valor
Estrellas	73.551
Bifurcaciones	11.923
Suscriptores reales	296
Incidencias abiertas indicadas por la API	67
Lenguaje principal	Python
Licencia	MIT
Creación	29 de junio de 2025
Último envío de código	28 de julio de 2026
Publicaciones de GitHub	No se recuperó ninguna publicación

Panel de repositorio de GitHub estilo cyberpunk con un contador de estrellas dorado luminoso y líneas de bifurcaciones ramificándose hacia el vacío oscuro, rodeado de avatares de contribuidores cibernéticos.

Los principales contribuidores devueltos por la API fueron Gui-Yue y CrazyBoyM con 34 contribuciones cada uno, seguidos por Bill-Billion con 27 y chablino con 7. No se informa un total de commits porque no se recuperó una paginación verificable para calcularlo.

La API devuelve watchers_count con el mismo valor que las estrellas; por eso la tabla usa subscribers_count para los suscriptores reales. Además, open_issues_count puede incluir solicitudes de cambios abiertas, de modo que no equivale necesariamente a incidencias exclusivamente. La fecha updated_at devuelta por la API es el 8 de agosto de 2026; se transcribe como metadato de la API y no como prueba de una actividad posterior al último envío recuperado.

Cómo contribuir

La guía de contribución define un proceso restrictivo para proteger el carácter docente:

Vincular el cambio a una incidencia concreta y limitar cada solicitud de cambios a un problema.
Mantener el código pedagógico mínimo: no añadir endurecimiento de producción, abstracciones, capas de errores ni un marco de pruebas salvo que la lección trate precisamente de ello.
Mantener sincronizados los tres README de idioma de cada capítulo y conservar idénticos sus bloques de código.
Modificar las carpetas actuales sNN_topic/, no los espejos antiguos.
Declarar la asistencia de IA y responsabilizarse del cambio.

El proyecto cierra sin revisión detallada las solicitudes masivas generadas por agentes, las que expanden la estructura didáctica y las que no están vinculadas a una incidencia. Es una política de revisión, no una acusación contra el uso de agentes.

Guía rápida de uso

Instalación y primer arranque

El recorrido actual requiere Git, Python y una clave de Anthropic configurada. La secuencia exacta publicada es:

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

Ventana de terminal digital luminosa mostrando comandos de git clone, pip install y python s01_agent_loop, con un icono holográfico de clave API desbloqueando un portal neón.

El primer programa ejecuta el ejemplo mínimo: un bucle y Bash. El README recomienda empezar por s01_agent_loop/ y continuar en orden hasta s20_comprehensive/, porque cada capítulo presupone los anteriores.

Flujos de trabajo habituales

Entender el patrón mínimo: ejecutar python s01_agent_loop/code.py, leer el README.md del capítulo y comparar el bucle con TOOL_HANDLERS.
Estudiar la administración de contexto: ejecutar python s08_context_compact/code.py; el capítulo reúne estrategias de compactación para sesiones largas.
Ver la integración completa: ejecutar python s20_comprehensive/code.py, que ensambla las piezas tratadas en las lecciones anteriores alrededor del mismo bucle.
Abrir la plataforma web heredada: cd web && npm install && npm run dev; se sirve en http://localhost:3000, pero presenta el recorrido antiguo de doce lecciones, no el actual de veinte.

Configuración esencial

.env: se crea desde .env.example y contiene la configuración de ANTHROPIC_API_KEY que pide el inicio rápido.
requirements.txt: fija las dependencias Python de los ejemplos.
sNN_topic/code.py: implementación ejecutable e independiente de una lección concreta.
sNN_topic/README.md, README.en.md y README.ja.md: explicación y traducciones que deben mantenerse coordinadas al contribuir.
web/: aplicación de la plataforma heredada; no debe confundirse con las carpetas raíz canónicas.

Trampas frecuentes y soluciones

Mezclar capítulos viejos y nuevos: el README advierte que la numeración no siempre coincide. Para un aprendizaje nuevo, usar únicamente s01_agent_loop/ a s20_comprehensive/; reservar docs/, agents/ y web/ para el curso heredado.
Tomar el ejemplo como un producto de producción: el alcance excluye varias capas completas de permisos, ganchos, ciclo de sesión y MCP. Usarlo para comprender diseños, no para copiarlo sin revisar requisitos de seguridad y fiabilidad.
Corregir una simplificación intencional: antes de abrir una incidencia o una solicitud de cambios, comprobar la guía de contribución; muchas omisiones son parte explícita de la lección.
Cambiar una sola traducción: al modificar código o README de un capítulo, actualizar los tres README y conservar sus bloques de código idénticos.

Integraciones y migración

La última lección explica una integración mediante MCP, donde servicios externos entran en el mismo conjunto de herramientas del agente. El curso también enseña herramientas de terminal, memoria, tareas, ejecución en segundo plano y worktrees; son patrones para integrar un arnés con un proyecto local.

Representación del Model Context Protocol: un núcleo de IA luminoso conectado mediante cables de fibra óptica a varios módulos de herramientas externas flotando en el ciberespacio oscuro.

Para evolucionar del material a software propio, el README remite a Kode-CLI y kode-agent-sdk. Para el patrón de asistente persistente, enlaza claw0. No hay una guía recuperada para migrar una instalación de Claude Code hacia este repositorio, porque Learn Claude Code es un curso y no un reemplazo instalable del producto de Anthropic.

Cómo lo recibió la comunidad

La evidencia externa recuperable es limitada, pero contiene una opinión concreta y dos envíos directos:

En Hacker News, el envío 46454313, publicado por ddmng el 1 de enero de 2026, enlazó directamente el repositorio y alcanzó 4 puntos y 1 comentario.
El envío 47321215, de Oras el 10 de marzo de 2026, enlazó el mismo repositorio con la descripción del proyecto; registró 1 punto y 0 comentarios. Acredita difusión, no una reseña independiente.
En el hilo padre 47638810, el usuario Imanari enlazó la carpeta agents/ y opinó que era excelente para explicar por capas un agente de programación similar a Claude Code. El comentario es una valoración individual. No se recuperaron cifras verificables del hilo padre en la respuesta de búsqueda, por lo que no se les atribuyen puntos ni total de comentarios.

GitHub aporta señales de mantenimiento y fricción propias de un curso en evolución: la incidencia #200 reunió 24 comentarios sobre actualizaciones de documentación; #226 preguntó por un cambio completo de documentos y recibió 12 comentarios; e #290 permanece abierta con 10 comentarios sobre descarga o compactación de contexto. Son temas técnicos y de transición del material, no una encuesta representativa.

La búsqueda de YouTube sí devolvió contenido relacionado, pero principalmente automatizado o de visualización: «GitHub - shareAI-lab/learn-claude-code…», del canal GitHub Daily Trend AI Podcast, figuraba con 17 vistas y cinco minutos y medio; «shareAI-lab/learn-claude-code - Gource visualisation», de Gourcer, con 209 vistas y diecisiete segundos. El primer resultado es un recurso de agregación y el segundo una visualización del historial, no reseñas independientes.

No se recuperó evidencia verificable de hilos pertinentes en Reddit, publicaciones públicas en X, página de Product Hunt, artículos de Dev.to o Hashnode, ni paquetes npm o PyPI para este proyecto. La falta de recuperación no prueba que tales menciones no existan: Reddit, X y Product Hunt limitaron la búsqueda automatizada.

Learn Claude Code frente a otras propuestas

Propuesta	Coincidencia verificable	Diferencia verificable
`shareAI-lab/mini-claude-code`	Material de shareAI para aprender a crear un agente similar a Claude Code.	La descripción recuperada no documenta un currículo de veinte capítulos; se presenta como otro proyecto de aprendizaje.
`shareAI-lab/Kode-CLI`	Ambos pertenecen a shareAI y el README del curso lo propone como paso posterior.	Kode-CLI es una CLI de agente que admite habilidades y LSP; Learn Claude Code es el material didáctico que explica componentes de un arnés.
`shareAI-lab/kode-agent-sdk`	Ambos tratan de construir productos de agentes alrededor de un arnés.	El SDK se describe como biblioteca integrable; este repositorio se estructura como capítulos Python y explicaciones.
`wulawulu/learn-claude-code-rs`	Declara el mismo objetivo didáctico de recorrer bucle, herramientas, memoria, equipos, worktrees y MCP.	Es un puerto comunitario en Rust; el proyecto principal usa Python y tiene currículo, web y traducciones propios.
`Chris-debug-0225/learn-claude-code-java`	Se presenta como una versión Java para aprender la arquitectura de un agente de programación.	Es una implementación comunitaria en Java, no una rama oficial de shareAI.

Casos de uso y a quién puede ayudar este repositorio

Ingenieros que diseñan un arnés de programación pueden recorrer el curso para separar decisiones del modelo de los mecanismos de herramientas, permisos, contexto y observación que deben implementar fuera de él.
Equipos que están prototipando coordinación entre agentes pueden estudiar los capítulos de tareas persistentes, buzones, protocolos, autoasignación y worktrees como ejemplos pequeños antes de adoptar una arquitectura mayor.

Centro de mando futurista mostrando coordinación de múltiples agentes de IA: un grafo holográfico central con tareas persistentes conectadas por líneas neón, buzones asíncronos y worktrees aislados representados como cubos de cristal ramificados.

Personas que integran herramientas externas con un agente pueden usar s19_mcp_plugin como punto de partida conceptual para descubrir y enrutar herramientas MCP hacia un único conjunto de acciones.
Mantenedores de tutoriales técnicos multilingües pueden aprovechar la política de contribución como ejemplo concreto de cómo conservar código y traducciones sincronizados sin sacrificar el foco pedagógico.
Quien necesita un agente de producción puede encontrar aquí un mapa de componentes, pero deberá añadir los controles omitidos deliberadamente y evaluar el modelo, las credenciales, los límites y la seguridad de su propio entorno.

Biblioteca digital futurista con tres archivos README holográficos flotando en paralelo, representando las traducciones al chino, inglés y japonés, con una pluma cibernética lista para editarlas simultáneamente.

Recursos

Repositorio: https://github.com/shareAI-lab/learn-claude-code
Documentación y plataforma: https://learn.shareai.run/
Inicio e instalación: https://github.com/shareAI-lab/learn-claude-code#quick-start
Guía de contribución: https://github.com/shareAI-lab/learn-claude-code/blob/main/CONTRIBUTING.md
Repositorio hermano persistente: https://github.com/shareAI-lab/claw0
CLI y SDK relacionados: https://github.com/shareAI-lab/Kode-CLI, https://github.com/shareAI-lab/kode-agent-sdk
Conversaciones de Hacker News: https://news.ycombinator.com/item?id=46454313, https://news.ycombinator.com/item?id=47321215, https://news.ycombinator.com/item?id=47638810
Vídeos y visualizaciones recuperados: búsqueda de YouTube https://www.youtube.com/results?search_query=shareAI-lab+learn-claude-code

Nota: este artículo combina el README y la guía de contribución del repositorio, la API de GitHub, Hacker News y la plataforma oficial consultados el 8 de agosto de 2026. Las cifras corresponden a ese momento.