Mini Agent 源码解析——1 导言

碎碎念

求职季悄然而至，迫使摸鱼许久的我，不得不重启搁置已久的博客计划。最近 OpenClaw 爆火，我也在本地部署体验了一番。说实话，那种震撼感前所未有——即便是智谱的 AutoGLM 或 OpenManus，也未曾带来如此强烈的冲击。我曾自己写过 LLM Workflow，调侃过 MCP“开发者多于用户”的现状，也惊叹于 Claude Skill 让纯 Prompt 技术都能上桌吃饭。但 OpenClaw 不同，它似乎只是用 LLM 将这些要素简单串联，却迸发出了难以想象的威力。这让我意识到，或许真正的变革，就藏在这些看似简单的连接之中。

但是 OpenClaw 虽是开源框架，但是智械危机导致人类无法控制 vibe 屎山的迅猛增长，想看懂他们的代码是不现实的。这时，我忽然想起学长早在半年前就强力安利过的 Mini-Agent 项目。与其追逐复杂的潮流，不如回归基础，深耕这个仓库。向 MiniMax 的工程师致敬！向开源精神致敬！

项目简介

Mini Agent 是一个极简但专业的演示项目，旨在展示使用 MiniMax M2.5 模型构建 Agent 的最佳实践。项目通过兼容 Anthropic 的 API，完全支持交错思维（interleaved thinking），从而解锁 M2 模型在处理长而复杂的任务时强大的推理能力。

该项目具备一系列为稳健、智能的 Agent 开发而设计的特性：

• ✅ 完整的 Agent 执行循环：一个完整可靠的执行框架，配备了文件系统和 Shell 操作的基础工具集。
• ✅ 持久化记忆：通过内置的 Session Note Tool，Agent 能够在多个会话中保留关键信息。
• ✅ 智能上下文管理：自动对会话历史进行摘要，可处理长达可配置 Token 上限的上下文，从而支持无限长的任务。
• ✅ 集成 Claude Skills：内置 15 种专业技能，涵盖文档处理、设计、测试和开发等领域。
• ✅ 集成 MCP 工具：原生支持 MCP 协议，可轻松接入知识图谱、网页搜索等工具。
• ✅ 全面的日志记录：为每个请求、响应和工具执行提供详细日志，便于调试。
• ✅ 简洁明了的设计：美观的命令行界面和易于理解的代码库，使其成为构建高级 Agent 的理想起点。

以上内容出自仓库 README.md

目前的项目目录大体如下：

.
├── docs
├── examples                       # 学习样例
├── mini_agent                     # 项目主体代码
│   ├── __init__.py
│   ├── acp                        # ACP 包装
│   │   ├── __init__.py
│   │   └── server.py
│   ├── agent.py                   # Agent 主体逻辑
│   ├── cli.py                     # 入口程序
│   ├── config                     # 配置文件
│   │   ├── config-example.yaml
│   │   ├── mcp-example.json
│   │   └── system_prompt.md
│   ├── config.py                  # 配置读取
│   ├── llm                        # LLM 引擎代码
│   │   ├── __init__.py
│   │   ├── anthropic_client.py
│   │   ├── base.py
│   │   ├── llm_wrapper.py
│   │   └── openai_client.py
│   ├── logger.py
│   ├── retry.py
│   ├── schema                     # 自定义类
│   │   ├── __init__.py
│   │   └── schema.py
│   ├── skills                     # skill
│   ├── tools                      # 工具调用
│   │   ├── __init__.py
│   │   ├── base.py
│   │   ├── bash_tool.py
│   │   ├── file_tools.py
│   │   ├── mcp_loader.py
│   │   ├── note_tool.py
│   │   ├── skill_loader.py
│   │   └── skill_tool.py
│   └── utils
│       ├── __init__.py
│       └── terminal_utils.py
├── pyproject.toml                # 项目信息
└── tests                         # 单元测试

简单梳理一下他们的调用关系如下图所示：

Mini Agent 调用关系

直接和用户或上游交互的是 CLI 和 ACP ¹，然后 Agent 模块负责调度 LLM 和工具，LLM 作为整个 Agent 的大脑，负责整体的规划、理解、生成，Tools 包括 MCP、Skill、Bash 工具等，给予 Agent 无限扩展。

小结

从整体上看，Mini Agent 的设计并不花哨，甚至可以说相当克制：CLI 和 ACP 负责接住外部输入，Agent 负责组织执行循环，LLM 负责思考与生成，Tools 负责把能力真正落到外部世界。也正因为这种分层足够直接，它才特别适合作为 Agent 工程实践的学习样本。

---

1. ACP（Agent Client Protocol）是一款标准化协议，专门规范代码编辑器/ IDE 与编码代理间的通信，适配本地和远程部署场景，解决了二者耦合导致的集成成本高、兼容性有限等问题，实现了双方解耦与独立创新，同时复用 MCP 的 JSON 表示、自定义编码相关 UX 类型并默认采用 Markdown 作为用户可读文本格式。↩︎