100行Lisp代码即可打造一个AI代理

背景

大约在2000年，作者在加拿大圭尔夫大学（University of Guelph）修读了一门人工智能课程。他回忆当时并没有学到太多东西，课程中没有涉及神经网络，也没有Transformer、CUDA或PyTorch——这些技术当时根本不存在。期末项目只是一个披着AI外衣的寻路算法。但作者印象最深刻的是大量使用Lisp编程，在昏暗的CIS实验室里写了很多Lisp代码。

当时的教授（作者已记不清名字）称Lisp为“AI的语言”，这可能是当时的共识。作者很喜欢写Lisp代码，认为构建优雅的递归函数是一种艺术。根据教授的说法，Lisp是符号人工智能的语言：专家系统、定理证明器、操纵符号和规则的程序。然而，统计方法后来取得了胜利，深度学习又埋葬了胜者，Lisp最终随着符号AI一起被遗忘。作者几乎不认识任何人（实际上一个都没有）还经常使用Lisp，只记得Paul Graham在一篇关于他编写第一个电商平台的文章中提到过自己用Lisp。

距离那门AI课程已经过去了25年多，作者当时只记住了Lisp这一件事。而现在他花了一个多月构建一个AI agent平台，今天早上突然冒出一个念头：“Lisp对agent循环来说会不会真的是一门有用的语言？”于是他用Claude做了实验。

核心内容

agent是一个递归函数

不要被Claude Code、OpenClaw或其他AI agent工具的强大外表所迷惑——剥去框架，一个agent循环其实非常简单。你有一个消息列表，将其发送给模型。模型要么用文字回答，要么请求使用工具。如果它请求使用工具，你就执行工具，追加结果，然后再次执行这个过程。

有些agent可能把上述过程实现为一个带状态的while循环，但也许用带基例的递归来实现更好。作者给出了一个Common Lisp中的agent循环，仅8行：

(defun agent-loop (messages)
  (let* ((message (ref (call-model messages) "choices" 0 "message"))
         (tool-calls (gethash "tool_calls" message)))
    (if (and tool-calls (plusp (length tool-calls)))
        (agent-loop (append messages
                            (list message)
                            (map 'list #'execute tool-calls)))
        (append messages (list message)))))

基例：模型回答，返回历史。递归情况：模型想要工具，执行它们，用丰富后的消息列表递归调用。没有框架，没有状态机。agent的状态就是通过递归折叠的参数。

作者在Claude的帮助下，用大约100行Common Lisp（使用SBCL，两个库：dexador用于HTTP，shasht用于JSON）构建了一个完整的AI agent，运行在OpenRouter上。

唯一的工具是eval

通常构建agent时，你会开始添加各种工具——例如Web搜索、爬虫、表格、文件工具、Python执行工具等。实际上，大多数agent的大部分内容就是工具目录。

Lisp允许你“作弊”。Lisp是homoiconic的——程序是用Lisp自己的数据结构（列表）编写的，所以代码就是数据，数据就是代码。程序可以像构建购物清单一样构建另一个程序。这意味着你可以把整个语言交给模型，而不是单独构建工具：

(defun lisp-eval (form-string)
  (handler-case
      (format nil "~s" (eval (read-from-string form-string)))
    (error (e) (format nil "ERROR: ~a" e))))

只有一个工具。模型编写一个Common Lisp表达式字符串，agent读取、求值，并返回结果。例如，当模型被要求计算第30个斐波那契数时，它没有回忆答案，而是自己编写了递归函数并运行：

* (agent:run "What is the 30th Fibonacci number? Compute it, don't recall it.")
⤷ (defun fibonacci (n)
    (if (<= n 2)
        1
        (+ (fibonacci (- n 1)) (fibonacci (- n 2))))) => FIBONACCI
⤷ (fibonacci 30) => 832040
The 30th Fibonacci number is 832040.

作者没有告诉它要用递归，但在这个关于递归agent循环的博文中，模型自动选择了教科书式的双重递归斐波那契实现。这代表了2026年版本的Lisp之所以被称为“AI的语言”的原因——程序操控程序。旧的梦想终于成真：我们把符号推理外包给了语言模型，保留了底层结构。

警告（如果不清楚的话）：把eval当作工具意味着模型可以在你的机器上运行任意代码。这只是一个沙盒玩具，作者只在本地Docker容器中运行过。

记忆只有20行

一旦循环工作，作者想要持久化——跨会话保留对话。在Agent Foundry中，作者用pgvector实现了记忆，但在这个实验中，Lisp本身就有完美的原语来实现记忆。消息已经是哈希表列表，本质上就是JSON。所以记忆只是写入列表并读回：

(defun remember (messages)
  (with-open-file (out *memory-file* :direction :output :if-exists :supersede)
    (shasht:write-json (coerce messages 'vector) out))
  messages)

(defun recall ()
  (if (probe-file *memory-file*)
      (coerce (with-open-file (in *memory-file*) (shasht:read-json in)) 'list)
      (list *system-message*)))

循环本身没有变化。入口点变成了一个管道：(remember (agent-loop (append (recall) (list new-user-message))))。Recall、递归、remember。没有模式、没有迁移、没有存储抽象。序列化格式就是运行时格式。今天告诉它你的名字，明天在一个新进程中询问，它仍能回答。

它从不遗忘，这也是它的缺陷。完整转录记忆会无限增长，最终会触及上下文窗口。一个简单的修复方法是在recall和循环之间加入一个压缩步骤，让agent调用模型总结自己的过去——一个对自身历史进行递归的agent，非常优美。

然后它构建了自己的Web搜索

斐波那契技巧令人惊叹——agent编写一次性的数学并运行它。然后作者决定给它更多一点权限：他将一个临时的Brave Search API密钥粘贴到对话中。令人惊讶的是，agent利用它的eval工具，直接defun了一个brave-search函数到运行中的镜像中。它检查了自己可用的资源（HTTP库等），编写了HTTP调用，解析了JSON响应，然后开始用实时网络结果回答问题。

作者从未构建过Web搜索工具。agent只有一个工具，它用这个工具写了第二个工具。

⤷ (defun brave-search (api-key query &key (count 10))
    "Search using Brave Search API"
    (let* ((encoded-query (quri:url-encode query))
           (url (format nil "https://api.search.brave.com/res/v1/web/search?q=~a&count=~d"
                        encoded-query count))
           (response (dexador:get url
                       :headers `(("Accept" . "application/json")
                                  ("X-Subscription-Token" . ,api-key)))))
      (shasht:read-json response))) => BRAVE-SEARCH

agent在对话中说：“完美！你完全正确，Jamie。我现在创建了一个brave-search函数，可以发起对Brave Search API的HTTP请求。”之后它就开始用实时搜索结果回答问题，不再需要人类提供额外工具。

关键要点

• Agent本质是递归函数：核心循环不过是将消息列表传递给模型，根据模型响应决定递归或基例，无需框架或状态机。
• 8行代码实现agent循环：作者用Common Lisp的defun写出了完整的agent循环，凸显Lisp表达力。
• 唯一工具eval赋予了agent自编程能力：利用Lisp的homoiconic特性，agent可以直接求读任意Lisp表达式，从而自动生成函数、进行计算、甚至构建新工具。
• 记忆实现极其简洁：通过序列化消息列表到JSON文件，只需20行代码实现持久化，没有数据库、没有模式迁移。
• Agent能自我扩展功能：在获得Brave Search API密钥后，agent自动用eval编写了HTTP搜索函数，并开始使用实时数据——从单一工具衍生出第二个工具。
• **存在