⚠️ 这是一个 AI 写 AI 的实验项目，自行承担责任。
一个自进化 AI 编程助手 — 工具驱动、自我进化、多界面形态
Tea Agent 是一款会自我进化的 AI 编程助手，拥有 70+ 可调用的工具，能自主编写代码、调试、搜索、文件操作、浏览器操控，并能在运行中动态加载新工具。支持 GUI / CLI / Web / REST API / ACP Protocol / TUI 六种界面形态。
- 🧠 自进化引擎 — Agent 可以修改自身代码、创建新工具、优化提示词，实现自主进化
- 🧰 60+ 内置工具 — 涵盖文件操作、代码编辑、搜索、截图、OCR、包管理、Git 等
- ⏱️ 智能命令超时 — 后台监控进程 CPU/MEM/IO，活跃进程自动延长超时至 4x，空闲进程及时终止
- 🖥️ 六种界面 — GUI（Tkinter）、CLI、Web（Starlette + SSE）、REST API、ACP Protocol、TUI（Textual），按需选择
- 🌐 Web V2 实时流式界面 — 单页应用(SPA)，内存搜索、记忆管理、任务调度、历史会话，全部功能浏览器内完成
- 📚 项目知识库 — 自动构建符号索引、调用图，支持代码影响分析
- 🔄 断点续聊 — 聊天记录持久化，重启后恢复上下文
- 📋 Plan / TODO — 内置任务规划与追踪系统
- 🌐 MCP 协议 — 支持连接外部 MCP Server，扩展第三方工具
- 🎯 模式切换 — design / develop / test / review / docs / devops 六阶段工作流
- 🤖 多 Agent 协作 — 任务分解 + 并行执行，子 Agent 独立完成子任务
- 📊 任务评估 — 自动评估任务质量，记录成功/失败经验
- 💎 技能结晶 — Plan 执行后自动结晶 → 新对话按语义匹配注入 → 技能自进化闭环
# 从 PyPI 安装
pip install tea_agent
# 或从源码
git clone https://github.com/sunkwei/tea_agent
cd tea_agent
pip install -e .
# Web 界面依赖（可选）
pip install starlette uvicornPlaywright 浏览器（可选，用于 JS 渲染页面抓取）：
playwright install chromium# Web V2 界面 — 单页应用，全功能浏览器体验（推荐）
python -m tea_agent.server
# GUI 桌面界面（Tkinter）
tea_agent
# ACP Protocol Server（VS Code 集成）
python -m tea_agent.protocol --port 9090
# CLI 对话
python -m tea_agent.cli
# TUI 界面
python -m tea_agent.tuiTea Agent 提供 六种界面形态，覆盖从桌面到 Web、从命令行到 API 的全部使用场景。
基于 Tkinter 的原生桌面客户端，支持 Windows / Linux / macOS。
启动方式：
tea_agent # 入口命令
python -m tea_agent.gui # 模块方式功能特性：
- 🔄 实时流式对话，Markdown 渲染，工具调用可视化
- 📋 左侧会话列表，支持搜索、切换、新建、删除
- 🧠 长期记忆管理面板（查看/搜索/添加/删除）
- ⏱️ 定时任务管理（scheduler 增删改查）
- 📤 PDF 导出、聊天记录导出
- 🌙 系统托盘常驻，全局热键唤出
- 🎨 主题切换 + 字体缩放
轻量级终端对话界面，适合远程服务器、CI/CD 管道、脚本集成。
启动方式：
python -m tea_agent.cli # 交互模式
python -m tea_agent.cli --oneshot "帮我写一个快速排序" # 单次模式功能特性：
- 📝 交互式 REPL 对话，支持多行输入（
\换行，EOF 提交） - 🎨 语法高亮 + 工具调用实时显示
- 💾 聊天记录按 UUID 持久化
- 📋
/history命令查看历史，/clear清屏 - 🔧 支持指定配置文件：
python -m tea_agent.cli -c config_prod.yaml - 单次模式适合脚本调用：直接输出结果到 stdout
新一代单页应用（SPA），纯前端 HTML/JS + 后端 Starlette API，所有功能在浏览器中完成。
注意：
python -m tea_agent.server同时启动 REST API 和 Web V2 前端。 浏览器访问http://127.0.0.1:8081即可使用完整 Web 界面。
启动方式：
python -m tea_agent.server # 默认端口 8081
tea-agent-api # PyPI 入口
python -m tea_agent.server --port 8099 --host 0.0.0.0界面特性：
| 功能 | 说明 |
|---|---|
| 💬 流式对话 | SSE 实时推送，逐 token 输出 |
| 📋 会话管理 | 左侧列表面板，点击切换历史会话，自动加载消息 |
| 🧠 记忆管理 | 弹窗面板，查看/搜索/添加/删除长期记忆 |
| ⏱️ 任务调度 | 定时任务 CRUD，cron / interval / daily 等 |
| 🔍 全局搜索 | 搜索聊天记录、记忆、任务 |
| 📤 PDF 导出 | 导出当前会话为 PDF |
| 🌙 主题切换 | 深色/浅色主题 + 强调色定制 |
| ⚡ 配置切换 | 底部下拉框一键切换 ~/.tea_agent/*.yaml 配置文件 |
| 📎 图片预览 | 消息中图片点击放大 |
技术架构：
前端: 纯 HTML5 + CSS3 + Vanilla JS（无框架依赖）
后端: Starlette + SSE 流式
API: /v1/chat/completions（OpenAI 兼容）
/v1/sessions（CRUD）
/v1/memory（记忆管理）
/v1/tasks（任务调度）
/v1/search（全局搜索）
/v1/export/pdf（PDF 导出）
并发流式架构（v0.10.0+）：
请求 A ─→ create_session() → OnlineToolSession A 🔓（独立配置 X）
请求 B ─→ create_session() → OnlineToolSession B 🔓（独立配置 Y）
请求 C ─→ create_session() → OnlineToolSession C 🔓（独立配置 Z）
共享资源: Toolkit（只读）+ Storage（线程安全）
流式操作: 每请求独立 Session，无需全局锁，真正并发
非流式操作: 共享 Agent + 锁（管理/配置类接口）
指定配置文件 — 流式请求可通过 config_path 参数使用不同配置：
# Web UI 自动发送当前选中配置；API 可手动指定
curl -N -X POST http://127.0.0.1:8081/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"messages":[{"role":"user","content":"Hello"}],"stream":true,"config_path":"/home/user/.tea_agent/config_prod.yaml"}'不同 Web 实例可使用不同配置文件，各自独立运行不同模型。
OpenAI 兼容的 HTTP API 服务器，方便第三方应用集成。
启动方式：
tea-agent-api # PyPI 入口
python -m tea_agent.server # 模块方式
python -m tea_agent.server --port 8081 --host 0.0.0.0API 路由：
| 方法 | 路由 | 说明 |
|---|---|---|
GET |
/health |
健康检查 |
POST |
/v1/chat/completions |
OpenAI 兼容聊天（支持 stream、config_path） |
GET |
/v1/models |
当前模型信息 |
GET |
/v1/tools |
所有可用工具列表 |
POST |
/v1/tools/{name}/run |
直接调用指定工具 |
GET/POST |
/v1/sessions |
列出/创建会话 |
GET/DELETE |
/v1/sessions/{id} |
获取/删除会话 |
GET |
/v1/sessions/{id}/messages |
获取会话消息 |
GET |
/v1/config |
获取配置 |
POST |
/v1/config/switch |
切换配置文件 |
GET/POST/DELETE |
/v1/memory |
记忆管理 |
GET/POST/DELETE |
/v1/tasks |
定时任务管理 |
GET |
/v1/search |
全局搜索 |
POST |
/v1/export/pdf |
导出 PDF |
GET |
/docs |
OpenAPI 文档 |
GET |
/openapi.json |
OpenAPI Schema |
示例：
# 流式聊天
curl -N -X POST http://127.0.0.1:8081/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"messages":[{"role":"user","content":"Hello"}],"stream":true}'
# 非流式聊天
curl -X POST http://127.0.0.1:8081/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"messages":[{"role":"user","content":"Hello"}],"stream":false}'
# 列出会话
curl http://127.0.0.1:8081/v1/sessions
# 搜索
curl "http://127.0.0.1:8081/v1/search?q=keyword"Agent Communication Protocol 服务器，提供标准化的 Agent-to-Agent 通信，可用于 VS Code / Cursor 等 IDE 集成。
启动方式：
python -m tea_agent.protocol --port 9090API 路由：
| 方法 | 路由 | 说明 |
|---|---|---|
GET |
/health |
健康检查 |
GET |
/v1/agents |
发现所有可用 Agent |
GET |
/v1/agents/tea-agent |
Tea Agent 详情（含工具列表） |
POST |
/v1/agents/tea-agent/chat |
发送消息（支持 stream） |
GET/POST |
/v1/sessions |
列出/创建会话 |
GET/DELETE |
/v1/sessions/{id} |
获取/删除会话 |
GET |
/v1/sessions/{id}/messages |
获取会话消息 |
特性：
- 🧰 工具发现 — 客户端可查询 Agent 的完整工具列表和 JSON Schema
- 📡 SSE 流式 — 实时推送对话内容，支持逐 token 输出
- 🧵 会话管理 — 多会话隔离，可获取历史消息
- 🔗 IDE 集成 — 标准 ACP 协议，可对接任何 ACP 客户端
基于 Starlette + SSE 的旧版 Web 界面，工具调用可视化卡片。
tea-agent-web
python -m tea_agent.web推荐使用 Web V2（
python -m tea_agent.gui2），功能更全面。
Tea Agent 的记忆系统模拟人类记忆的工作方式：优先级分层、相关性检索、自然衰减、去重合并。底层基于 SQLite 持久化 + embedding 语义向量，由 MemoryManager 统一管理。
每条记忆包含以下核心字段：
| 字段 | 类型 | 说明 |
|---|---|---|
content |
TEXT | 记忆内容（精简摘要） |
priority |
INT (0-3) | 优先级：0=CRITICAL / 1=HIGH / 2=MEDIUM / 3=LOW |
importance |
INT (1-5) | 重要度：5=关键，忽略会导致严重问题；1=琐碎 |
category |
TEXT | 分类：instruction(指令) / preference(偏好) / fact(事实) / reminder(提醒) / general(通用) |
tags |
TEXT | 逗号分隔标签，用于快速匹配 |
content_hash |
TEXT | SHA256 前 16 位，快速去重指纹 |
embedding |
BLOB | numpy.float32 向量，用于余弦相似度语义搜索 |
expires_at |
DATETIME | 过期时间，NULL=永不过期 |
pinned |
INT | 是否钉住（豁免年龄衰减） |
created_at |
DATETIME | 创建时间（用于年龄衰减计算） |
每次对话开始时，MemoryManager.select_memories() 从活跃记忆池中选出最相关的 ≤30 条 注入上下文：
score = 相关性(关键词匹配) × 重要度(importance/5) × 时效因子 × 优先级因子
时效因子: 1天内=1.0, 7天=0.9, 30天=0.7, 90天=0.5, >90天=0.3
优先级因子: (4 - priority) / 4
分层保底策略（确保不会全选 CRITICAL）：
1. CRITICAL 优先入选（上限 10 条，FIFO 取最新）
2. 非 CRITICAL 按 score 排序
3. 分层保底配额：
- HIGH ≥ 3 条
- MEDIUM ≥ 2 条
- LOW ≥ 1 条
4. 剩余名额自由竞争（score 最高的先选）
5. 入选记忆更新 last_accessed_at
模拟 Ebbinghaus 遗忘曲线。每次选择前自动执行 degrade_by_age()，pinned=true 的记忆豁免：
| 原始优先级 | 衰减条件 | 降级为 |
|---|---|---|
| CRITICAL | 创建 > 30 天 | HIGH |
| HIGH | 创建 > 60 天 | MEDIUM |
| MEDIUM | 创建 > 90 天 | LOW |
MemoryManager.llm_adjust_priorities() 使用便宜 LLM 评估近期对话主题，微调记忆优先级：
输入：近期对话主题摘要 (≤2000字符) + 当前活跃记忆列表 (≤100条, 每条≤80字符预览)
规则：
- 只能 ±1 级调整（不允许跳级）
- 每次最多调整 3 条
- 升级时重置 created_at（重新计时衰减）
- 仅输出 JSON 数组，无额外文本
对话结束后，MemoryManager 通过 LLM 从用户消息中自动提取记忆：
提取分类：
instruction → 用户明确要求"记住"的规则 → priority=0 (CRITICAL)
preference → 用户表达的习惯/偏好 → priority=1 (HIGH)
reminder → 有时效性的提醒（含 expires_at）→ priority=1 (HIGH)
fact → 技术事实/架构决策 → priority=2 (MEDIUM)
general → 其他参考信息 → priority=3 (LOW)
容错解析：
1. 直接 JSON.parse
2. 提取 markdown ```json 代码块
3. 提取 JSON 数组正则匹配
4. 对象型 -> 从常见键名 (memories/items/results/data) 提取数组
提取结果写入前，ingest_extracted() 执行去重合并流水线：
每条新记忆：
1. jieba 分词 → 关键词 Jaccard 相似度计算
2. 同分类加权 10%
3. 相似度 ≥ 0.3 → 合并更新已有记忆：
- content: 保留更长的，或拼接
- priority: 取较小值（更关键）
- importance: 取较高值
- tags: 并集去重
- expires_at: 保留更早的过期时间
4. < 0.3 → 新增记录
批量去重 (detect_duplicates / auto_dedup)：通过 embedding 余弦相似度（阈值 0.92）扫描全部活跃记忆，发现近似重复对自动合并提权。
CRITICAL 记忆上限 15 条，超出时软删除最旧的（FIFO），防止指令记忆无限膨胀。
reflect_and_summarize() 按类别聚类近期记忆，生成摘要并归档：
类别聚类 (instruction/preference/fact/reminder/general)
→ 每类 ≥ 2 条 → 关键词频率生成摘要
→ 摘要作为 CRITICAL/importance=5 存储
→ 原始记忆 importance -1（降级）
入选记忆按优先级格式化注入系统提示区：
def _prefix_for(memory):
if priority == CRITICAL: return "!!! 必须遵循:"
if category == "reminder": return "⏰ 提醒:"
if category == "preference": return "💡 偏好:"
if category == "fact": return "📌 事实:"
return "📎"Agent 可通过
toolkit_memory工具手动管理记忆（增删查改）。见docs/TOOLS.md
Tea Agent 使用四级分层构建发送给 LLM 的上下文，在有限的 token 窗口内最大化信息密度。四大层级由 session/_history_builder.py 的 build_api_messages() 统一组装。
┌─────────────────────────────────────────────────┐
│ Level 0: 系统层 │
│ ├─ 系统提示词 │
│ ├─ 技能推荐注入 (SkillRegistry 语义匹配) │
│ ├─ 未完成任务自动恢复 (TODO/Plan) │
│ └─ 长期记忆注入 (MemoryManager 选取) │
├─────────────────────────────────────────────────┤
│ Level 3: 摘要层 (LLM 生成) │
│ └─ L2 溢出时生成：保留关键结论，丢弃细节 │
├─────────────────────────────────────────────────┤
│ Level 2: 历史对列表 (SQLite 持久化) │
│ └─ user + AI final msg 对，按相关性动态筛选注入 │
├─────────────────────────────────────────────────┤
│ Level 1: 最新对话 (当前 session) │
│ ├─ 压缩工具链 (中间工具调用→摘要，保留最终回复) │
│ ├─ 旧工具输出 → 占位符 │
│ └─ 工具输出截断 (首尾各半，按换行对齐) │
└─────────────────────────────────────────────────┘
# build_api_messages() 中的 L0 组装顺序
result = []
# 1. 系统提示词
result.append({"role": "system", "content": system_prompt})
# 2. 未完成任务自动恢复 (toolkit_task_resume)
resume_info = toolkit_task_resume(action="check")
if resume_info["has_pending"]:
result.append({"role": "user", "content": format_resume(resume_info)})
# 3. 长期记忆注入
if context._injected_memories_text:
result.append({"role": "user", "content": context._injected_memories_text})SummaryStore 管理两种 L3 摘要：
| 摘要类型 | 存储位置 | 生成时机 | 内容 |
|---|---|---|---|
| 语义摘要 | topics.semantic_summary |
L2 溢出时（50→20 裁剪） | 项目背景 / 已完成修改 / 关键决策 / 错误修复 / 架构约束 / 用户偏好 / 待办事项 |
| 工具链摘要 | topics.tool_chain_summary |
后台异步线程 | 最近一轮工具调用链回顾 |
L2→L3 摘要生成 (generate_l2_to_l3_summary)：
触发条件: push_to_level2() 返回 should_summarize=True
(即 L2 count ≥ 50 → 最老 30 条溢出)
摘要流程:
1. 取溢出 30 条 L2 条目（含 user + thinking + assistant）
2. 合并现有 L3 摘要（如有）
3. 用 cheap model 生成新摘要（参数: temperature=0.3, max_tokens=4096）
4. 存入 topics.semantic_summary
5. L2 裁剪到最新 20 条
压缩比: 30 轮对话 (≈20K tokens) → ~500 tokens 摘要
L3 注入格式：
[系统记忆 — 以下为需要遵循的有效信息和规则]
##### 长期背景/偏好/关键结论
{semantic_summary}
---
##### 历史工具调用链回顾
{tool_chain_summary}
L2 是一个固定大小的环形缓冲区，存储在 SQLite topics.level2_json 列中，容量 50 条。
条目结构：
{
"user": "用户的原始消息",
"assistant": "AI 的最终回复（不含工具调用中间过程）",
"thinking": "工具调用轮的 assistant content + reasoning（从 rounds 中提取）",
"files": ["涉及的文件路径（可选）"]
}写入流程 (push_to_level2)：
def push_to_level2(topic_id, user_msg, ai_msg, files, rounds):
# 从 rounds 中提取 thinking：所有带 tool_calls 的 assistant 消息
thinking = extract_thinking_from_rounds(rounds)
entry = {"user": user_msg, "assistant": ai_msg, "thinking": thinking, "files": files}
level2.append(entry)
overflow = []
should_summarize = False
if len(level2) >= 50:
overflow = level2[:30] # 最老 30 条 → 送给 L3 摘要
level2 = level2[-20:] # 保留最新 20 条
should_summarize = True
return len(level2), overflow, should_summarize相关性筛选 (filter_level2_by_relevance)：
对每条 L2 条目，用当前 user 消息的关键词做 Jaccard 相似度匹配：
- 提取 user 消息的 2字中文 + 3字母英文关键词
- 提取 L2 条目的 user + thinking + assistant 中的关键词
- 计算 Jaccard 系数: |交集| / |并集|
- 文件路径额外加权 (file_overlap ≥ 1 → min(score, 0.4 + count × 0.1))
筛选规则:
≥ 0.15 → 保留完整 user+assistant 对（注入为 [历史记录]）
≥ 0.05 → 仅保留摘要片段（"User: xxx... → Assistant: yyy..."）
< 0.05 → 不注入（节省 token）
全部<0.05 → 保底注入最高分的一条（完整对）
L1 是当前 session 的原始消息（context.messages），经多层压缩后传入 API。
每个工具调用返回时立即截断，防止单个输出超大：
max_tool_output = 128 * 1024 # 128KB
if len(result_bytes) > max_tool_output:
# 首尾各保留一半，按换行边界对齐
head = result_bytes[:max_tool_output // 2] # 64KB
tail = result_bytes[-max_tool_output // 2:] # 64KB
result_str = f"{head.decode()}\n\n... [工具输出截断] ...\n\n{tail.decode()}"_find_prune_cutoff() 找到最近 3 个 user 消息的分界线：
3 轮外的 tool 消息 → "[工具结果已省略: N 字符]"
3 轮内的 tool 消息 → 完整保留
当 max_context_tokens > 0 时，触发 _progressive_trim() 5 级裁剪：
| 策略 | 操作 | 说明 |
|---|---|---|
| 1 | 删除 [历史记录] L2 条目 |
最旧的先删 |
| 2 | 替换旧工具输出为占位符 | [工具结果已省略: N 字符] |
| 3 | 清空 reasoning_content | 释放 thinking token |
| 4 | 截断长文本 | 限制 4096 字符 |
| 5 | 删除 L1 旧轮次 | 保留最近 5 轮 user 消息 |
| 兜底 | 截断最后一条消息 | 仅保留前 1/3 |
build_api_messages(context, system_prompt) 完整流程:
1. Level 0: 系统提示词 + TODO 恢复 + 记忆注入
2. Level 3: 语义摘要 + 工具链摘要 (注入后加 assistant "好的，已了解...")
3. Level 2: 相关性筛选 → [历史记录] user + assistant 对
4. Level 1: 截断边界计算 → tool 占位符 → 消息遍历:
- tool_calls 完整性检查
- 多模态格式转换
- reasoning_content 补齐
5. 渐进式裁剪: estimate_messages_tokens() > 80% budget → _progressive_trim()
6. JSON 完整性校验 + 孤立 tool 消息移除
使用启发式算法快速估算 token 数（无需 tiktoken）：
- 英文：约 4 字符 = 1 token
- 中文：约 1.5 字 = 1 token
- 图片：固定 ~85 tokens
- 消息结构开销：每条 +4 tokens
每轮对话结束后，do_async_summaries() 在后台线程执行：
- 标题摘要 (
auto_summary): 用 cheap model 为 topic 生成一句话标题 - L2→L3 摘要 (
l2_to_l3_summary): 仅在 L2 溢出时触发
便宜模型产生的 token 消耗通过 agent._pending_cheap_tokens 合并到下一轮 GUI 显示。
Tea Agent 的自进化体系由五个层次构成：工具热插拔（基础）→ 安全自修改 → 提示词进化 → 经验固化 → 后台进化线程。
Agent 可以在运行时创建新工具、修改现有工具，并立即生效，无需重启。
Agent 发现需要新能力
│
├─ 1. 编写 Python 函数代码
├─ 2. 定义 OpenAI function schema (参数/描述)
│
├─ 3. toolkit_save(name, meta, pycode)
│ ├─ 存储到 tea_agent/toolkit/{name}.py
│ ├─ 自动版本管理 (v1.0.0 → v1.1.0 → ...)
│ ├─ 保存历史版本到 .versions/ 目录
│ └─ 自动生成 skills/{name}/SKILL.md 文档
│
├─ 4. toolkit_reload()
│ ├─ 扫描 toolkit/ 目录所有 .py 文件
│ ├─ 动态 importlib 加载模块
│ ├─ 注册 meta 函数 → 生成 tool schema
│ └─ 所有 toolkit_* 函数 → 全局可用
│
└─ 5. 新工具立即可用于后续对话
版本管理：
| 特性 | 说明 |
|---|---|
| 自动版本号 | 每次 save 自动递增 v1.0.0 → v1.0.1 → v1.1.0 |
| 安全回滚 | toolkit_rollback(name, version) 可回退到任意历史版本 |
| 版本列表 | toolkit_list_versions(name) 查看所有历史版本 |
| SKILL.md | 保存后自动生成技能文档，参数表 + 示例代码 |
Agent 修改自身代码时，通过五层安全机制确保不会自毁：
┌──────────────────────────────────────────────┐
│ Layer 0: Git 快照 │
│ git add + git commit "snapshot: pre-evolve" │
│ 仅在工作区干净时执行 │
├──────────────────────────────────────────────┤
│ Layer 1: 时间戳 .bak 文件 │
│ {file}.bak.{YYYYMMDD_HHMMSS} │
│ 永不覆盖历史备份 │
├──────────────────────────────────────────────┤
│ Layer 1.5: Python 语法严格检查 │
│ 换行符 / 缩进 / 括号匹配 / 冒号缺失 / 分号 │
│ 失败 → 立即回滚 │
├──────────────────────────────────────────────┤
│ Layer 2: py_compile 编译验证 │
│ 失败 → 自动回滚 tmp_bak + git reset --hard │
├──────────────────────────────────────────────┤
│ Layer 2.5: LSP 智能检查 │
│ ├─ 影响分析 (ts_analyzer): 调用者/依赖/风险 │
│ ├─ ruff lint 对比: 新旧 lint 数量差异 │
│ ├─ 函数签名对比: 参数是否变更 │
│ └─ jedi 语义诊断: 未定义/未使用的符号 │
│ 非阻塞：lint 新增 > 0 或签名变更仅警告 │
├──────────────────────────────────────────────┤
│ Layer 3: pytest 测试验证 │
│ 失败（passed < total）→ git reset --hard 回滚 │
└──────────────────────────────────────────────┘
回滚链：Layer 1.5 失败 → 恢复 tmp_bak；Layer 2 失败 → 恢复 git；Layer 3 失败 → git reset --hard。
Agent 可以自我优化系统提示词，由 SystemPromptManager 管理多版本：
版本管理流程:
配置表 system_prompts (is_active, version, content, created_at)
进化操作:
action='list' → 查看所有版本历史
action='current' → 查看当前活跃版本
action='evolve' → 基于反思建议 + 长期记忆 → LLM 生成新版本 → 设为活跃
action='rollback' → 回滚到指定版本（旧版设为活跃）
action='set' → 手动设置新版本
进化输入:
- 当前提示词 (≤500字要求)
- 最近的反思建议 (ReflectionManager.last_prompt_suggestion)
- 相关长期记忆 (MemoryManager 选取)
任务完成后自动复盘，转化为可复用模式：
action='auto':
analyze → 分析任务执行过程
├─ 成功 → solidify → 固化到技能库 (toolkit_dynamic_skill)
└─ 失败 → lesson → 记录到经验库 (toolkit_evolution_exp)
分类标签:
dependency / architecture / ui / performance / testing / deployment
动态技能系统 (toolkit_dynamic_skill)：
record → 记录成功的 agent 组合模式（task + agents[]）
recommend → 根据任务推荐 agent 组合
search → 搜索相似技能模式
list → 列出所有技能模式
每小时自动运行一轮三合一巡检：
1. 工具使用率分析 → 优化建议
- 统计各工具调用次数
- 识别低使用率工具（建议删除或合并）
- 识别高频组合（建议合并为复合工具）
2. docs/TOOLS.md 同步
- 扫描 toolkit/ 目录
- 根据 meta 信息生成工具文档
- 按类别分组 + 参数表格
3. 技能模式整理
- 清理过时技能
- 合并相似模式
- 更新模式评分
| 能力 | 工具 | 安全层级 | 说明 |
|---|---|---|---|
| 创建新工具 | toolkit_save + toolkit_reload |
版本回滚 | 热插拔，无需重启 |
| 修改源文件 | toolkit_self_evolve |
5层安全 | Git↔Bak↔编译↔LSP↔测试 |
| 优化提示词 | toolkit_prompt_evolve |
版本回滚 | 基于反思+记忆 |
| 固化经验 | toolkit_experience_solidify |
分类标签 | 成功→技能，失败→教训 |
| 后台进化 | toolkit_self_evolve_thread |
每小时 | 工具分析+文档同步+技能整理 |
| 代码智能 | toolkit_lsp |
只读 | diagnose/completion/definition/references |
| 类别 | 工具 |
|---|---|
| 📁 文件操作 | toolkit_file, toolkit_save_file, toolkit_explr |
| ✏️ 代码编辑 | toolkit_edit, toolkit_diff_edit, toolkit_diff, toolkit_self_evolve, toolkit_clean_comments, toolkit_format_code |
| 🔍 搜索 | toolkit_search, toolkit_lsp, toolkit_query_chat_history |
| 📸 截图/OCR | toolkit_screenshot, toolkit_ocr, toolkit_screen_read |
| 🖱️ 操控 | toolkit_input, toolkit_browser_tab, toolkit_js_fetch |
| 📦 包管理 | toolkit_pkg, toolkit_build, toolkit_read_pyproject |
| 🧪 测试 | toolkit_run_tests, toolkit_test_gui |
| 🗓️ 工具 | toolkit_lunar, toolkit_weather_my, toolkit_gettime, toolkit_date_diff |
| 🔧 系统 | toolkit_exec, toolkit_config, toolkit_os_info, toolkit_sudo_gui |
| 🧠 记忆/知识 | toolkit_memory, toolkit_kb, toolkit_reflection, toolkit_proactive |
| 🤖 多 Agent | toolkit_parallel_subtasks, toolkit_dynamic_skill, toolkit_experience_solidify |
| 📋 计划/任务 | toolkit_plan, toolkit_todo, toolkit_scheduler, toolkit_task_resume |
| 🔌 MCP 集成 | toolkit_mcp |
| 🌐 Web/GUI | toolkit_browser_tab, toolkit_dump_topic, toolkit_export_last_pdf, toolkit_notify |
| 📤 导出 | toolkit_dump_topic, toolkit_export_last_pdf |
| 🧬 自进化 | toolkit_self_evolve, toolkit_self_evolve_thread, toolkit_prompt_evolve, toolkit_evolution_exp |
| 🛠️ 其他 | toolkit_question, toolkit_stream_save, toolkit_set_topic_title, toolkit_self_report, toolkit_comment, toolkit_toggle_reasoning, toolkit_get_config_path, toolkit_get_models, toolkit_list_provider_models, toolkit_ip_location_my, toolkit_custom_commands, toolkit_scheduler_storage, toolkit_mode |
完整工具列表见
docs/TOOLS.md（每小时自动更新）
demo/multi_agent/ — 双 AI Agent 对抗辩论，50 轮实时交替。
快速启动：
python demo/multi_agent/server.py --port 8083
# 浏览器打开 http://127.0.0.1:8083功能特性：
- 🔵🔴 左右分屏：甲乙双方各持不同配置文件、不同模型
- ✍️ 甲方先开篇立论 → 乙方反驳 → 甲方回击 → ... 共 50 轮
- 📡 SSE 实时流式推送每轮发言
- 📊 进度条 + 打字动画 + 双方面板独立滚动
- 🛑 支持中途停止
- ⚙️ 双方独立选择配置文件（下拉列表自动发现
~/.tea_agent/*.yaml）
辩论流程：
第 1 轮 → 🔵 甲方 开篇立论
第 2 轮 → 🔴 乙方 针对甲方辩论
第 3 轮 → 🔵 甲方 回击乙方
...
第 50 轮 → 🔴 乙方 最终反驳
┌────────────────────┬────────────────────┐
│ 🔵 甲方 │ 🔴 乙方 │
│ config_prod.yaml │ config_local.yaml │
│ GPT-4o │ Qwen 2.5 │
├────────────────────┼────────────────────┤
│ 第1轮: 开篇立论 │ │
│ ↓ │ 第2轮: 反驳 │
│ 第3轮: 回击 │ ↓ │
│ ↓ │ 第4轮: 再次反驳 │
│ ...50轮 │ ...50轮 │
└────────────────────┴────────────────────┘
技术实现：复用
server.py中的_create_session_from_cfg()+_load_config_cached()，每个辩论方拥有独立的OnlineToolSession，完全隔离。
from tea_agent.multi_agent import Dispatcher, LiteAgent
# 一步到位：分解 + 执行
dispatcher = Dispatcher()
result = dispatcher.dispatch("重构项目添加类型注解")
print(result["summary"])
# 可视化执行计划（不执行）
print(dispatcher.visualize("为 gui.py 添加类型注解"))
# 单独使用 LiteAgent
agent = LiteAgent()
result = agent.execute_sync("读取 README.md 并总结")Dispatcher.dispatch(goal)
│
├─ _identify_pattern() → 识别任务模式
├─ _generate_tasks() → 生成 SubTask 列表
├─ _topological_sort() → 拓扑排序（分层）
│
├─ _execute_layers() → 逐层执行
│ ├─ 第 1 层: [task_1] ─── LiteAgent.execute_sync()
│ │ ↓ 结果写入 accumulated_context
│ ├─ 第 2 层: [task_2] ─── LiteAgent.execute_sync() ← 带前置上下文
│ │ ↓
│ └─ ...
│
└─ _merge_results() → 整合结果
tea_agent/
├── gui.py # GUI 桌面入口（Tkinter）
├── gui2/ # Web V2 界面（SPA + Bottle）
│ ├── server.py # Bottle 静态服务器
│ └── frontend/ # HTML/CSS/JS 单页应用
│ └── index.html # 全部界面逻辑（无框架依赖）
├── web/ # Web V1 界面（Starlette + SSE）
│ ├── server.py # SSE 流式服务器
│ └── static/ # 前端资源
├── server/ # REST API Server（OpenAI 兼容）
│ ├── server.py # Starlette 路由 + SSE
│ └── __main__.py # python -m tea_agent.server
├── protocol/ # ACP Protocol Server
│ ├── acp_server.py # ACP 协议实现
│ └── __main__.py # python -m tea_agent.protocol
├── cli.py # CLI 命令行
├── tui.py # TUI 界面（Textual）
├── agent.py # Agent 核心引擎
├── config.py # 配置管理
├── memory.py # 长期记忆
├── prompt_manager.py # 提示词版本管理
├── toolkit/ # 70+ 工具模块
├── session/ # 会话管理（历史压缩/Token 裁剪）
├── multi_agent/ # 多 Agent 协作
├── lsp/ # LSP 代码智能
├── store/ # 数据存储（10 子模块）
├── evaluation/ # 任务评估
├── skills/ # 技能结晶
├── sdk/ # Python SDK（外部调用）
└── _gui/ # GUI 组件（12 模块）
配置文件 ~/.tea_agent/config.yaml：
main_model:
api_key: "sk-xxx"
api_url: "https://api.openai.com/v1"
model_name: "gpt-4o"
max_context_tokens: 0 # 0=不限制，>0 时启用渐进式 token 裁剪
cheap_model:
api_key: ""
api_url: ""
model_name: ""
max_context_tokens: 0 # 独立配置，适用于本地小模型
embedding:
provider: openai
model: text-embedding-3-smallmax_context_tokens 用于限制发送给 LLM 的最大上下文 token 数：
- 0 = 不限制，发送全部历史
- 64000（默认）= 适合 64K~128K 窗口的主流模型
- 32000 = 适合 32K 窗口模型
- 128000 = 适合 GPT-4o / Claude 等大窗口模型
启用后，系统会自动预估 token 数，超出预算时按优先级渐进裁剪：
- 删除旧的
[历史记录]条目 - 替换旧工具输出为占位符
- 清空 thinking 内容
- 截断长文本
- 删除旧轮次（保留最近 5 轮）
主模型和便宜模型独立配置，互不影响。
Agent 可在运行时通过 toolkit_config 自主调优参数。
MIT License © 2024-2026 sunkw