leaper-agent 1.0.2

自进化 AI 员工框架 — 越用越聪明

Leaper Agent v1.0

会自己进化的 AI 员工框架 — 越用越聪明，不是口号，是工程实现。

大多数 AI Agent 是无状态的：每次对话从零开始，聊过的事情不记得，犯过的错再犯一遍。Leaper 不一样：它从每次对话中提取结构化经验，聚类成可复用技能，构建你的心理模型，还会自我验证知识的一致性。六层进化，持续运行。

---

一句话安装

pip install leaper-agent==1.0.1
leaper init
leaper run

不需要 C++ 编译器。不需要 GPU。纯 Python，零原生依赖。

---

为什么选 Leaper？

特性	说明
真正的记忆，不是记事本	每段对话从四个维度（任务/策略/结果/洞察）提取经验，经过 4 道质量门控，cosine > 0.85 去重，存入本地 SQLite。BM25 + 向量混合召回，RRF 融合排序 — 不是把所有东西塞进 context。
越用越聪明	L1 提取经验 → L2 聚类成技能 → L3 合并/废弃/晋升 → L4 构建用户画像 → L5 一致性验证 + 回归测试 + 记忆衰减。每层都有质量门控和可量化指标。
本地优先的 LLM 策略	高频操作（embedding、提取、验证）跑本地 Ollama 模型。只有低频推理（技能合成、用户建模）才调云端。确定性操作用规则，不用 LLM。
产品级安装体验	交互式向导，不需要手动编辑配置文件。Windows / macOS / Linux 都行。
15+ 平台即插即用	Telegram · Discord · Slack · WhatsApp · Signal · 飞书 · 钉钉 · Matrix · 邮件 · Home Assistant · API · 终端 — 一个进程连接所有平台。
搜索零配置	DuckDuckGo 兜底，不需要任何 API Key。加 Firecrawl / Tavily 可以深度搜索。
模板系统	leaper init --template ceo-coach 一条命令创建一个专业 AI 员工。10 个 CXO 角色 + 20 个行业适配。

---

DeepBrain：六层自进化记忆引擎

这是 Leaper 和所有其他 Agent 框架的根本区别。

为什么不用 RAG？

现有 Agent 的"记忆"无非两种模式：

1. 全量注入 — 把所有东西写进 MEMORY.md，每轮全部塞进 system prompt。问题：context 线性增长，50 次对话后成本不可控。
2. RAG 向量检索 — 把记忆 embed 后每轮 Top-K 召回。问题：纯向量搜索对精确术语匹配很差（"MST 状态机"检索不到"Mission State Transition"），也处理不了知识衰减和冲突。

DeepBrain 的方案：BM25 精确匹配 + 向量语义搜索，RRF 融合排序，六层进化闭环。 不是 RAG — 是认知进化系统。

数据流

用户消息 → 核心引擎处理 → Agent 回复
                                ↓
                          sync_turn() 触发
                                ↓
                  ┌───────────────────────────┐
                  │  L1 经验提取               │
                  │  四维分析 → 4Gate → 存储   │
                  └─────────────┬─────────────┘
                                ↓（积累 5+ 条）
                  ┌───────────────────────────┐
                  │  L2 技能生成               │
                  │  聚类 → 合成 → 回测       │
                  └─────────────┬─────────────┘
                                ↓（周期性）
                  ┌───────────────────────────┐
                  │  L3 跨技能进化             │
                  │  MERGE / DEPRECATE / PROMOTE│
                  └─────────────┬─────────────┘
                                ↓（数据充足时）
                  ┌───────────────────────────┐
                  │  L4 用户建模               │
                  │  多维画像构建              │
                  └─────────────┬─────────────┘
                                ↓（每次写入后）
                  ┌───────────────────────────┐
                  │  L5 对抗验证               │
                  │  一致性 + 回归 + 衰减      │
                  └───────────────────────────┘

召回路径（独立于进化）：
用户消息 → L0 混合召回 → RRF 融合 → Top-K 注入 context

---

L0 — 混合召回

问题：纯向量搜索对精确术语匹配差。纯关键词搜索理解不了"进化"和"越来越聪明"是同一个意思。

方案：BM25 + 向量搜索，RRF 融合。

RRF_score(d) = Σ 1 / (k + rank_i(d))    k = 60

两路排序：

1. BM25：SQLite 关键词搜索 — 精确匹配术语、缩写、代号
2. 768 维向量：nomic-embed-text（274MB）本地 embedding — 语义理解

为什么用 RRF 而不是加权平均？ RRF 与分数尺度无关。BM25 分数范围 0–25，cosine 范围 0–1。加权平均需要归一化，参数难调。RRF 只看排名位置 — 自动处理两路排序器的质量差异。

优雅降级：

• Ollama + nomic-embed-text 可用 → 完整 RRF
• Ollama 没装 embedding 模型 → 纯 BM25
• 没有 Ollama → SQLite LIKE 关键词搜索

---

L1 — 经验提取

问题：多数 Agent 让 LLM 自由决定记什么。结果：同一件事存 5 遍，琐碎信息占 40%+，没有质量过滤。

方案：结构化四维提取 + 4Gate 质量门控。

每轮对话后 LLM 返回结构化 JSON：

{
  "task": "用户要做什么",
  "strategy": "选了什么方案",
  "outcome": "结果如何，成功还是失败",
  "insight": "可复用的经验总结"
}

4Gate 质量门控：

1. 任务成功门 — 失败的对话不提取（避免存垃圾）
2. 复杂度门 — < 30 字符 = trivial，过滤掉"你好""谢谢""好的"
3. 去重门 — cosine > 0.85 的已有记忆不重复存
4. 完整度门 — 四个维度都必须有实质内容（≥ 10 字符）

实测：约 27% 对话被 4Gate 过滤，73% 有效存储率。

---

L2 — 技能生成

问题：经验是一次性的（"那次分析了 Dify 竞品"）。技能是可复用的（"怎么做竞品分析"）。用了 20 次后，Agent 应该自己总结出方法论。

方案：聚类相似经验 → LLM 合成技能 → 回测验证。

• 聚类：贪心 cosine 聚类，阈值 0.7，每簇至少 5 条经验
• 合成：LLM 收到一个聚类，输出技能定义（标题/内容/适用场景/置信度）
• 回测：把新技能应用到历史问题上，对比原始回答质量

---

L3 — 跨技能进化

问题：技能越积越多，出现冗余（"竞品分析 v1"和"竞品分析 v2"说的是同一件事）和过时。

操作	触发条件	动作
MERGE	两个技能 cosine > 0.8	合并，保留高置信度结构
DEPRECATE	access_count = 0 且 confidence < 0.5	标记废弃，降低召回权重
PROMOTE	access_count > 10 且 confidence > 0.8	标记核心技能，提升召回权重

加漂移检测：一个技能 90+ 天未使用且新经验与之矛盾 → 触发重审。

L3 零 LLM 调用。 MERGE/DEPRECATE/PROMOTE 全是确定性规则操作。这是分层设计的核心：确定性操作用规则；只有模糊推理才用 LLM。

---

L4 — 用户建模

问题：Agent 不了解你。同一个问题，给 CEO 和给工程师的回答应该完全不同。

方案：自动从对话中构建多维用户画像。

{
  "communication_style": "直接、数据驱动、不喜欢废话",
  "decision_patterns": "先看数据再下判断。偏好 MVP 验证而非完美方案",
  "recurring_topics": ["AI 趋势", "竞品分析", "产品架构"],
  "expertise_level": "expert",
  "confidence": 0.78
}

更新策略：增量融合，不是覆盖。新观察和已有画像贝叶斯融合。一次对话不会推翻整个用户模型。

---

L5 — 对抗验证

记忆引擎的免疫系统。每次写入后自动触发：

• 一致性检查：新条目 vs 已有知识库。矛盾会被标记，不会被悄悄覆盖。
• 回归保护：技能更新后，对历史 Top-5 问题回测。质量下降则回滚。
• 衰减：线性衰减，未使用的条目每 7 天 access_count -= 1。access_count = 10 的条目 70 天归零 — 可预测，不像指数衰减永远不到零。

L5 100% 基于规则，零 LLM 调用。 验证层不能依赖 LLM — 否则 LLM 幻觉会感染验证结果。

---

LLM 分层降级策略

层级	操作	计算位置	模型	频率
L0	向量生成	本地	nomic-embed-text (274MB)	每轮
L0	BM25 搜索	本地	SQLite 内置	每轮
L1	经验提取	本地	qwen2.5:7b (4.7GB)	每轮
L1	质量门控	规则	—	每轮
L2	聚类	本地	Cosine 相似度	积累 5+ 条
L2	技能合成	云端	主模型	低频
L3	MERGE/DEPRECATE/PROMOTE	规则	—	周期性
L4	画像构建	云端	主模型	低频
L5	一致性/回归/衰减	规则	—	每次写入

高频 = 本地/规则，零 API 成本。低频 = 云端 LLM。

启动时自动检测：有 Ollama → 本地优先。没有 Ollama → 全部走云端。

---

CXO 角色模板

内置模板

框架内置 CEO Coach 模板，安装后直接可用：

leaper init --template ceo-coach

🎯 CEO Coach — 创业决策教练：苏格拉底式提问 + 40 商业框架 + 六层记忆进化。不替你做决定，帮你想清楚。

模板市场（10 个 CXO 角色）

其余 9 个角色通过 leaper workshop 获取：

#	角色	模板 ID	说明	专属技能数
1	🎯 CEO Coach	ceo-coach	苏格拉底式提问 + 40 商业框架	10
2	💻 CTO — 技术战略顾问	cto	技术选型、架构设计、安全审计	9
3	💰 CFO — 财务战略顾问	cfo	现金流、融资准备、预算、税务	9
4	📣 CMO — 市场增长顾问	cmo	定位、GTM、获客、竞品监控（含 CRO）	8
5	⚙️ COO — 运营执行顾问	coo	OKR 追踪、会议管理、SOP 建设	7
6	🎯 CPO — 产品战略顾问	cpo	PRD 撰写、路线图、用户故事	8
7	👥 CHRO — 人力战略顾问	chro	JD、面试设计、薪酬方案、组织架构	8
8	⚖️ CLO — 法务战略顾问	clo	合同审核、合规、知识产权	7
9	🧭 CSO — 首席战略官	cso	行业分析、情景规划、商业模式	9
10	📢 CCO — 品牌传播顾问	cco	公众号、创始人 IP、舆情、危机公关	7

合计 82 个专属技能，覆盖创业公司从战略到执行的全部核心职能。

---

三层技能架构

模板不是硬编码逻辑，是可配置的 Markdown + YAML 文件组合。三层继承，自动叠加：

L1 行业技能  ← 行业专属知识（如电商的 GMV 分析框架、SaaS 的 ARR 指标体系）
L2 角色技能  ← 角色通用能力（如 CFO 的财务建模方法论）
L3 工位技能  ← 具体工作场景（如 CFO 的现金流预测、融资路演准备）

系统自动叠加：选了 CFO + 电商行业 → 加载 L1-ecom + L2-cfo-financial-modeling + L3-cfo-cashflow/budget/cost/...

每个技能就是一个 Markdown 文件，描述该场景下的工作方法、检查清单、输出模板。你可以自己写，也可以用内置的。

配置方式（template.yaml）：

name: cfo
industry:
  default: "通用"
  applicable: ["电商", "SaaS", "AI"]
skills:
  L2: ["cfo-financial-modeling"]
  L3:
    - cfo-cashflow
    - cfo-budget
    - cfo-cost
    - cfo-fundraising

支持 20 个行业适配：ecom · adtech · invest · edu · health · b2b · finance · consumer · auto · mfg · realestate · energy · logistics · travel · agri · construction · legal · hr · fitness · media

---

多 Agent 架构

一个进程运行多个 AI 角色：

leaper init-team    # 交互式向导：添加角色 + Token
leaper run          # 所有 Agent 同时启动（~1GB 内存）

每个 Agent 独立拥有：

• 隔离的工作区（~/.leaper/agents/{role}/）
• 隔离的 brain.db（记忆不会串）
• 独立的 Telegram Bot（一个 Token 对应一个角色）
• 共享的模型配置（所有角色用同一个 LLM Provider）

配置示例（~/.leaper/config.yaml）：

model: claude-sonnet-4-20250514
agents:
  - id: cfo
    workspace: ~/.leaper/agents/cfo
    platforms:
      telegram:
        token: '111:AAA...'
  - id: cto
    workspace: ~/.leaper/agents/cto
    platforms:
      telegram:
        token: '222:BBB...'

---

15+ 平台连接

单进程连接所有平台，对话跨平台持久化。

平台	协议	配置方式
Telegram	Bot API	TELEGRAM_BOT_TOKEN
Discord	discord.js	DISCORD_BOT_TOKEN
Slack	Bolt SDK	SLACK_BOT_TOKEN
WhatsApp	Baileys	config.yaml
Signal	signal-cli	config.yaml
飞书	Open API	config.yaml
钉钉	Stream SDK	config.yaml
Matrix	matrix-nio	config.yaml
邮件	IMAP/SMTP	config.yaml
Home Assistant	REST API	config.yaml
API	HTTP/WebSocket	内置
终端	本地	leaper chat

---

40+ 内置工具

类别	工具
终端 & 文件	terminal · file_read · file_write · file_edit
搜索 & 网络	web_search · web_fetch — 降级链：Firecrawl → Tavily → DuckDuckGo（零配置）
代码 & 开发	code_execute · git · github
媒体	image_generation · tts · vision · pdf_reader
自动化	cron · delegation · webhook

支持 MCP 协议扩展第三方工具。

---

模型支持

提供商	模型举例	配置
OpenAI	GPT-4o, GPT-4.1, o3	OPENAI_API_KEY
Anthropic	Claude Opus 4, Sonnet 4	ANTHROPIC_API_KEY
OpenRouter	200+ 模型	OPENROUTER_API_KEY
Ollama	qwen2.5, llama3, deepseek-r1	本地，零配置
任意兼容 API	聚合平台 / 私有部署	base_url + api_key

模型故障自动切换 fallback。

---

前置条件

工具	版本	下载	备注
Python	≥ 3.10	python.org/downloads	⚠️ Windows 安装时勾选 "Add python.exe to PATH"
Git	任意	git-scm.com/download	可选，仅开发者需要
Ollama（可选）	任意	ollama.com/download	本地模型用。只用云端 API 则不需要

💡 Windows 安装 Python 后，关闭并重新打开 PowerShell 让 PATH 生效。

---

快速安装

pip install leaper-agent

不需要 C++ 编译器。不需要 GPU。

leaper init                          # 交互式向导
leaper init --template ceo-coach     # 从模板创建
leaper init-team                     # 多角色团队配置
leaper chat                          # 终端对话
leaper run                           # 启动 Gateway（Telegram 等）
leaper workshop                      # 浏览模板市场

---

配置

# leaper.yaml
name: 'CEO Coach'

model:
  provider: openai
  name: gpt-4o

channel:
  type: telegram

brain:
  enabled: true
  localModel: auto    # auto = 检测 Ollama | off = 仅用云端

---

DB Schema

brain.db — 本地 SQLite，1000+ 条记忆通常 < 10MB。

CREATE TABLE pages (
    slug TEXT PRIMARY KEY,
    title TEXT,
    namespace TEXT,          -- agent/{name} | desk/{name}/{seat} | role/{role} | org
    content TEXT,
    entry_type TEXT,         -- experience | skill | user_model | meta
    confidence REAL,         -- 0.0 - 1.0
    access_count INTEGER,    -- L5 衰减用
    last_accessed TEXT,
    metadata TEXT,           -- JSON 扩展字段
    updated_at TEXT
);

CREATE TABLE chunks (
    id TEXT PRIMARY KEY,
    page_slug TEXT REFERENCES pages(slug),
    content TEXT             -- 分块内容，用于向量搜索
);

---

环境变量

变量	用途	默认值
LEAPER_HOME	工作目录	~/.leaper
LEAPER_LOCAL_URL	本地 Ollama 地址	http://localhost:11434/v1
LEAPER_LOCAL_MODEL	本地推理模型	qwen2.5:7b
TELEGRAM_BOT_TOKEN	Telegram Bot Token	—
OPENAI_API_KEY	OpenAI API Key	—
ANTHROPIC_API_KEY	Anthropic API Key	—

---

开发者

git clone https://github.com/Deepleaper/leaper-agent.git
cd leaper-agent
python -m venv venv && source venv/bin/activate
pip install -e ".[all,dev]"

DeepBrain 代码结构（~1951 行）

agent/
  leaper_brain.py           # 564 行 — L0 混合召回、DB 操作
  leaper_evolution.py       # 992 行 — L1-L5 进化逻辑
  leaper_orchestrator.py    # 137 行 — 进化调度器
  leaper_seed_loader.py     #        — 工作区文件加载 + OS 注入

plugins/memory/deepbrain/
  provider.py               # 258 行 — Memory Provider 接口
  plugin.yaml

---

开源协议

Apache-2.0 © Deepleaper 跃盟科技