Tea Agent v0.17.3

⚠️ AI 写 AI 的实验项目，自行承担责任。

🌐 English Version

会自我进化的 AI 编程助手 — 不只是完成编码任务，还能修改自己的代码、创造新工具、优化自己的提示词，越用越强。

🎯 一句话看懂 Tea Agent


🧠 自进化	AI 写 AI —— 能改自己的代码、造新工具、优化提示词，任务越多越强
🧰 工具驱动	60 个内置工具（文件/代码/搜索/截图/浏览器/3D 建模/包管理/Git），运行时热插拔
🛡️ 工具自净化	按真实使用统计收缩工具暴露面（长期闲置自动屏蔽），三条不变式保底 + 逃生阀
♻️ 服务韧性	无感重启（在途回合快照续跑、消息不丢）+ 生成中插话（steering）
🖥️ 多形态	Web V2 / REST API / ACP / Telegram / 微信界面，一套引擎
🧠 真记忆	类人长期记忆：分层优先级、关键词检索、自然衰减、去重合并，跨会话不忘
🤖 多 Agent	6 阶段全栈协作：角色化 Agent + 事件流 + 消息总线 + 并行执行 + DAG 编排
📡 远程协同	`toolkit_remote_agent` 连接边缘设备（RK3588/BM1688），主机 ↔ 设备协同

✨ 核心特点

1. 🧠 自进化引擎（AI 写 AI）— 本项目灵魂

Agent 在运行中改造自己，全程五层安全防护：

toolkit_save          → 运行时创建/更新工具，即时生效，自动版本管理
toolkit_self_evolve   → 五层安全修改源码：Git 快照 → .bak → 语法检查 → 编译 → LSP → 测试
toolkit_prompt_evolve → 基于反思 + 记忆，自我优化系统提示词
toolkit_experience_solidify → 成功→技能，失败→教训，自动结晶复用

⚠️ 上下文感知：自进化能力只在 tea_agent 自身项目内激活；在外部项目中自动禁用，专注完成你的任务，不做有害改动。

2. 🧰 工具驱动 — 60 个内置工具

类别	代表工具
📁 文件 / 代码	`toolkit_file`, `toolkit_edit`, `toolkit_diff`, `toolkit_code_review`, `toolkit_format_code`
🔍 搜索 / 智能	`toolkit_search`, `toolkit_lsp`, `toolkit_explr`, `toolkit_query_chat_history`
🖥️ 屏幕 / 视觉	`toolkit_screenshot`, `toolkit_input`, `toolkit_js_fetch`, `toolkit_browser_tab`, `toolkit_vision_analyze`
🧊 3D 建模	`toolkit_blender`（Blender 无头控制：bpy 脚本执行/渲染/场景检视/导出 glb·fbx·obj）
🧠 记忆 / 知识	`toolkit_memory`, `toolkit_kb`, `toolkit_proactive`
🤖 多 Agent	`toolkit_parallel_subtasks`, `toolkit_subagent`, `toolkit_subagent_msg`, `toolkit_remote_agent`
🔎 审计 / 复盘	`toolkit_history_extract`（L0–L3 四级历史取证）、`toolkit_evo_bench`、`toolkit_eval_loop`
📋 规划 / 调度	`toolkit_plan`, `toolkit_todo`, `toolkit_scheduler`, `toolkit_task_resume`
🔧 系统 / 工程	`toolkit_exec`(含 git), `toolkit_pkg`, `toolkit_build`, `toolkit_config`, `toolkit_server_restart`, `toolkit_approve`

工具引擎（tlk.py）支持动态加载/卸载/重载 — 对话中创建一个新工具，下一轮就能用。当前 57 个工具模块 / 60 个注册工具，其中 58 个对模型可见（2 个内部工具不暴露）。

口径以实测为准：python -c "from tea_agent.tlk import Toolkit, llm_tool_names; t=Toolkit(); print(len(t.func_map), len(llm_tool_names(t.func_map)))"，改工具后同步 docs/TOOLS.md（python scripts/gen_tools_doc.py）。

工具暴露自缩减（v0.16.6+）

把全部工具塞进每次请求既烧 token 也稀释注意力。tool_shield.py 按真实使用数据收缩暴露面：

统计：项目库 tool_usage 表，一行一工具（uses / first_used / last_used / pin）。记录点是 Toolkit.call_tool，且在缓存判定之前 —— 命中缓存同样是一次真实调用，漏记会把常用工具长期误判成"没用过"而屏蔽
屏蔽：构建工具列表时剔除长期未使用者。与 tool_profiles 的窗口档位是两层独立收缩 （档位按上下文窗口裁、屏蔽按真实使用裁）；屏蔽集合排序稳定，不抖动 DeepSeek 前缀缓存
三条不变式（屏蔽会让 Agent 失去能力，故"何时绝不屏蔽"比"何时屏蔽"更要紧）： ① 无数据不屏蔽 —— 空表只代表"尚未观测"，否则新装机首启即屏蔽全部工具、Agent 瘫痪； ② 观测期未满不屏蔽零使用工具 —— 判"长期不用"必须先有"长期"，"刚装上"不等于"长期不用"； ③ 自愈通路永不屏蔽 —— config/save/reload/exec/file/edit/diff/approve/tool_usage/rollback/list_versions 共 11 个，屏蔽它们等于拆掉解除屏蔽的梯子
逃生阀：TEA_TOOL_SHIELD=0 关闭；TEA_TOOL_SHIELD_IDLE_DAYS=N 调闲置阈值；单工具用 toolkit_tool_usage(action='pin'|'unpin'|'auto'|'reset') 覆盖

3. 🧠 类人长期记忆系统

模拟人类记忆的工作方式，底层 SQLite 持久化，检索/去重纯本地计算（无外部向量服务）：

优先级分层：CRITICAL / HIGH / MEDIUM / LOW，关键指令优先注入
相关性检索：关键词匹配率（中文 bigram + 英文词），从 ≤30 条活跃记忆中选最相关
自然衰减：Ebbinghaus 遗忘曲线，旧记忆逐步降级，pinned 豁免
去重合并：content_hash 精确短路 + 关键词 Jaccard 相似度，相似记忆自动合并提权
跨主题汇总（v0.13.3+）：每 3 轮后台分析，发现跨会话模式

4. 🤖 多 Agent 系统（v0.11+）

6 阶段全栈协作框架：

RoleAgent（角色化） + FlowEngine（事件流） + MessageBus（消息总线）
+ Agent-as-Tool（Agent 即工具） + ExecutionPool（并行执行）
+ WorkflowDAG（DAG 编排） + PatternMarket（模式市场） + TraceEngine（调用追踪）

零代码触发：对话中直接说「并行分析这几个文件」，自动拆分子任务并发执行。内置双 AI 辩论赛 Demo，左右分屏实时交锋。

5. 📡 远程设备 Agent（v0.13.10+）

通过 toolkit_remote_agent 连接边缘设备上的 tea_agent.server：

register → exec（下发任务，session_id 控制上下文） → status（心跳） → unregister

适用于嵌入式调试（RK3588/BM1688/X3）、边缘节点管理、分布式协同。

6. 🏎️ Token 经济 — 四级历史压缩 + 前缀缓存稳定化

L0 系统层 → L3 语义摘要 → L2 历史对 → L1 当前对话 四级组装上下文，在有限 token 窗口内最大化信息密度，长对话不爆上下文。

v0.15.0 缓存前缀稳定化（对齐 DeepSeek Harness「派生只依赖事件流」哲学）— 深度优化 LLM 前缀缓存命中率：

入库定型：消息一旦入库即决定最终形态（截断/占位符/清空），绝不逐轮重算
L2 入库定型：相关性过滤只在「新消息边界」重算一次，工具循环内多轮请求复用同一版本，消除 L2 条目翻转
裁剪决策固化：reasoning 清空 / 紧急截断等形态决策回写 context.messages，预算波动不再导致「完整版↔截断版」翻转
动态内容尾部注入：时间/token 预算/技能/记忆全部放消息尾部，不进 system prompt，保护最长最贵的前缀段
可观测：cache_report.py 输出 prompt_cache_hit_tokens 命中率，端到端可见

7. 👁️ 视觉能力（按 supports_vision 判定；v0.13.16+）

独立 vision_model 角色已随 config.yaml 移除（2026-10）：视觉能力由模型自身的 supports_vision 属性判定。

原生视觉：会话含图片时，具备 supports_vision 的模型直接处理 image_url 内容
toolkit_vision_analyze：主模型「灵机一动」委托能力 — 遇到图片路径 / URL / data URL 主动调用视觉模型分析，返回文本结果继续推理
韧性回退：首选视觉模型不可用（配额耗尽/服务故障）时自动改用其他 supports_vision 模型

8. ♻️ 服务韧性 — 无感重启 + 生成中插话（v0.16.x）

无感重启（toolkit_server_restart）— Agent 改完 server 代码 / 配置可自行重启生效：

defer（默认）：等当前回合回答完再换新进程，新消息排队不丢，用户几乎无感
immediate：仅服务卡死 / 失控时使用（会切断当前回合）
在途回合快照续读：重启期间生成到一半的回答从磁盘快照恢复，不丢不重；/health 暴露存活与排队状态

生成中插话（steering） — 不必等会话结束，随时补充指令：

POST /api/chat/steering 入队（支持图片），工具循环每轮边界消费并注入 [即时指令]，下一轮模型请求生效，不打断执行中的工具批次
SSE steering_injected 事件闭环：前端从本地排队列表移除已生效项并渲染到聊天区，避免流结束后重复发送

🚀 30 秒快速开始

# 1. 安装
pip install tea_agent

# 2. 启动（Web V2 全功能界面）
tea-agent-api
# 或 python -m tea_agent.server

# 3. 打开浏览器
# http://127.0.0.1:8282

首次启动引导「选服务商 → 选模型 → 填 API Key」（写入 ~/.tea_agent/provider.yaml）即可对话；config.yaml 已删除，身份三元组（main/cheap）与运行参数全部来自 provider.yaml 的 roles / settings 段。

💻 界面形态

界面	启动方式	适用场景
Web V2（推荐）	`tea-agent-api`	单页应用 SPA，全功能浏览器体验：聊天 + 记忆 + 调度 + 历史
REST API	`python -m tea_agent.server --port 8081`	OpenAI 兼容接口，第三方集成
ACP 协议	`tea-agent-acp`	VS Code / IDE 集成（JSON-RPC 2.0）
Telegram	`tea-agent-telegram`	手机远程对话
微信	`tea-agent-wechat`	微信个人号接入（iLink Bot，扫码登录）
Mini 版	`tea-agent-mini`	嵌入式 / Docker / 低配 VPS

🗺️ 深度能力地图

想深入了解某一项？展开对应章节。

🧠 长期记忆系统 — 工作原理

存储结构：每条记忆含 content / priority(0-3) / importance(1-5) / category / tags / expires_at / pinned。

选择算法（每次对话注入 ≤30 条）：

score = 关键词相关性 × 重要度 × 时效因子 × 优先级因子

分层保底：CRITICAL 优先（上限 10）→ HIGH ≥3 → MEDIUM ≥2 → LOW ≥1 → 剩余按分竞争。

年龄衰减（Ebbinghaus）：CRITICAL>30天→HIGH，HIGH>60天→MEDIUM，MEDIUM>90天→LOW。

提取分类：instruction→CRITICAL、preference/reminder→HIGH、fact→MEDIUM、general→LOW，LLM 自动提取 + 4 级容错解析。

去重合并：content_hash 精确短路 + Jaccard ≥0.6 合并（保留长内容、低优先级、高重要度）。

CRITICAL FIFO：上限 30 条，超出软删除最旧，防指令记忆膨胀。

📜 四级历史压缩 — Token 效率

L0 系统层   系统提示词 + 任务恢复 + 记忆注入
L3 语义摘要 L2 溢出时 LLM 生成关键结论（50→20 裁剪）
L2 历史对   SQLite 环形缓冲（50 条），Jaccard 相关性筛选注入
L1 当前对话 128KB 截断 + 旧工具输出占位 + 5 级渐进裁剪

# L0 组装顺序
result.append({"role": "system", "content": system_prompt})
if has_pending_tasks:
    result.append({"role": "user", "content": resume_info})
if memories:
    result.append({"role": "user", "content": memories})

L3 注入格式（[System Memory] 区）包含长期背景/偏好/关键结论 + 历史工具链回顾两块。

🔄 自进化引擎 — 安全机制

修改自身代码时五层防护，任一层失败自动回滚：

Layer 0  Git 快照（仅工作区干净时；落点 refs/tea/snapshots，不污染分支历史）
Layer 1  时间戳 .bak（永不覆盖历史）
Layer 1.5  语法严格检查（换行/缩进/括号/冒号）
Layer 2  py_compile 编译验证 → 失败回滚
Layer 2.5  LSP 智能检查（影响分析 + lint 对比 + 签名对比）
Layer 3  pytest 测试验证 → 失败按快照恢复目标文件（不再 git reset --hard 波及整个工作区）

能力	工具	安全
创建新工具	`toolkit_save` + `toolkit_reload`	版本回滚
修改源码	`toolkit_self_evolve`	五层安全
优化提示词	`toolkit_prompt_evolve`	版本回滚
进化评分	`toolkit_evo_bench` / `toolkit_eval_loop`	keep-or-rollback 决策
固化经验	`toolkit_experience_solidify`	分类标签
代码智能	`toolkit_lsp`	只读

进化闸门（EvolutionBench）：toolkit_self_evolve 原有的门槛只有「编译过 + 测试过」，回答不了「这版是否真的更好」。现在改动落地后会自动跑确定性基准（纯代码 check，无 LLM）并写入进化曲线，与上一数据点比较给出 keep / rollback 建议；evolution.gate=enforce 时分数未提升自动按 .bak 回滚（off 零开销 / advisory 默认只建议）。

🤖 多 Agent — 核心组件

四种协作方式：

方式	说明
FlowEngine	事件驱动流：`@flow_start` / `@flow_listen` / `@flow_route`，Mermaid 可视化
Agent-as-Tool	把子 Agent 包装成 `toolkit_xxx`，对话中直接调用
MessageBus	发布/订阅 + 点对点，Agent 间自由通信
ExecutionPool	线程池并行执行，批量 + 超时 + 状态查询

WorkflowDAG 节点：TASK / CONDITION / LOOP / PARALLEL / WAIT / END 六种类型，静态编排复杂流程。

内置模式市场（4 个预制）：代码审查专家 / 高级工程师 / 测试工程师 / 分析专家，一键实例化。

✅ 优势：并行快、专注高、可组合、可观测、零代码触发 ⚠️ 限制：Token 成本高（子任务×每任务）、协调开销、上下文隔离、并发改文件需串行化

📡 远程设备 Agent — 使用示例

# ① 注册设备
toolkit_remote_agent(action="register", device_id="bm1688-1", host="172.16.1.49", port=8282, working_path="/app/zkfs/")

# ② 下发任务（不传 session_id → 自动新建远程主题）
r = toolkit_remote_agent(action="exec", device_id="terminal-49", goal="分析 /record/dbs/log/ 今日日志")

# ③ 同一 session_id → 追加上下文继续对话
r2 = toolkit_remote_agent(action="exec", device_id="terminal-49", goal="继续排查网络问题", session_id=r["session_id"])

# ④ 任务完成 → 断开
toolkit_remote_agent(action="unregister", device_id="terminal-49")

📦 Mini 版（tea_agent_mini）

针对嵌入式设备 / 资源受限 / 仅需 Web 场景的瘦身版 —— 只依赖 7 个核心包（~5 MB vs Full 版 ~80 MB），保留 Agent 核心、Web V2、REST API、记忆、多 Agent 全部能力。

pip install tea_agent_mini        # 独立包
python build_mini.py              # 或从源码构建
python build_nuitka.py            # 或编译为单文件可执行文件（无需 Python 环境）

剔除内容	说明
ACP / Telegram	协议与渠道层
NumPy	已从核心依赖移除（仅 `[demo]` extra 需要）
Playwright / PyAutoGUI / MSS	可选自行安装
11 个重型工具	JS 渲染、截图、输入模拟、浏览器标签、剪贴板、LSP、代码探索、包管理等按需启用（OCR 工具已移除，图片理解改由 `toolkit_vision_analyze` 走视觉模型）

🔧 配置

配置单文件中心化：~/.tea_agent/provider.yaml 是唯一事实源 —— 密钥、模型目录、角色绑定、运行参数全在一处（2026-10 起 config.yaml 已彻底删除，不再读写任何独立 YAML 配置文件）。

文件	角色	是否必需
`~/.tea_agent/provider.yaml`	唯一事实源 —— `providers`（端点 / API Key / 模型目录：上下文窗口、输出上限、vision、reasoning 等能力）+ `roles`（main/cheap 角色绑定）+ `settings`（运行参数）	✅ 必需

角色未绑定也能启动：load_config 自动兜底 provider.yaml 第一个提供商的第一个模型，装完即可对话。首次启动（provider.yaml 无可用提供商）引导「选服务商 → 选模型 → 填 Key」，也可在 Web 的 🏭 供应商页面随时增删改（写回 provider.yaml）。密钥只落 provider.yaml 条目。--config CLI 参数已废弃（仅保留签名兼容）。

~/.tea_agent/provider.yaml：

version: 1
providers:
  DeepSeek:
    api_url: "https://api.deepseek.com/v1"
    api_key: "sk-xxx"              # 密钥归属 provider 条目（多 key 用 api_keys 列表）
    default_model: "deepseek-chat" # 默认模型（须存在于 models）
    models:
      deepseek-chat:
        max_context_tokens: 128000 # 0=未知
        max_output_tokens: 8192    # 模型能力上限；自动填充时按窗口 25% 限幅
        supports_tools: true
        supports_reasoning: false
        reasoning_effort: auto     # auto=自动推导、不下发该参数

同文件的 roles / settings 段（原 config.yaml 的全部信息，只写「与默认不同」的覆盖项）：

roles:                      # 角色绑定（原 config.yaml 的 main_model/cheap_model）
  main:
    provider: "DeepSeek"    # 引用 providers 段的供应商名
    model: "deepseek-chat"  # 引用其 models 下的模型 id
    max_context_tokens: 0   # 0=默认 1M(1048576)，>0 显式指定窗口上限并启用渐进式 token 裁剪
  cheap:                    # 廉价任务（摘要/记忆等）
    provider: "DeepSeek"
    model: "deepseek-chat"

settings:                   # 运行时参数（原 config.yaml 顶层标量 + paths）
  keep_turns: 10

视觉能力不再有独立 vision_model 角色，由模型自身的 supports_vision 判定。完整运行参数清单与默认值见 docs/CONFIG_DEFAULTS.md。隔离环境可用 TEA_PROVIDER_FILE 指向临时 provider.yaml。

上下文窗口控制：max_context_tokens 作为"上下文已用"百分比的分母（窗口上限），超预算时按 5 级渐进裁剪（删旧历史 → 工具输出占位 → 清 thinking → 截长文 → 删旧轮）。未显式配置时默认 1M（1048576），不做模型名推断，避免模型名不匹配导致窗口上限误判。输入预算与 max_tokens 联动求解（窗口 − 输出请求 − 2% 安全余量），从源头防止"输入+输出 > 窗口"的 400 溢出；API 真返回 400 时自动修正窗口、激进压缩历史、钳制 max_tokens 后重试。
上下文填充治理（2026-09）：修复"多轮对话迅速打满窗口"。provider.yaml 的 max_output_tokens 自动填充时按窗口 25% 限幅（不再把 384K 输出预留算进预算，1M 窗口的输入预算从 446K 回到 580K）；L1 的 reasoning_content 以 rc_keep_steps（默认 8）分块，只保留最近一块全文、更早的块置空（字段保留，满足 DeepSeek V4 回传要求），单轮 200 步的思考链不再全量重放；L2 单条 thinking 限幅 l2_thinking_max_chars（默认 6000 字符）且总字符数达到 l2_max_chars（默认 120000）即触发 L3 摘要；L2 与 L1 重叠的轮次自动去重；源码文件回放上限 64KB（此前不截断）；keep_turns 让 max_history 真正生效（限制 L1 保留的最近用户轮数）。
L2→L3 分层压缩（2026-10）：L2（主题级滚动窗口）向 L3（语义摘要）的溢出改为批处理 + 告急双通道，判定统一收敛到纯函数模块 tea_agent/l3_policy.py（无 IO，边界可秒级单测）。keep_turns 默认 5→10，它同时是 L1 保留轮数和 L2 压缩后的压回水位：L2 越过 keep_turns 后不每多一条就调一次便宜模型，而是继续攒到 keep_turns + keep_turns//2（默认 10+5）再一次性压回 10 条（history_l3_batch 可显式覆盖批大小）；上下文告急（token 水位越过 l3_urgent_ratio，默认 0.75×窗口）时无视轮次水位立即压缩，不等攒批——由 build_api_messages / 发送前护栏置 ctx._l2_urgent、回合边界的 summarize 步骤消费（用后即焚）。history_l2_max 退化为上限约束（默认 0=自动），不再充当"压回目标"，旧模板里的 30 不会再导致一次砍掉过多 L2。
视觉能力：按模型 supports_vision 判定（无独立 vision_model 角色）；toolkit_vision_analyze 供主模型委托视觉模型分析图片，首选模型配额耗尽时自动回退
自我进化闸门：evolution.gate = off | advisory | enforce（环境变量 TEA_EVOLVE_GATE，阈值 TEA_EVOLVE_GATE_THRESHOLD 默认 0.0 即"必须严格提升才算 keep"）；enforce 下修改自身代码后自动跑 EvolutionBench，分数未提升即按 .bak 回滚 —— 把"测试通过"升级为"确实更好"
工具暴露自缩减：TEA_TOOL_SHIELD=0 关闭长期未使用工具自动屏蔽；TEA_TOOL_SHIELD_IDLE_DAYS=N 调整闲置阈值（默认 30 天，观测期未满不屏蔽）
运行时调优：Agent 可用 toolkit_config 自主调整参数
Ruff 规范：内置 pyproject.toml Ruff 配置（E/F/W/I/N/UP/B/C4/SIM），Python 3.10 类型注解

🧪 测试

pytest                    # 全部单元测试（2600 用例 / 139 文件，2026-10-05 collect 实测）
python tests/test_server_api.py --port 8282   # Server API 黑盒测试（8 套件 30+ 测试点）

测试覆盖：会话、工具、存储、多 Agent、LSP、ACP 协议、Server 路由、记忆系统。

🏗️ 项目结构

tea_agent/
├── agent.py           # Agent 统一入口
├── onlinesession.py   # 在线会话（工具循环 + 流式）
├── litesession.py     # 轻量会话
├── tlk.py             # 工具加载/注册/执行引擎（60 工具）
├── memory.py          # 长期记忆系统
├── config.py          # 配置管理
├── providers.py       # 26 家 LLM 供应商引导目录（模型属性来自 provider.yaml）
├── tool_shield.py     # 长期未使用工具自动屏蔽（三条不变式 + 逃生阀）
├── evolution_gate.py  # 进化闸门：EvolutionBench 评分 → keep-or-rollback
├── skill_loader.py    # Skill 按需加载（必要性/充分性双维评估）
├── context_fragments.py # 上下文片段按需组装（时间/预算/模式/记忆）
├── server/            # REST API + Web V2（Starlette + SSE）
├── protocol/          # ACP 协议
├── channel/           # Telegram / 微信适配器
├── toolkit/           # 57 个工具模块
├── session/           # 历史压缩 / L1/L2/L3 / JSON 校验
├── store/             # 数据存储（13 个功能子模块 + migration：会话/事件/图片/L0快照/摘要/记忆/工具用量/中断…）
├── multi_agent/       # 多 Agent 系统
├── evaluation/        # EvolutionBench 确定性基准
├── lsp/               # 代码智能（Jedi + Ruff）
├── skills/            # 技能结晶
├── tests/             # 2468 个测试用例（125 个测试文件，截至 2026-09-28）
└── demo/              # 演示应用（辩论赛 / 钢琴 / DAG）

🔐 安全边界

提权一律拒绝：sudo / su / pkexec / runas 等硬拒绝（toolkit_exec 与 toolkit_scheduler 两条执行路径都拦截）—— 需要管理员权限的操作必须由用户手动执行
审批闸门：TEA_APPROVAL_MODE=enforce 时高风险工具（toolkit_exec / toolkit_self_evolve 等）须经 toolkit_approve 授权，授权按项目持久生效
路径围栏：文件工具默认限制在项目内，禁止 ../ 逃逸；跨目录操作需显式绝对路径或 TEA_FILE_ALLOW_OUTSIDE=1
SQL 安全：数据库操作一律参数化查询，项目自带「禁止 f-string 拼接 SQL」的自检测试把守
快照隔离：自进化 git 快照提交到独立 ref（refs/tea/snapshots，可用 TEA_SNAPSHOT_REF 覆盖），不再污染分支历史；TEA_GIT_SNAPSHOT_MODE=off|side|branch
进化闸门：TEA_EVOLVE_GATE=off|advisory|enforce 决定 EvolutionBench 评分是否阻断自我修改（enforce 下分数未提升自动回滚）
自进化边界：后台自进化线程可优化工具 / 技能 / 提示词，但不得改动用户对话历史

📄 许可证

Metadata

Release files for tea-agent 0.17.5

For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.

Source distribution (sdist)

Source distribution for tea-agent 0.17.5
File	Size	Uploaded
tea_agent-0.17.5.tar.gz	1.5 MB	Oct 13, 2026	Details

Built distribution (wheel)

Table of built distributions (wheels) for tea-agent 0.17.5
File	Interpreter	ABI	Platform	Reset
tea_agent-0.17.5-py3-none-any.whl 1.7 MB Oct 13, 2026	Python 3	none	any	Details

Total release size: 3.3 MB

Release files / tea_agent-0.17.5.tar.gz

Download URL	tea_agent-0.17.5.tar.gz
Size	1.5 MB
Tags	Source
SHA-256 checksum How to use checksums	`ec697ef976a144a885a2d8a5b0ca58aa88ab2b805b39015f10120a2f28998246`
BLAKE2b-256 checksum How to use checksums	`90659464f79dec8bf6cf21b6ddb3f509b315b651e2bb48959b14b49621fc7e40`
Upload date	Oct 13, 2026
Uploaded using Trusted Publishing? What is trusted publishing?	No
Uploaded via	`twine/6.2.0 CPython/3.11.9`

Release files / tea_agent-0.17.5-py3-none-any.whl

Download URL	tea_agent-0.17.5-py3-none-any.whl
Size	1.7 MB
Tags	Python 3
SHA-256 checksum How to use checksums	`3920d2e7f6f5663e94d3ee20da678d8796b6cd6ff7afa6c51f1acb4b1e4fd126`
BLAKE2b-256 checksum How to use checksums	`549624be768bd5f2edf22716676cc577b7c832f64e4eacbc61c045a2e2cda42d`
Upload date	Oct 13, 2026
Uploaded using Trusted Publishing? What is trusted publishing?	No
Uploaded via	`twine/6.2.0 CPython/3.11.9`