tea-agent 0.2.6

A self-evolving AI agent with dynamic toolkit management

TeaAgent

TeaAgent 是一个自主进化型智能助手，基于 OpenAI 兼容接口的 Function Calling 功能实现。它不仅能够调用预设的工具，还具备动态创建、加载和管理工具的能力，实现能力的自我扩展。

仅仅依赖 python 的 tk 库，非常小巧，当然界面上比不过那些基于浏览器的大家伙 :)

最初的代码框架由豆包辅助生成，手动实现了 toolkit_save 和 toolkit_reload 两个基础工具后，绝大多数代码都是 LLM 生成的，主要使用了 qwen3.6-plus 和 glm-5

警告

本项目未作安全沙盒，建议在虚拟机中执行，起始也不会闯什么大祸，当然你需要明白在做啥！！！

核心特性

• 自主进化 (Self-Evolution): 智能体可以根据任务需求，自动编写 Python 代码并调用 toolkit_save 创建新工具，随后通过 toolkit_reload 立即获得新能力。
• 动态工具库 (Dynamic Toolkit): 支持工具的热加载与卸载，所有工具均以独立的 Python 文件形式存储在 toolkit 目录中。
• 长期记忆 (Long-term Memory): 集成了 LLM 驱动的记忆提取机制，能从对话中自动识别并提取用户偏好、技术决策、事实等有价值的信息，并进行持久化存储。
• 双模型架构 (Dual-Model Architecture): 支持主模型与廉价模型配置。主模型（如 GLM-5, Qwen）负责核心对话与工具调用，廉价模型（如轻量级模型）专用于摘要提取、记忆压缩等高频低成本任务，显著优化 API 调用费用。
• YAML 配置系统: 支持通过 $HOME/.tea_agent/config.yaml 灵活配置模型参数，优先使用该配置，未找到时回退到 tea_agent/config.yaml（本地 ollama 部署）。
• 流式对话与思考过程: 支持流式输出，并可选展示模型的思考过程（Thinking Process）。
• GUI 交互界面: 提供基于 Tkinter 的图形界面，支持多主题管理、自动对话摘要、历史记录查询及工具状态实时监控。
• 持久化存储 (Persistent Storage): 所有对话、记忆及主题均保存在 SQLite 数据库中，支持历史记录查询, 数据库存储在 $HOME/.tea_agent/ 下，自动创建的工具保存在 toolkit 目录中。

快速开始

环境要求

• Python 3.10+
• OpenAI 兼容的 API 密钥（如 Qwen, GLM 等）
• tkinter 包 (通常随 Python 自带)

安装依赖

pip install -e .

运行

通过配置文件启动。优先使用 $HOME/.tea_agent/config.yaml，若不存在则回退到 tea_agent/config.yaml（预配置为本地 ollama 部署）。

python -m tea_agent.main_db_gui

项目结构

• tea_agent/: 核心包目录
  • config.py: YAML 配置加载器 (ModelConfig/AgentConfig)，支持主模型与廉价模型配置。
  • onlinesession.py: 处理 LLM 对话流、工具调用循环及流式输出。
  • memory.py: 记忆提取与管理逻辑。
  • store.py: 基于 SQLite 的持久化存储（对话历史、记忆、主题）。
  • tlk.py: 工具库 (Toolkit) 的加载、校验与保存逻辑。
  • toolkit/: 存放动态生成的工具函数 (.py 文件)。
  • main_db_gui.py: 基于 Tkinter 的 GUI 实现。

配置

支持通过 $HOME/.tea_agent/config.yaml 进行详细配置。若该文件不存在，将回退到 tea_agent/config.yaml（本地 ollama 配置）。

main_model:
  api_key: "your_main_model_api_key"
  api_url: "https://api.openai.com/v1"
  model_name: "glm-5"

cheap_model:
  api_key: "your_cheap_model_api_key"
  api_url: "https://api.lite.com/v1"
  model_name: "qwen-turbo"

配置项说明

• main_model: 主任务模型配置（用于核心对话、代码生成、记忆提取等）。
• cheap_model: 低成本模型配置（用于摘要生成、信息压缩等场景，默认启用）。

使用示例：

1. 去年12月26号到今天过去多少天了？ 一般来说，会自动创建一个工具函数用于获取当前时间，然后在计算间隔的天数

2. 创建一个 powershell 脚本，获取我的公网 ip，然后将该 ip 地址通过邮件发送到 [e-mail]，测试成功后，将脚本加到windows计划任务，每天执行一次 需要提供你的 smtp，然后大模型都能轻松搞定

3. 字体太小了, 将输入框和 html render 窗口字体改为 14 号, 并且将字体替换为开源字体, 支持无衬中文. 然后巴拉巴拉就搞定了, 重启, 就能看到效果了.

4. 好的, 修改 pyproject.toml 将版本号修改为 0.2.3, 然后根据今天修改的内容, 先更新到 CHANGELOG.md 中, 打包测试, 如果成功, 生成一次 git 提交并 push 到远程仓库

5. 记住,每次修改代码时, 在代码的修改位置增加一条注释, 格式为: "@{date} generated by {model name}, {简单描述}", {date} 通过获取当前系统时间得到, {model name} 为 class OnlineToolSession 使用的模型, 通过配置文件指定, {简单描述} 说明修改的目的和内容

6. 修改 tea_agent/main_db_gui.py ： 1. ctrl+c 打断，改为 ESC 键打断，同时修改界面提示； 2. 当 HtmlFrame 为前台时（render 完成), 按 ctrl+= 放大 HtmlFrame 中的内容，ctrl+- 缩小. 搞定后修改版本，生成 git 提交

模型测试

• 本地通过 ollama 部署 gemma4:26b 测试效果也不错，完成了修改 tea_agent/config.py 的任务
• 在线模型：
  • qwen3.6-plus, glm-5 很靠谱，都能完成代码修改任务

开源协议

MIT License