tea-agent 0.9.35

A self-evolving AI agent with dynamic toolkit management.

Tea Agent v0.9.35

⚠️ 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 60+ 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 Web / GUI / TUI / CLI 四种界面。

---

✨ 核心特性

• 🧠 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
• 🖥️ 四态界面 — Web（Starlette + SSE）、GUI（Tkinter）、TUI（Textual）、CLI，按需切换
• 🌐 Web 实时流式界面 — 浏览器访问，SSE 流式输出，工具调用实时可视化（含参数展示、执行状态动画）
• 📚 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

---

📦 安装

# 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 uvicorn

Playwright 浏览器（可选，用于 JS 渲染页面抓取）：

playwright install chromium

---

🚀 快速开始

# 启动 Web 界面（浏览器访问 http://127.0.0.1:8080）
tea-agent-web

# 启动 GUI（默认）
tea_agent

# 启动 TUI
tea-agent-tui

# 启动 CLI
tea-agent-cli

---

💻 Web 界面

Tea Agent 的 Web 界面基于 Starlette + Server-Sent Events (SSE)，提供与桌面端同等的全功能 LLM 对话体验。

启动方式

# 方式 1: 命令行入口
tea-agent-web

# 方式 2: Python 模块
python -m tea_agent.web

# 自定义端口
python -m tea_agent.web --port 8099 --host 0.0.0.0

界面特性

特性	说明
🖥️ 流式对话	SSE 实时推送，逐 token 流式输出，低延迟
🧠 思考过程可视化	AI 的推理过程实时展开显示，支持折叠
🔧 工具调用可视化	详见下方「工具调用实时展示」
📝 Markdown 渲染	自动渲染代码块、表格、列表等
🌙 深色主题	护眼深色主题，代码高亮
📋 历史会话	自动保存，重启后恢复上下文
🔄 断点续聊	随时打断 AI，重新提问

工具调用实时展示

Web 界面优化了工具调用的可视化，逐工具实时展示：

┌─ 🔧 调用工具: toolkit_file ─────────────────⏳─┐
│  action=read                                          │
│  filename=tea_agent/config.py                         │
│  offset=0                                             │
│  limit=50                                             │
└────────────────────────────────────────────────────────┘

展示特性：

• 实时逐工具 — 每个工具调用立即创建独立卡片，无需等待全部完成
• 参数完整显示 — 所有参数按 key=value 格式完整列出，超长参数智能截断（>500字符显示 … [剩余 N 字符]）
• 执行状态动画 — 执行中显示旋转动画 ⏳，完成后变为 ✅
• 工具结果 — 工具执行结果自动展开显示
• 格式 — 等宽字体 + 深色背景，清晰易读

---

🧠 长期记忆系统

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。

---

1. 记忆存储结构

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）

---

2. 选择算法

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

---

3. 年龄衰减

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

---

4. LLM 优先级精调

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

---

5. 记忆提取

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

---

6. 去重合并

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。

---

7. CRITICAL FIFO 淘汰

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。

---

8. 反思归纳

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）

---

格式化注入

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

---

📜 四级历史压缩 (L0 → L3 → L2 → L1)

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)            │
└─────────────────────────────────────────────────┘

---

Level 0: 系统层

# 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})

---

Level 3 (L3) — 语义摘要

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}

---

Level 2 (L2) — 历史对列表

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）

---

Level 1 (L1) — 最新对话

L1 是当前 session 的原始消息（context.messages），经多层压缩后传入 API。

第一道防线：实时工具输出截断

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()}"

第二道防线：旧工具输出占位符化

_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

第三道防线：渐进式 token 裁剪

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

---

组装流程总览

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

Token 估算

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

异步摘要

每轮对话结束后，do_async_summaries() 在后台线程执行：

1. 标题摘要 (auto_summary): 用 cheap model 为 topic 生成一句话标题
2. 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。

---

🔄 自进化引擎

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。

---

1. 工具热插拔：toolkit_save / toolkit_reload

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

---

2. 五层安全自修改：toolkit_self_evolve

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。

---

3. 提示词进化：toolkit_prompt_evolve

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)

---

4. 经验固化：toolkit_experience_solidify

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

---

5. 后台进化线程：toolkit_self_evolve_thread

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

---

自进化能力全景

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

---

🧰 工具概览（60+）

类别	工具
📁 文件操作	toolkit_file, toolkit_save_file, toolkit_explr
✏️ 代码编辑	toolkit_edit, toolkit_diff, toolkit_self_evolve
🔍 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_format_code
🧪 测试	toolkit_run_tests, toolkit_test_gui
🗓️ 工具	toolkit_lunar, toolkit_weather_my, toolkit_gettime
🔧 系统	toolkit_exec, toolkit_config, toolkit_os_info
🧠 记忆/知识	toolkit_memory, toolkit_kb, toolkit_reflection
🤖 多 Agent	Dispatcher, LiteAgent, 并行任务执行
🌐 Web 界面	toolkit_browser_tab, toolkit_dump_topic, toolkit_export_last_pdf

Web 界面特性：工具调用实时展示完整参数、执行状态动画、SSE 流式输出。详见上方 💻 Web 界面 章节。

完整工具列表见 docs/TOOLS.md（每小时自动更新）

---

🤖 多 Agent 协作

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")

架构

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

---

🏗️ 项目结构

tea_agent/
├── web/               # Web 界面（Starlette + SSE）
│   ├── server.py      # SSE 流式服务器 + 工具参数解析
│   ├── __main__.py    # python -m tea_agent.web 入口
│   └── static/        # 前端资源
│       ├── app.js     # 对话交互、工具可视化、Markdown 渲染
│       ├── style.css  # 深色主题 + 工具卡片动画
│       └── index.html # 主页面
├── gui.py              # GUI 主界面（Tkinter）
├── tui.py              # TUI 界面（Textual）
├── cli.py / tlk.py     # CLI 交互
├── 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/            # 60+ 工具模块
├── session/            # 会话管理（Tool/Schemata）
├── multi_agent/        # 多 Agent 协作
├── lsp/                # LSP 语言服务
├── store/              # 数据存储
├── evaluation/         # 任务评估
├── skills/             # 技能结晶
└── _gui/               # GUI 资源（图标、字体）

---

🔧 配置

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-small

上下文窗口控制

max_context_tokens 用于限制发送给 LLM 的最大上下文 token 数：

• 0（默认）= 不限制，发送全部历史
• 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：

1. 删除旧的 [历史记录] 条目
2. 替换旧工具输出为占位符
3. 清空 thinking 内容
4. 截断长文本
5. 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。

---

📄 许可证

MIT License © 2024-2026 sunkw