TiMEM-Evolve: Build Agents that EVOLVE Over Time

TiMEM-Evolve 是一个基于 LangGraph 的自进化智能体框架，旨在通过时序记忆和经验学习，构建能够随着时间推移而自我提升的认知引擎。

核心理念: 记忆驱动，随时间演化，自我提升的认知引擎。

核心进化机制

TiMEM-Evolve 提供了以下核心机制，驱动 Agent 的持续进化：

机制	描述	学习来源	产出物
时序记忆 (Session)	记录完整的任务执行过程和对话，作为 Agent 的“记忆”。	任务会话	会话记录 (SQLite)
经验学习 (Feedback)	通过用户对单轮对话的好评/差评，触发即时反思和学习。	用户反馈	Skills 或 Rules
技能提炼 (Skill)	从成功经验中提炼出可复用的标准操作流程 (SOP) 或工作流。	正面反馈/成功会话	可复用技能
规则学习 (Rule)	从失败经验中提炼出约束条件和行为规则，避免重复犯错。	负面反馈/失败会话	行为约束
教练模式 (Coach/Gym)	具有观测能力的 Coach Agent 驱动 Learner Agent 在受控环境中预训练和自我进化。	模拟任务	主动提升

架构与集成

项目采用清晰的 API/Services/DAO 分层架构，并提供多种集成方式：

1. 架构分层

分层	模块	职责
API	api/main.py	暴露 RESTful API 和 MCP 协议接口。
SDK	sdk/client.py	Python 客户端封装，简化接口调用。
Services	services/*.py	核心业务逻辑，如会话管理、学习逻辑、Coach 流程。
DAO	dao/memory_dao.py	数据访问层，负责与 SQLite/JSON 文件（未来支持 Qdrant）的交互。

2. 接口与集成

• FastAPI RESTful API: 提供 /sessions, /skills, /rules, /coach 等标准接口，方便任何应用集成。
• Gradio UI: 提供可视化界面，用于监控 Agent 运行状态、学习效果和 Coach 模式操作。
• MCP 协议: 专为开发工具（如 Cursor）设计，通过 evolve_agent 工具的 feedback_turn 和 search_knowledge 函数，实现经验的沉淀和知识的检索。
• LangChain 集成: 提供了示例，展示如何将 TiMEM-Evolve 的知识检索能力作为 LangChain Agent 的工具。

快速开始

1. 克隆仓库

git clone https://github.com/TiMEM-AI/TiMEM-Evolve.git
cd TiMEM-Evolve
# main 分支已包含最新代码

2. 环境准备

python -m venv venv
source venv/bin/activate
pip install -r requirements.txt

3. 配置与启动

复制 env.template 为 .env 并配置您的 OPENAI_API_KEY。

cp env.template .env
# 编辑 .env 文件

# 启动 FastAPI 后端服务
python -m timem_evolve.api.main

4. 运行示例

查看 examples/ 目录下的示例，了解如何使用 SDK、LangChain，以及如何演示 Skill/Rule 提炼和 Coach 模式。

# 运行 Coach 模式演示
python examples/coach_gym_demo.py

贡献

欢迎提交 Pull Request 到 dev 分支。

许可证

[待定]