Cellium Agent
一个从失败中学习的自进化 AI Agent：以决策环 + 贝叶斯 Bandit 打破重复犯错与死循环，让助手越用越聪明。
证据显示：组件沙箱（进程隔离+路径映射+危险方法拦截）、敏感信息脱敏与写入拦截、组件 /trust 白名单均有描述，测试亦覆盖归档去重等。扣分点：测试文件明确断言『控制环约束不再阻止工具执行：即便约束含 forbidden，工具仍应正常执行』，即禁止工具拦截机制实际被移除，与 README 宣称的『工具使用控制/动态禁止工具』相矛盾；shell、浏览器自动化、多平台文件收发等高权限能力未见逐操作确认机制；依赖版本宽松且附带预编译二进制（vector_engine dll、ripgrep）；组件可由 Agent 运行时自我创建，无回滚/审计说明；引用的 arXiv 编号 2604.15097 日期不合理，来源归属可信度低。
证据显示：CI 覆盖多平台测试、启动健康检查、工具异常捕获有测试覆盖，端口占用自动回退有说明。扣分点：pyproject 版本 1.4.3.post7 与 CI 的 1.4.3.131 不一致；README 宣称的能力与测试中『forbidden 工具不再被阻止』互相矛盾；存在一个被 skip 的已知空引用 bug（诚实但未修复）；依赖声明了不存在的版本下限（fastapi>=0.140.0、uvicorn>=0.51.0 等），安装可靠性存疑。
证据显示：多平台支持（含 ARM64 及 Chromium 依赖说明）、启发式阈值与调度器触发条件有具体数值、Flash 模式区分简单任务。扣分点：能力边界未声明（『无限进化』为营销表述），自扩展组件的风险边界未界定；适用场景以示例罗列但无边界/不适用说明。
证据显示：README 结构完整（架构图、配置、安装、组件规范、目录约定），保留工具名清单明确，LICENSE 为完整 Apache-2.0 文本且 pyproject 声明 license-files，ripgrep 许可证随包分发。扣分点：无已知限制/FAQ 文档；无独立 CHANGELOG（仅 releases 链接），版本号体系不一致；注册表许可证元数据为 NOASSERTION 与仓库声明不一致；维护者为单一作者（QQ 邮箱），无治理/更新承诺说明。
证据显示：输出可用性较好（TUI/WebUI/API 文档、工具调用 _intent 用户友好描述、多入口安装）；Control Loop + Bayesian Bandit + 三层记忆构成差异化价值。扣分点：差异化收益无任何基准或消融数据支撑，成本收益无从评估（token 消耗、LLM 调用次数仅有定性描述）；自学习效果完全依赖宣传性断言。
证据显示：部分声明可在测试与 CI 中追溯（归档去重、约束渲染、健康检查）。扣分点：核心卖点（自进化、Bandit 学习收益、40+ 模型注册表、230-token Gene 表示）无代码外证据可验证；引用的 arXiv 2604.15097 编号对应不存在的合理文献（日期为未来），为可证伪的可疑引用；README 宣称的『动态禁止工具』与测试断言相反，跨来源互相矛盾；营销语言与事实陈述未分离。
- 静态审查仅基于提供的文件，未执行任何代码，结论置信度为低。
- 测试文件断言『forbidden 工具不再被阻止』，与 README 宣称的工具禁止控制矛盾——部署前必须人工确认工具拦截机制的真实行为。
- 依赖版本下限（如 fastapi>=0.140.0、uvicorn>=0.51.0、textual>=8.0.0）与公开 PyPI 版本不符，pip 安装可能失败或引入不可验证的包。
- 引用的 arXiv 论文编号 2604.15097 日期不合理，学术来源真实性存疑。
- 分发的预编译二进制（vector_engine dll、ripgrep）无哈希或签名校验说明。
- Agent 可运行时自我创建组件且 shell/浏览器/多平台外发能力权限较大，建议在隔离环境中部署并审查 trusted_components.。
- pyproject 与 CI 版本号不一致，供应商许可证元数据为 NOASSERTION，合规审查需人工核对。
这个 Agent 能做什么，适合哪些场景？
Cellium Agent（GitHub: Cellium-Project/Cellium-Agent）是一个基于微内核架构（EventBus + 依赖注入 + BaseTool）的 Python 自进化 AI Agent 框架，支持任意 OpenAI 兼容 API。核心是 Control Loop（决策环）：每轮经历特征提取、规则评估、Bandit 决策（Thompson Sampling）、执行、反馈评估与学习更新五阶段，从停滞、循环、上下文饱和等状态中自动调整策略（continue/retry/redirect/compress/terminate）。三层记忆系统结合人格记忆、会话记忆与长期记忆（SQLite FTS5 全文检索 + 可选向量混合召回），并内置敏感信息脱敏与写入拦截。组件支持热插拔：放入 components/ 目录 3 秒内自动加载，运行于进程隔离 + 路径映射 + 危险方法拦截的三层沙箱中。它通过 WebUI、QQ、Telegram、飞书、微信等多渠道接入，并内置定时任务调度与后台事件触发能力。
启动后，Cellium 运行 AgentLoop 主循环：读取 config/agent/llm.yaml 中配置的 OpenAI 兼容 API 密钥与模型，通过 FeatureExtractor 实时提取停滞迭代数、重复分数、上下文饱和度等特征；HeuristicEngine 规则给出候选 Action，ActionBandit 用 Thompson Sampling 做决胜选择；执行工具后 FeedbackEvaluator 分段打分（含 n-step return），更新 Beta 分布并持久化统计。PEOP 引擎实现 Plan-Execute-Observe-RePlan 状态机，一次生成最多 5 步计划，执行阶段零 LLM 调用，失败时局部重规划（最多 3 次）。三层记忆在会话压缩时自动提取 goal/finding/error 等笔记归档入长期记忆，敏感信息自动替换为 [REDACTED]。组件方面：ComponentWatcher 每 3 秒扫描 components/ 目录，新组件经审计、白名单确认后注册为 BaseTool；内置 web_fetch（DrissionPage 无头浏览器，支持导航、截图、二维码识别、JS 操作）、qq_files（QQ 文件收发）、skill_installer/skill_manager（从 zip/tar 安装 SKILL.md Skill 包）、ComponentBuilder（Agent 运行时自建新组件）与 scheduler（间隔/每日/每周定时任务，结果推回来源平台）。
- 个人开发者想要一个不会陷入死循环的本地 AI 助手：决策环检测到工具重复调用或输出重复（exact_repetition_count >= 5）时自动 redirect 或 terminate，适合长期挂机跑任务。
- 运维人员需要定时监控：用自然语言创建'每小时检查服务器状态，异常时通知我'的调度任务，结果自动推送到创建任务的平台（QQ/Telegram/飞书等）。
- 需要接入聊天平台的用户：通过 ChannelManager 将 Agent 接入 QQ、Telegram、飞书、微信，支持文件传输与消息注入，qq_files 组件可在 QQ 与本地间收发文件。
- 想做网页自动化的人：用 web_fetch 组件（DrissionPage）完成网页抓取、截图、二维码登录识别、表单填写等操作。
- 希望 Agent 能力持续增长的团队：让 Agent 在运行时通过 ComponentBuilder 自建组件、通过 skill_installer 安装 SKILL.md Skill 包，无需重启服务即可扩展能力。
这个 Agent 有哪些优点和局限？
- 决策环 + 贝叶斯 Bandit 的自学习机制是具体差异化能力：运行时基于停滞/循环/饱和度特征动态切换 continue/retry/redirect/compress/terminate，而非静态 prompt 驱动
- 组件热插拔与运行时自扩展：文件放入 components/ 3 秒自动加载，Agent 可用内置 ComponentBuilder 自建新工具，且有三层沙箱（进程隔离、路径映射、危险方法拦截）防护
- 三层记忆（人格 + 会话 + FTS5/向量混合召回）配合会话压缩自动归档与敏感信息脱敏拦截，开箱即用且向量检索默认关闭、不依赖外部服务
- 多渠道部署成熟：WebUI、QQ、Telegram、飞书、微信统一由 ChannelManager 路由，定时任务结果可推回来源平台；并提供一键分发包（Windows/Linux x64/ARM64/macOS）与 PyPI 安装
- GitHub 许可证字段为 NOASSERTION，虽然 README 标注 Apache 2.0，企业合规采用前需核实仓库实际许可状态
- 深度依赖 OpenAI 兼容 API：所有 LLM 调用、可选 Embedding（默认 1536 维，如 text-embedding-3-small）均需自备 API Key，成本与提供商可用性由用户承担
- 自学习/进化机制（Bandit、Strategy Gene 集成）依赖论文描述与项目自述，仓库内缺少独立基准测试数据验证实际效果
- Agent 可自建组件并执行代码，虽有沙箱，但信任白名单与危险方法拦截的绕过风险需使用者自行评估；长期记忆依赖 SQLite FTS5，大规模知识库场景未提供性能数据
如何安装或部署这个 Agent？
方式一（一键包）：Windows 用 PowerShell 下载并解压 Cellium-Agent-Windows.zip 后运行 .\CelliumAgent.exe；Linux x64/ARM64 与 macOS 用 curl 下载对应 tar.gz（如 https://github.com/Cellium-Project/Cellium-Agent/releases/latest/download/Cellium-Agent-Linux.tar.gz）解压后运行 ./start-cellium.sh。方式二（pip）：pip install cellium-agent，飞书支持需 pip install cellium-agent[lark]。方式三（源码）：pip install -r requirements.txt 后 python main.py。必需配置：编辑 config/agent/llm.yaml 填入 OpenAI 兼容 API 的密钥、服务地址和模型名称。
如何使用这个 Agent？
pip 安装后运行 cellium 启动 TUI 界面，或运行 cellium-web 启动 Web 服务；源码方式用 python main.py 启动后访问 http://localhost:18000 打开聊天界面，http://localhost:18000/docs 查看 API 文档（端口被占用时自动切换，以启动日志为准）。然后：1) 用自然语言下达任务，如'搜索最新 AI 动态并生成报告'；2) 通过 /trust 确认信任组件白名单；3) 用自然语言创建定时任务，如'每天早上8点查天气'；4) 将组件文件放入 components/ 目录即可 3 秒内热加载生效；5) 可选启用向量检索：配置 config/agent/embedding.yaml。