Inno Agent
开源个人学习智能体：三层记忆（学员画像 / 知识库 / 跨会话回忆）、主动调度器、个人 IM 通道与练习实验室，基于 Pi SDK 构建且不修改其内核。
信任维度得分偏低。最小权限(1)：Agent拥有bash执行、文件操作、WebSocket终端、IM通道与cron调度等大范围能力，OS级沙箱仅为可选（pi-sandbox，需ripgrep），默认配置下权限偏大；扣分点在默认不启用沙箱。用户确认(1)：有`closeBehavior: ask`和409阻塞提示，但未见到对危险bash/文件写入的用户确认门控描述。数据流透明(2)：三层内存写入明确声明为通过工具写入、可检查可编辑（L1），架构图与目录清晰，但数据去向仅在README层面描述，未见代码级审计日志证据。敏感数据(1)：API key以明文写入config.，server会热改写该文件；showcase导出声称有脱敏，但运行期敏感数据保护证据不足。依赖安全(1)：npm overrides钉住axios版本、vendor了xlsx包，显示一定关注，但无审计/lockfile策略说明；对Pi SDK的传递依赖无评估。外部影响(1)：主动向Feishu/WeChat/QQ发消息、定时任务、写工作区文件，影响面广且默认授权程度未说明。回滚(1)：无更新/回滚机制描述，配置文件会被服务器热改写而无备份说明。来源归属(2)：明确注明Pi SDK（Mario Zechner，MIT）及citation，诚实标注'未修改内核'；扣分在于发布者身份未经注册表验证且macOS包未签名。
自洽性(2)：'Non-goals'章节明确单进程单会话、无多租户等约束，声明与架构一致；扣分：README提到vitest作为发版门禁但根目录说明称'尚未接lint/test runner'，两处表述存在轻微张力（可能是时间差），仅扣一分。依赖可用性(2)：Content Hub有本地缓存与内置preset离线回退，设计上考虑了远端不可用；但hub是第三方仓库（Chloris-Blaxk），可用性不完全受控。失败消息(2)：409 session_busy带阻塞者详情并要求UI呈现，这是具体的失败传播设计；扣分：仅有这一处实例，未见统一的错误处理策略文档。
受众与场景(3)：个人学习代理定位极其清晰，含'Why'立场声明、非目标、Simple Mode presets面向非技术用户、use-cases文档——受众定义是本仓库的强项，给满分。能力边界(2)：非目标章节划定了并发/多用户边界，但Agent本身的能力上限（如可执行操作范围）描述有限。触发精度(1)：L3召回声称'threshold-gated'，调度器为自然语言cron，但阈值、误触发处理的静态证据薄弱；环境触发条件未定义。环境适配(2)：CLI flag/env var/默认值三级路径解析、Docker、桌面三形态、Node>=20.6 engines声明，覆盖面好；扣分：Windows bridge模式（WeChat）对环境的依赖未说明，ripgrep等系统依赖散落在不同文档。
信息架构(3)：README→QUICKSTART→后端README→docs/分层清晰，仓库布局表、路由表、部署布局均有，给满分。安装说明(3)：三种安装方式各含完整命令、配置模板与API key设置步骤，还有系统依赖专文档。命名稳定性(2)：`inno` CLI、包名、路径约定一致，但版本0.5.x阶段、默认provider名'innospark'与示例baseUrl易混淆；扣分：无稳定性承诺。示例与FAQ(2)：QUICKSTART、skill教程、use-cases存在，但未见FAQ或故障排查（showcase的troubleshooting除外）。已知限制(3)：'Non-goals'章节是教科书式的限制声明，含issue #124设计讨论链接，给满分。许可(3)：MIT LICENSE全文在库，依赖许可（Pi SDK MIT）已注明。版本与变更(2)：semver tag触发的release工作流、prerelease规则完备，但未见CHANGELOG文件或版本间变更说明。维护责任(1)：有Contributing章节和微信用户群，但无治理/维护者/响应承诺说明；个人仓库，长期维护路径不明。
输出可用性(2)：声明产出可追溯（工具写入L1/L2）、会话回放、i18n与主题，输出面向学习场景设计；扣分：均为主张，静态层面未见输出质量约束的具体机制。边际价值(2)：'分层内存优于扁平聊天摘要'、'持久事实走工具'等立场构成了对通用编码代理的差异化论点，有技术报告佐证意图；扣分：差异化效果无法静态验证，属于主张层面。成本收益(2)：单机单进程架构刻意降低复杂度，可接本地模型（Ollama）控制成本；扣分：Electron+全栈+SQLite的体量对'个人学习伴侣'而言不算轻，用户需自备LLM API成本，性价比取决于使用强度，未给出估算。
主张可追溯(2)：README中的设计决策链接到issue #124，文档路径具体可点验，发版工作流含vitest门禁；扣分：多数功能主张（三层内存效果、L2检索质量）无本仓库内可静态核对的数据，eval:l2-retrieval脚本存在但结果未见。跨源印证(1)：引用了arXiv技术报告、第三方hub仓库、Pi SDK npm包，但这些在本次审查范围之外，无法印证；扣分：范围内缺乏独立第二来源。事实与推断分离(2)：'Non-goals'与立场章节清楚区分了事实约束与设计立场，showcase声明'基于真实UI'的机制有代码路径支撑；扣分：部分营销性表述（如'real session'、2026年日期）无法在静态范围核实。
- 默认不启用OS级沙箱，bash/文件/终端能力全开，建议个人部署时启用`server:sandbox`并将工作区目录与敏感目录隔离。
- API key以明文存放于config.且服务器会热改写该文件，注意文件权限与备份策略。
- 默认Content Hub为第三方仓库（Chloris-Blaxk/inno-agent-hub），导入的skill/preset未经审查，建议自托管或审计后再启用。
- 无认证模型、无多租户隔离，切勿将Web端口暴露到公网或多人共用实例。
- macOS安装包未签名，且发布者身份未经注册表验证，安装前请自行核对构建来源。
- 主动IM通道（Feishu/WeChat/QQ）会向外部服务发消息，启用前确认其授权范围与消息成本。
- 声称的测试门禁（vitest）与根README'尚未接测试runner'表述不一致，关键行为请自行验证。
这个 Agent 能做什么，适合哪些场景？
Inno Agent 是一个面向单一学习者的开源学习智能体，把长期学习支持组织为三层显式记忆：L1 学员画像、L2 原生 Wiki 知识库、L3 会话记录与跨会话检索。它提供三种共享同一运行时状态的形态：Electron 桌面应用、React 19 Web UI（Node HTTP 服务器 + SSE 流式输出、终端、知识图谱）、以及纯 TUI 的终端 CLI（inno）。学习闭环由 cron 调度器、个人 IM 通道（飞书 / 微信）和带浏览器终端的 Practice Lab 组成。所有学习行为通过注册工具和一个 before_agent_start 扩展钩子加入 Pi SDK，内核不做任何修改，保持上游兼容。项目采用 MIT 协议，支持 Docker 部署，设计上刻意限定为单进程、单活跃会话、无多用户并发的个人形态。
每次对话轮次，智能体通过 before_agent_start 钩子把 L1 证据驱动的学员画像（目标、知识状态、误区、偏好）压缩为上下文包注入系统提示词，并做阈值门控的 L3 SQLite FTS5 跨会话检索。学习者可通过工具把持久事实写入 L1/L2；L2 Wiki 提供词法 BM25 + 知识图谱混合检索、LLM 辅助摘要，以及 PDF/Office/图片导入。自然语言创建的 cron 任务持久化到 jobs. 与 runs.l，可从智能体、UI 或守护进程触发，并通过统一调度器分发到飞书（原生）、微信（iLink 扫码或 bridge 模式）和 QQ（bridge）。Practice Lab 在 xterm.js + WebSocket 的工作区终端里运行代码并记录运行结果供智能体读取。技能与 Simple Mode 预设从远程内容中心（默认 Chloris-Blaxk/inno-agent-hub，可指向私有 GitHub 仓库或自托管 bundle 服务）导入，也可导出真实会话到独立的回放站点（apps/showcase）。
- 准备考试或系统学习新领域的个人学习者：智能体在 L1 画像里追踪你的知识状态与误区，按 cron 计划主动推送复习提醒到微信或飞书。
- 需要长期积累个人知识库的学习者：把 PDF、Office 文档、图片导入 L2 Wiki，之后用自然语言向智能体提问并获得带图谱检索的答案。
- 想在对话中边学边写代码练手的用户：在 Practice Lab 的浏览器终端里运行代码，运行记录会被智能体读取用于反馈。
- 非技术用户：通过 Simple Mode 一键导入课程规划、PPT 制作、场景讲解等预设工作区，无需自己配置。
- 重视隐私与可解释性的学习者：L1 画像可查看、可编辑，禁止无证据标签，全部数据留在本地 runtime 目录。
- 想自定义教学流程的开发者：用 agent.md 与 .skills/ 构建限定于某个工作区的定制学习智能体，或自托管内容中心。
这个 Agent 有哪些优点和局限？
- 分层记忆架构而非扁平聊天摘要：L1/L2/L3 生命周期各异、独立存储，个性化基于证据写入工具而非聊天回复，可追溯。
- 完全不改 Pi SDK 内核，全部能力通过注册工具与 before_agent_start 钩子实现，保持上游兼容，便于跟随 SDK 更新。
- 开放可纠正的学员模型：L1 画像可由学习者直接检查和编辑，且明确禁止无证据标签。
- 三形态共享同一运行时状态（桌面 / Web / CLI），并有会话回放站点（apps/showcase）用真实产品 UI 复现历史会话。
- 刻意单进程、单活跃会话：单一内存队列串行化所有工作，跨会话操作繁忙时返回 409 session_busy，不适合团队或多任务并发。
- 无多用户并发、无水平扩展、无认证模型与租户隔离；团队部署需要每人跑一个实例。
- 无 lint/test runner，贡献前仅靠 TypeScript 构建做健全性检查，工程质量保障有限。
- 依赖 Pi SDK 生态（@earendil-works/pi-*，Mario Zechner 维护）与外部 LLM API 密钥；可选沙箱需额外安装 ripgrep。
- 官方技术报告标注为 2026 年 6 月 arXiv 文档，部分生态（内容中心、社区群）依赖第三方仓库与微信社群。
如何安装或部署这个 Agent？
方式 A（最简单）：从 GitHub Releases 下载桌面安装包 — macOS Apple Silicon 为 Inno.Agent-x.y.z-arm64.dmg（未签名，首次启动右键 → 打开），Windows x64 为 Inno.Agent.Setup.x.y.z.exe 或 .msi。方式 B（源码）：git clone https://github.com/hhyqhh/inno-agent.git && cd inno-agent && npm install && npm run build，然后 mkdir -p runtime/config runtime/data runtime/skills workspace，cp config.example. runtime/config/config. 并填入 providers[*].apiKey。方式 C（Docker）：docker compose up -d（端口 3000，挂载 runtime/ 与 workspace/）。运行需要 Node.js >= 20.6.0，需在 config 中提供兼容 openai-completions 或 anthropic-messages 的 API 端点与密钥（如 Anthropic、OpenAI、DeepSeek、Ollama、本地模型）。
如何使用这个 Agent？
npm run server 启动 Web UI（:3000），npm run start 启动终端 CLI，npm run electron 启动桌面应用，npm run server:sandbox 启用 OS 级沙箱（需 ripgrep）。首次启动会在 ~/.inno-agent/config/config. 生成默认配置，填入 provider API key 后即可开始对话。可用 --home / --config-dir / --data / --skills / --workspace / --port 等 CLI 参数（或 INNO_* 环境变量）重定向路径。在 UI 设置中可实时切换模型、开关 L1/L2/L3 记忆层、启用飞书/微信通道（channels.feishu.enabled、channels.wechat.enabled）。用自然语言让智能体创建复习计划（cron 任务）；在侧边栏会话项上点场记图标或运行 npm run showcase:export -- --session <substring> 导出会话回放。