Think-Probe 是一个面向通用任务编排的智能体运行时与工作台。它围绕模型调用、工具执行、技能扩展、多智能体协作和会话持久化构建，当前最成熟的能力集中在工程任务、本地工作区操作和可观察的 Agent 执行流程。

• 通用 Agent Loop：采用 Observe → Plan → Act → Verify 的结构化执行流程
• 主代理 + 子代理协作：通过 sub_task 委派复杂分析与子任务执行
• 文件系统工具：支持读取、写入、补丁修改、目录浏览和文本搜索
• 联网网页搜索与抓取：通过 Tavily API 搜索网页并抓取正文
• 工作区 Shell 执行：支持在受控工作区内执行终端命令，每个会话使用隔离 workspace，且每次从该 workspace 根目录开始
• 技能系统：支持通过 SKILL.md 定义技能，并按需加载技能说明
• 技能管理：支持在 Web UI 中统一管理本地技能目录与远程 ClawHub 技能源，支持搜索、安装、更新、移除和刷新技能
• MCP 服务管理：支持在 Web UI 中维护 MCP Server 配置，覆盖新增、编辑、删除、工具同步和列表启停开关
• MCP 工具动态装载：主代理与子代理会自动加载所有启用中的 MCP 工具，并在对话轮次开始时注入运行时工具集
• 会话持久化：使用 SQLite 保存消息、工具调用、推理内容和子线程关系
• 上下文压缩与续跑：支持按上下文阈值触发历史压缩，生成滚动执行摘要并在后续轮次自动注入
• 推理与执行可视化：通过 Web UI 展示 reasoning、工具流和子代理事件
• 流式响应：支持 SSE 流式输出主代理与子代理过程
• 任务追踪：支持通过 task.md 记录复杂任务的执行进度
• 沙箱边界控制：限制工具访问范围，提供路径校验与超时保护
• 面向工程任务的高成熟度体验：代码修改、问题分析、命令执行和项目内排障已较完整

• 长期记忆层：支持用户偏好、目标、环境上下文和跨会话检索
• 技能学习闭环：从已完成任务中沉淀流程模板或可复用技能
• 技能版本治理：支持版本、依赖校验、评分、回滚和验收机制
• 更丰富的通用工具：Browser、HTTP、API 调用、表单自动化等
• 多执行后端：支持 Docker、SSH、远程工作区等执行环境
• 更丰富的 MCP 集成：支持资源、Prompt、鉴权策略模板和更多上下文源接入
• 后台任务与调度：支持定时任务、异步执行和结果通知
• 多消息入口：支持 IM / Chat 渠道接入
• 多租户与多 Agent Profile：支持团队共享与角色隔离
• 评测与回放体系：支持任务评测、失败归因和回放分析
• 安全治理增强：支持更细粒度的权限审批、技能签名和来源审计

• 4-Block Contract Prompt：系统指令采用 Identity → Workflow → Tool Use Guidelines → Constraints 四段式结构，便于维护与演进。
• LangGraph 驱动：主代理和子代理都基于状态图组织推理与工具调用。
• 通用子任务委派：通过 sub_task 动态生成专家子代理，复用完整工具集执行复杂任务。
• 任务追踪：复杂任务可借助 task.md 维持可恢复的执行进度。
• 上下文压缩续跑：按 token 阈值压缩旧消息，沉淀结构化执行摘要，并在后续轮次作为记忆提示注入主代理。
• 技能驱动扩展：通过极简 SKILL.md 把新能力以声明式方式接入主系统；主 Agent 只在命中场景时按需加载技能正文。
• MCP 动态能力层：启用中的 MCP Server 会在每轮对话前自动解析为运行时工具，并同时提供给主代理和 sub_task 子代理使用。

• 工具访问默认限制在当前会话的 workspace 根目录
• 具备路径穿越防护、workspace 根目录约束和命令执行超时保护
• SQLite 持久化保存会话、工具调用、推理内容和子线程映射
• SSE 流式输出支持主代理和子代理交替反馈

确保系统安装 Python 3.12，推荐使用 uv 管理依赖。

pip install uv

uv sync

基于项目内的 .env.example 创建 .env：

cp .env.example .env

然后按需修改 .env 中的配置项：

• LLM_API_PATH / LLM_API_KEY / LLM_MODEL_NAME 用于配置主模型服务
• LLM_COMPACTION_MODEL_NAME 可选，用于配置专门的会话压缩模型；未配置时复用 LLM_MODEL_NAME
• MAX_CONTEXT_TOKENS / CONTEXT_WARNING_RATIO / CONTEXT_COMPACT_RATIO / CONTEXT_RECENT_MESSAGE_COUNT 可选，用于配置上下文估算阈值、压缩触发比例和压缩后保留的最近消息窗口
• TAVILY_API_KEY 用于启用 web_search 和 web_fetch
• LANGFUSE_PUBLIC_KEY / LANGFUSE_SECRET_KEY / LANGFUSE_BASE_URL 用于启用 Langfuse tracing；如果暂时不用，可先留空或删除

联网搜索与抓取当前通过 Tavily 提供：

• web_search：调用 Tavily Search，可选返回正文
• web_fetch：调用 Tavily Extract 抓取指定 URL 正文
• 需要配置 TAVILY_API_KEY

观测当前通过 Langfuse 提供：

• 工作流事件和 LangChain 回调会自动上报到 Langfuse
• 如未配置 Langfuse 相关环境变量，通常只会缺少 tracing，不影响基础对话与工具调用

当前实现依赖以下 API / 服务：

• Tavily Search API
• Tavily Extract API
• LLM API（兼容 OpenAI Chat Completions）
• Langfuse（可选）

python run.py

启动后访问 http://127.0.0.1:8080。

services:
  think-probe:
    container_name: think-probe
    image: think-probe:latest
    ports:
      - "18080:8080"
    environment:
      - LLM_API_PATH=http://xxx.xxx.xxx.xxx:1234/v1
      - LLM_API_KEY=your_key
      - LLM_MODEL_NAME=qwen/qwen3-32b
      - LLM_COMPACTION_MODEL_NAME=qwen/qwen3-8b
    networks:
      - net-think-probe

networks:
  net-think-probe:
    driver: bridge

docker-compose up -d

make linux-amd64

app/
├── agents/               # 主代理与子代理定义、Prompt
├── api/                  # FastAPI 路由（会话、技能、MCP）
├── core/                 # LangGraph、LLM、技能管理、子代理工厂
├── service/              # 工作流、会话与 MCP 服务管理
├── store/                # SQLite 持久化（含会话与 MCP 配置）
├── tools/                # 文件、搜索、终端等本地工具
└── utils/                # SSE 与日志等辅助组件
skills/                   # 已安装技能目录

• 核心: LangGraph, LangChain
• 后端: FastAPI
• 数据库: SQLite + SQLAlchemy + aiosqlite
• 观测: Langfuse
• 协议: OpenAI API, MCP, SSE
• 前端: Vanilla JS + HTML + CSS
• 部署: Docker, Docker Compose

本项目采用 MIT 许可证。