Hive 多智能体生产级 Harness 实战指南:Colony 架构、快速部署与运行原理
Hive 多智能体生产级 Harness 实战指南:Colony 架构、快速部署与运行原理
Hive(OpenHive)是一个面向生产环境的多智能体编排运行时(harness):以"Queen(女王)+ worker(工蜂)"构成的 agent 群落(colony)为部署单元,用"一个循环控制许多循环"的单一执行原语替代手工编织的 agent 图(graph),并把状态持久化、崩溃恢复、成本约束与人工监督内建在每一个 agent 中。本文以仓库中的西班牙语版项目指南 docs/i18n/es.md 为主体,结合 架构总览、核心概念 系列文档与真实源码,完整梳理 Hive 的安装部署、首个 agent 构建、架构原理与常见问题,读完即可独立上手并在生产环境中跑通一个可扩展的 agent 群落。
一、Hive 是什么:一个"无配置、模型无关"的 agent 群落运行时
Hive 是一个运行时层(runtime layer),其工作单元不是"单个 agent",也不是"手工接线的一堆 agent",而是colony(群落):一组专业化 agent 协同执行同一个业务流程。一个 colony 包含:
- Queen(女王)——持久化、面向客户侧的领导者,拥有对话、任务计划与群落;
- 任意数量的 worker(工蜂)——Queen 按需生成的临时克隆体,各自承接一个单元的任务。
你只需要描述想要的结果(Describe the outcome),Queen 会先自己完成一个单元的工作,再围绕该工作"生长"出一个群落去规模化执行。底层机制是**"一个循环控制许多循环"(one loop controls many loops):Hive 只有一个执行原语 AgentLoop,Queen 本身就是一个 agent loop,每个 worker 都是它的克隆**——同样的工具、同样的模型、同样的提示词,只是预算更紧、注入了一个明确任务。没有需要编译的图(graph),也没有需要手写的编排样板代码。
从源码注释可以印证这一设计(core/framework/host/colony_runtime.py 中所述):
"Each worker is an exact copy of the queen's AgentLoop — same tools, same prompt, same LLM… The ColonyRuntime replaces both AgentHost and ExecutionManager. There are no graphs, no edges, no nodes, no data buffers. Just: spawn N independent clones, let them run, collect results."
群落通过四种轻量基座完成协调:共享 SQLite tracker(账本)、持久化任务计划(task plan)、事件总线(event bus) 与 提醒中枢(reminder hub)——它们取代了传统工作流图中的"边"与"数据缓冲区"。
二、核心特性一览
| 特性 | 说明 | 仓库依据 |
|---|---|---|
| Agent 群落(Colonies) | Queen 按需生成 worker 克隆,用于并行与长时任务 | colony 概念、架构总览 |
| 单一原语、多循环 | 无图可接,Queen 在运行时"生长"群落 | the_loop 概念 |
| 共享 tracker 账本 + 持久化任务计划 | 无需数据缓冲区即可协调 | coordination 概念 |
| Queen 人格(persona) | CEO 式路由 + 有界演进记忆 | queen 概念 |
| 崩溃安全暂停/恢复、成本限额、人工介入(Sentinel) | 可靠性内建于单一原语 | 架构总览 |
| 零配置 | 无需手工技术配置,quickstart.sh 一键就绪 |
quickstart.sh |
| 通用计算(GCU)与浏览器使用(Browser Use) | 原生扩展支持 | tools/src/gcu/、tools/src/aden_tools/ |
| 自定义模型支持 | 经 LiteLLM 接入 100+ 供应商与本地模型 | core/framework/llm/litellm.py |
需要说明的是,上述特性中的"100+ 供应商 / 100+ 集成工具"是项目官方文档口径,实际以你安装版本的 model_catalog.json 与 MCP 工具注册表 为准。
三、Hive 适合谁:适用场景判断
Hive 定位是"把 AI agent 从原型带到生产"的多智能体 harness。官方指南给出的判断标准如下。
适合使用 Hive 的情况:
- 需要 AI agent 真正执行业务流程,而不只是做 demo;
- 需要一个管理状态、恢复与并行执行的运行时,且能扩展到一定规模;
- 需要自修复、自适应、随时间改进的 agent;
- 需要人机协同(human-in-the-loop)、可观测性与成本限额;
- 计划在生产环境运行 agent——可用性(uptime)、成本与可审计性至关重要。
不适合的情况:
- 只是用简单的 agent 链或一次性脚本做实验——Hive 的价值主张不在这一层。
何时该用 Hive? 当瓶颈不再是模型、而是模型周围的 harness 时:
- 长时运行的 agent,需要状态持久化与崩溃恢复;
- 生产负载要求成本限额、可观测性与审计日志;
- agent 通过**反射(reflexion)、有界记忆与习得技能(skills)**随时间改进;
- 需要并行多 agent 工作,并通过共享 tracker 账本与持久化计划协调;
- 需要一个随模型能力升级而扩展、而不是与之对抗的框架。
四、快速开始:从零到第一个 Agent
4.1 环境前置条件
- Python 3.11+(agent 开发环境);
- 一个 LLM 供应商(驱动 agent 的模型服务);
- ripgrep(可选,Windows 上推荐):搜索类工具
terminal_rg/terminal_glob依赖 ripgrep 实现更快的文件搜索;未安装时会回退到 Python 实现。Windows 安装方式:winget install BurntSushi.ripgrep或scoop install ripgrep。 - Windows 用户:Windows 原生支持,通过
quickstart.ps1与hive.ps1在 PowerShell 5.1+ 中运行;WSL 也是可选方案,但并非必需。
4.2 安装:务必使用 quickstart 脚本
⚠️ 重要提示:Hive 采用
uv工作区(workspace)布局,不能用pip install安装。若在仓库根目录执行pip install -e .,会生成一个占位包(placeholder),Hive 将无法正常工作。请务必使用下方的快速开始脚本配置环境。
# 克隆仓库
git clone https://gitcode.com/gh_mirrors/hive48/hive.git
cd hive
# macOS/Linux 快速开始
./quickstart.sh
# Windows(PowerShell)
.\quickstart.ps1
脚本会自动完成以下配置:
- framework——核心 agent 运行时与执行器(位于
core/.venv); - aden_tools——为 agent 提供能力的 MCP 工具集(位于
tools/.venv); - credential store——API 密钥的加密存储(
~/.hive/credentials); - LLM provider——交互式配置默认模型,包括 Hive LLM 与 OpenRouter;
- 通过
uv安装全部 Python 依赖; - 最后会在浏览器中打开 Hive 界面。
再次打开面板:之后随时可在项目目录执行 hive open。
结合 quickstart.sh 源码,安装向导的实际执行序列远比表面复杂,值得了解:
- Python 检测:优先探测
python3.11/python3.12/python3.13,版本低于 3.11 直接退出(quickstart.sh); - uv 自动安装:未检测到
uv时通过官方安装脚本安装(quickstart.sh); - Node.js 20+ 检测:前端面板需要 Node 20+,缺失时会通过 nvm 自动安装(quickstart.sh);
- 系统级依赖探测:
sqlite3(colony 进度跟踪)、tesseract(扫描件 OCR)、Chrome/Edge(浏览器工具)缺失时会尝试用 apt/brew/apk/dnf/pacman 自动安装(quickstart.sh); - playwright 与 chromium:为网页抓取工具安装 playwright 与浏览器二进制(quickstart.sh);
- 前端构建:
npm install+npm run build,产物输出到core/frontend/dist/(quickstart.sh); - 导入校验:通过 scripts/check_requirements.py 批量验证
framework、aden_tools、litellm三个模块的导入(quickstart.sh); - 模型目录加载:读取 core/framework/llm/model_catalog.py 中的默认模型、模型目录与预设(preset),生成交互式选择菜单;
- 供应商密钥配置:向导支持
ANTHROPIC_API_KEY、OPENAI_API_KEY、MINIMAX_API_KEY、GEMINI_API_KEY、GOOGLE_API_KEY、GROQ_API_KEY、CEREBRAS_API_KEY、OPENROUTER_API_KEY、MISTRAL_API_KEY、TOGETHER_API_KEY、DEEPSEEK_API_KEY等环境变量(quickstart.sh); - 配置落盘:最终配置写入
~/.hive/configuration.json(HIVE_CONFIG_DIR="$HOME/.hive",见 quickstart.sh),并视 shell 类型写入.bashrc/.zshrc等 rc 文件。
4.3 构建你的第一个 Agent
在主界面输入框中用自然语言描述你想构建的 agent。Queen 会向你提问,并与你共同推敲出解决方案——这就是"结果驱动开发(Outcome-Driven Development)"的入口:你定义成功标准与约束,而不是手写步骤。
4.4 使用模板 Agent
点击 "Try a sample agent" 浏览内置模板。你可以直接运行某个模板,也可以在既有模板之上构建你自己的版本。仓库 examples/templates/ 目录下提供了大量可运行示例,例如:
- deep_research_agent——深度调研报告 agent;
- competitive_intel_agent——竞品情报 agent;
- email_inbox_management——邮箱收件箱管理(含
triggers.json定时触发器); - sdr_agent、job_hunter、meeting_scheduler 等。
每个模板均包含 agent.json、flowchart.json、config.py、mcp_servers.json 与 nodes/ 节点代码,可直接对照学习完整 agent 的目录结构。
4.5 运行 Agent
选中某个 agent(既有 agent 或示例 agent)即可运行:点击左上角的 Run 按钮,或者直接与 Queen 对话,由它代为执行该 agent。
五、架构原理:从"描述结果"到"群落规模化"
5.1 单一执行原语 AgentLoop
AgentLoop 是一个多轮流式 LLM 循环,也是 Hive 唯一的执行单元。每一轮:
- 流式接收模型的响应(文本与工具调用);
- 执行工具调用(并行批处理);
- 把工具结果回填到对话中;
- 裁决:满足终止条件(judge 判定通过,或干净的无工具轮)则结束,否则继续迭代。
Queen 是配置为长期对话监督的 AgentLoop(近乎无限的迭代、大上下文、慷慨的工具预算);每个 worker 则是带更紧 LoopConfig 的克隆——worker 配置的单一事实来源在 agents/queen/worker_definition.py:3 轮工作迭代 + 1 轮宽限迭代(grace iteration)、每轮工具调用预算,以及生命周期工具调用总预算,防止 worker 无限发散。宽限迭代是保证收尾的一轮,只允许调用 report_to_parent / task_update / tracker_upsert,确保耗尽了预算的 worker 也会正常汇报、而不是无声死亡。
worker 刻意做得"窄":没有人格、没有历史记忆、没有升级通道、不能派生或委派子 worker。它读取任务、使用工具、调用 report_to_parent。快速失败(fail-fast) 是其契约——受阻时把部分状态写入 tracker,汇报 failed/partial,而不是无限重试。
5.2 一个循环控制许多循环:run_worker 扇出
在群落阶段,Queen 通过单个工具调用委派工作——run_worker,实现在 core/framework/tools/queen_lifecycle_tools.py:
async def run_worker(
*,
tasks: list[dict] | None = None, # [{"task": str, "data": dict|None}, ...]
timeout: float | None = None, # 软超时,默认 600s
max_iterations: int | None = None, # 扩展迭代上限
tool_call_lifetime_budget: int | None = None,
resume_worker_ids: list[str] | None = None, # 恢复模式:续跑超时/强停的 worker
guidance: str | None = None, # 恢复时注入的引导消息
) -> str:
关键语义(均有源码注释佐证):
- 即发即忘(fire-and-forget):
run_worker立即返回,worker 在后台运行,Queen 不被阻塞,可继续与用户对话或派发更多工作; - 报告以对话轮形式回归:worker 结束时会发出
SUBAGENT_REPORT事件,Queen 在自己的会话中看到一条[WORKER_REPORT]用户轮——包含状态、一段摘要、可选的结构化负载; - 并发被调度而非手工控制:群落一次性接纳全部 N 个任务,超出
max_concurrent_workers(默认 4,环境变量HIVE_MAX_CONCURRENT_WORKERS)的部分进入等待队列,随运行中的 worker 结束而启动。Queen 能看到running_now/queued/batch_remaining的拆分(queen_lifecycle_tools.py); - 超时先软后硬:
timeout(默认 600s)是软截止,到期后向仍在运行的 worker 注入"立即汇报"提示;由它派生的硬截止(max(timeout × 4, timeout + 600),封顶 3600s)会强制停止滞留者。被强停或超时的 worker 可以通过resume_worker_ids(可选guidance引导消息)从已保存的对话中恢复续跑; - spawn 与 resume 互斥:
tasks(派发)与resume_worker_ids(恢复)不能同时传入,源码会直接返回结构化错误(queen_lifecycle_tools.py); - 凭据预检(preflight):派发前统一检查缺失凭据并过滤工具列表,避免 N 个 worker 各自重复报同一个错误(queen_lifecycle_tools.py)。
worker 之间互相不可见、不能通信、不能等待,协调完全经由下面的共享基座完成。
5.3 协调基座:取代"边"与"数据缓冲区"的四件套
① Tracker——共享 SQLite 黑板。 每个 colony 只有一个 tracker.db,由不可变的 ColonyBinding {name, dir, tracker_db}(core/framework/host/colony_binding.py)标识。绑定被穿线到 Queen 的工具执行上下文和 worker 的 input_data,保证双方永远解析到同一个数据库;没有绑定的工具会拒绝执行而不是猜测路径——这是防止"幻影 colony 目录"(split-brain)的关键。Queen 用 tracker_sql 建表(DDL)并用 tracker_register_writable 声明 worker 可写列;worker 用 tracker_upsert 写入发现(每个工作单元一行);Queen 用只读的 tracker_query 校验进度。"做完了什么 / 还剩什么"永远是新鲜的 SQL 查询,而不是可能因崩溃丢失的内存状态。
② 任务计划(task plan)——Queen 的持久化脊梁。 基于文件的任务系统(core/framework/tasks/)为每次对话提供可持久化的结构化计划(task_create / task_update / task_list)。它对用户可见、可随时编辑、可在会话重载后存活——计划的生命周期长于任何一次 agent 运行。colony 还可以内置模板任务清单,Queen 入场即采用,让重复性工作流每次都从同一份清单开始。
③ 事件总线(event bus)。 core/framework/host/event_bus.py 是群落的发布/订阅骨干:SUBAGENT_REPORT 把 worker 结果带回 Queen,CLIENT_* 事件把实时转录推送到 UI。
④ 提醒中枢(reminder hub)——工程化的注意力。 单一长循环靠框架在既定时刻持续注入建议性 <system-reminder> 上下文来保持连贯(core/framework/agent_loop/reminders.py,含 ReminderHub / ReminderSource / ReminderPoint):
- 生命周期点:
SESSION_START、POST_TOOL_USE、TOOL_BUDGET_CHECKPOINT、PRE_COMPACT、POST_COMPACT、STOP; - 时间类点:
IDLE_TICK(后台 ticker 即使在循环暂停时也能轻推)与STREAM_STALLED(流看门狗触发时响应式介入)。
具体来源包括:active_workers_reminder(用户重新介入时重新浮出在途 worker,防止重复派发)、tracker_snapshot_reminder 与 colony_worker_snapshot_reminder(在工具预算检查点快照 tracker 表与在途 worker 群)、colony_parallel_nudge(试点之后建议把流程沉淀为 playbook)、idle_nudge、tool_skill_reminders(按名列出可用工具/技能,按需加载完整 schema,而不是全部烘焙进静态提示词)。这是"工程化的元认知"——框架在管理模型在长时、高扇出会话中的注意力。
5.4 成熟弧线:先执行,后系统化
Queen 不会一开始就设计群落,而是跨三个阶段"生长"出来(见 core/framework/agents/queen/nodes/init.py):
- 独立(Independent)——Queen 作为独立对话 agent 亲自完成工作,当任务被证明是并行、重复或长时运行时,可通过
suggest_colony提议扩容; - 孵化(Incubating)——
start_incubating_colony运行一个默认关闭(fail-closed) 的 LLM 门控,判定计划是否足够成熟可提交。分叉(fork)代价高昂(会结束交互式对话、colony 转为无人值守运行),因此门控不通过时返回ready=False,Queen 自我修正而非贸然推进; - 群落(Colony)——Queen 把无头 worker 配置分叉到磁盘,进入扇出模式。
核心动作是先执行后系统化(execute-first-then-systematize):Queen 先自己端到端完成一个单元的工作——试点(pilot)——并把结果写入 tracker;随后把已验证的流程沉淀为可复用的 skill + playbook,调用 run_playbook——"收敛脊梁"(core/framework/host/playbook/runner.py):一个确定性运行器,自身不持有持久状态、以 tracker 为事实来源、按行向 worker 克隆派发(带重试/退避、lane 与死信路径),并且因为"还剩什么"永远是新鲜的 tracker 查询,重跑 playbook 天然就是续跑(resume by construction)。
对应文档 key_concepts/colony.md 中的流程图:
GOAL["描述结果"] → PILOT["Queen 试点(亲自完成一个单元)"] → SYS["系统化(skill + playbook)"]
→ FAN["扇出(生成 worker 克隆)"] → CONV["收敛(共享 tracker 账本)"] → CHECK{"完成?"}
CHECK -- 是 --> DONE["交付结果"]
CHECK -- 否 --> FAN
5.5 Queen 即身份:人格、路由与记忆
Queen 不是可互换的编排器,而是人格(persona)。仓库自带 13 个 YAML 配置的 Queen(core/framework/agents/queen/queen_defaults/:销售、增长、法务、财务、人才、技术、运营、产品战略、品牌与设计、内容、市场调研、外联、线索开发),每个人格都有特质、背景与行为触发器,注入到系统提示词中。一个 CEO 式 LLM 路由会为每个新请求挑选最匹配的 Queen。
每位 Queen 携带 Queen Memory v2(core/framework/agents/queen/queen_memory_v2.py、reflection_agent.py、recall_selector.py):按作用域划分的 markdown 记忆文件存放于 ~/.hive/memories/(全局 / 按 colony / 按 queen 三层),由带冷却门控(cooldown-gated)的反射 agent 写入、由召回选择器读取——不是向量库。
5.6 可靠性内建于原语
由于所有角色都是同一个循环,harness 特性只实现一次、所有 agent 自动继承:
- 暂停/恢复(Park/Resume):循环把游标持久化到磁盘,在需要等待时暂停——
ASK_USER、CREDENTIAL_FORM、COLONY_SUGGESTION、AWAITING_QUEEN、USER_STOPPED、COLD_INTERRUPTED(运行中途崩溃)、LLM_ERROR、DOOM_LOOP。磁盘是事实来源,崩溃或重启从断点精确续跑(core/framework/agent_loop/internals/cursor_persistence.py); - 上下文管理:保结构压缩(compaction)+ 工具结果的指针/溢写模式(pointer/spillover pattern),让长会话不超上下文预算——大结果落盘、对话中只留紧凑引用,agent 按需通过
load_data()解引用; - 停滞与死循环检测:TTFT/事件间隔流看门狗 + n-gram 相似度检查,捕获卡死回合与重复工具调用;
- Judge 门控终止:回合只有在通过三层 judge 流水线后才"被接受"(core/framework/agent_loop/internals/judge_pipeline.py):Level 0 输出键/挂起工具检查(短路)、Level 1 用户自定义
JudgeProtocol(完整权威,可返回ACCEPT/RETRY/ESCALATE)、Level 2 隐式质量门(对照success_criteria)。RETRY的反馈以[Judge feedback]用户消息注入,下一轮 agent 同时看到自己的上一次尝试与批评并修正——这是会话内的自纠(reflexion),无需重训模型; - 人机协同是带外(out-of-band)的:升级不是图中的节点——Queen 通过 Sentinel(core/framework/sentinel/)升级到人:一个绑定账号的 Slack/Telegram 通道。循环暂停(状态落盘)、通知人类,人在通道回复后循环从原处恢复。任何 agent 在任意时刻都可暂停等待人工判断,可暂停数分钟、数小时甚至数天而不丢失位置。
5.7 群落如何随时间改进
Hive 不会跨"世代"重写图(早期版本确实如此,现已移除)。群落通过四个带内机制改进(详见 docs/key_concepts/improvement.md):
- 会话内反射(reflexion)——judge 反馈作为对话记忆注入;
- Queen Memory v2——冷却门控的反思写入分作用域 markdown 记忆,后续会话召回;
- 习得、工具门控的 skills——Queen 验证过的流程变成技能,仅当所需工具存在时才激活并加入基线;
- 系统化(systematization)——孵化 → 试点 → playbook 的弧线把一次性的成功变成确定性的、可续跑的过程,用 worker 克隆收敛批量的剩余部分。
六、模型与系统集成:模型无关、系统无关
Hive 的框架层是模型无关的,同时针对系统无关设计:
- LLM 灵活性:框架兼容 Anthropic、OpenAI、OpenRouter、Hive LLM,以及任何通过 LiteLLM 兼容的托管或本地模型。FAQ 中明确:支持 OpenAI(GPT-4、GPT-4o)、Anthropic(Claude 系列)、Google Gemini、DeepSeek、Mistral、Groq、OpenRouter 与 Hive LLM 等 100+ 供应商——只需设置对应的 API 密钥环境变量并指定模型名;
- 本地模型(如 Ollama):使用
ollama/model-name格式(例如ollama/llama3、ollama/mistral),并确保 Ollama 在本地运行即可; - 业务系统连接:框架被设计为通过 MCP 把 CRM、客服、消息、数据、文件与内部 API 等各类业务系统接入为工具;官方口径称集成工具数量为 100+,另含通用计算(GCU)与浏览器使用(Browser Use)原生扩展。由于 Queen 与 worker 共享同一套工具面,任何新增能力对整个群落立即可用。
七、常见问题(FAQ)速查
Q:Hive 支持哪些 LLM 供应商? 通过 LiteLLM 集成支持 100+ 供应商,包括 OpenAI、Anthropic、Google Gemini、DeepSeek、Mistral、Groq、OpenRouter 与 Hive LLM。配置方式是设置相应 API 密钥环境变量并指定模型名,各供应商配置示例见 docs/configuration.md。
Q:能否使用 Ollama 这类本地 AI 模型?
可以。通过 LiteLLM 支持本地模型:使用 ollama/model-name 命名格式(如 ollama/llama3),并保证 Ollama 本地运行。
Q:Hive 与其他 agent 框架有何不同?
Hive 运行的是 agent 群落(colonies),而非单个 agent 或手工接线的 agent 图。多数框架要求你编译由节点和边构成的图;Hive 只有一个执行原语——Queen 就是 agent loop,每个 worker 是它的克隆。编排是运行时的 run_worker 扇出而非编译的 DAG,群落通过共享 tracker 账本协调而非数据缓冲区。在这一"一个循环,许多循环"的核心之上,Hive 是生产级 harness——崩溃安全暂停/恢复、成本限额、实时可观测性与带外人工介入——因为只有一种 agent,所以每个 agent 自动继承全部特性。详见架构总览。
Q:Hive 是开源的吗? 是的,完全开源,采用 Apache 2.0 许可证,详见 LICENSE。
Q:Hive 支持人机协同工作流吗? 支持。Queen 通过 Sentinel(绑定账号的 Slack/Telegram 通道)把问题带外升级给人类。agent 循环暂停(状态持久化到磁盘)、通知人类,人类回复后从断点精确恢复。因为升级不是图中的节点,群落中任何 agent 都能在任何时刻暂停等待人工判断,且支持可配置的超时与升级策略。
Q:Hive 支持哪些编程语言? 框架基于 Python 构建;JavaScript/TypeScript SDK 在路线图中(见 docs/roadmap.md)。
Q:Hive 的 agent 能与外部工具和 API 交互吗? 可以。群落中每个 agent 都有内建工具访问权;Hive 通过 MCP 连接外部 API、数据库与服务——含 100+ 集成工具、通用计算(GCU)与浏览器使用(Browser Use)。Queen 与 worker 共享单一工具面,新增能力全群落可用。
Q:Hive 的成本控制如何工作? 提供细粒度预算控制:支出限额、限流器(rate limiter)与自动模型降级策略;支持团队级、agent 级、工作流级预算设定,配合实时成本跟踪与告警。框架层面对每次 LLM 调用计量以实现限额强制(core/framework/rate_limiter.py)。
Q:在哪里能找到示例与文档?
仓库 docs/ 目录包含完整文档(如 developer-guide.md、getting-started.md、configuration.md),examples/templates/ 提供可直接运行的 agent 模板。
八、贡献指南
社区贡献广受欢迎,尤其欢迎为框架构建工具、集成与示例 agent。贡献流程:
- 先找或创建 issue 并请求分配——在 issue 下留言认领,由维护者分配给你,避免重复劳动;带可复现步骤与方案的 issue 优先处理;
- Fork 仓库;
- 创建功能分支:
git checkout -b feature/amazing-feature; - 提交变更:
git commit -m 'Add amazing feature'; - 推送分支:
git push origin feature/amazing-feature; - 打开 Pull Request。
详细准则见 CONTRIBUTING.md,安全相关问题见 SECURITY.md。
九、总结
把本文的核心结论收束为五句话:
- 群落(colony)是部署单元——一个 Queen 加上所需数量的 worker 克隆,共享一份磁盘工作区、一个 tracker、一份计划;
- 一个循环,许多循环——
AgentLoop单一原语同时是 Queen 与每个 worker,编排是运行时run_worker扇出,而非编译图; - 无图协调——共享 SQLite tracker、持久化任务计划、事件总线与提醒中枢取代了"边"与"数据缓冲区";
- 先执行,后系统化——独立 → 孵化 → 群落三阶段;试点工作,再沉淀为 skill + playbook,用
run_playbook收敛; - 可靠性内建于原语——磁盘暂停/恢复、压缩 + 指针模式、停滞/死循环检测、judge 门控终止与带外 Sentinel 升级——因为只有一种 agent,每个 agent 都继承全部能力。
无论你是要把现有业务流程搬上多智能体运行时,还是评估"如何让 agent 在无人值守下可靠交付结果",Hive 的群落模型都值得作为生产选型的参考:从 ./quickstart.sh 开始,向 Queen 描述你的第一个结果目标,然后观察她如何试点、系统化并扇出整个群落。