Hive

Hive 快速入门：把「一堆任务」交给一个 queen 和她的 colony

这是什么？适合谁？

Hive 是 aden-hive/hive 开源的多 Agent 运行时，官方把它自己描述成「Multi-Agent Harness for Production AI」。它不要求你画一张 Agent 流程图，而是反过来：你向一个叫 queen 的常驻 Agent 描述要什么结果，她先自己动手做一件摸清这活需要什么，把方法沉淀成 skill 与 playbook，然后按工作单元的数量并行开出 worker，每个 worker 把自己那一行结果 upsert 进共享的 SQLite 跟踪表（tracker），queen 最后用 SQL 查一遍「哪些做完了、哪些还没做」，逐行核对后再给你答案。

一句话概括它与常见框架的差别（依据官方 README 的 FAQ）：主流框架让你先设计一张 Agent 图、再连边和端口；Hive 只有一种执行原语——agent loop，queen 是它，worker 是它的克隆，编排本身只是一次工具调用，Agent 之间不通过边传消息，而是通过磁盘上的跟踪表协作。

适合谁：

• 手上有大量同类工作单元的人——线索、账号、工单、仓库、文档，想并行处理且每次处理方式一致；
• 需要跑几个小时、或按 cron / 间隔 / webhook 自动醒来，并且要能扛住重启的任务；
• 结果需要被查、被审计、能断点续跑，而不是只在聊天窗口里读一段话；
• 坚持人在关键决策上拍板（Hive 有 human-in-the-loop 与 Sentinel 机制）。

不适合谁：只跑一次 prompt、或写一次性脚本的场景——官方自己也写了「For a single prompt or a one-off script, a plain agent is simpler」。

与站点已有的同类条目对比：CrewAI（本站 8.6）是角色分工 + 任务链的经典编排，你需要先把角色和任务写清；AutoGen（本站 8.6）围绕多方对话与代码执行体展开；Deer Flow（本站 8.5）偏研究型深度检索流水线。Hive 的差异点在「运行时持久化 + 并行克隆同一个 loop + 磁盘跟踪表」，而不是角色扮演或对话拓扑。

核验日期：2026-10-30。依据 官方仓库 README、官方文档站、GitHub API。

准备工作

• Python 3.11+、Node.js 20+、git（README 的 quickstart 前置条件；脚本会在缺失时安装 uv 与 ripgrep，并询问是否安装 Node）。
• 一个模型。quickstart 支持四类来源：① Anthropic / OpenAI / Google Gemini / Groq / Cerebras / OpenRouter 的 API key；② 你已经在付的编码订阅（Claude Code、OpenAI Codex、Kimi Code、MiniMax、Z.AI、Antigravity）；③ Hive LLM；④ 本地 Ollama，完全不需要 key。
• 磁盘空间与目录习惯：会话、colony、tracker、memory 都是 ~/.hive 下的普通文件（可用 HIVE_HOME 改），API key 也加密存在那里。
• 时间预算：装完到跑通第一个 colony，官方路径大约 20–40 分钟（含依赖安装与建 dashboard），真正跑任务的时间取决于你选的模型与工作单元数量。

费用提示：软件本身 Apache-2.0 免费，模型调用是另一笔钱。README 明确「目前没有按美元的消费上限」——只有每个 worker 的轮次/工具调用硬上限与并发上限，所以第一次跑建议用小模型或 Ollama，别直接挂贵模型跑几百个单元。

安装与首次启动

从仓库装（官方推荐路径）

git clone https://github.com/aden-hive/hive.git
cd hive
./quickstart.sh          # macOS / Linux

Windows：

git clone https://github.com/aden-hive/hive.git
cd hive
.\quickstart.ps1         # PowerShell 5.1+

quickstart 会做四件事：为整个 workspace 建一个 Python 环境；把 API key 加密存到 ~/.hive；问你要用哪个模型；构建 dashboard 并在 http://127.0.0.1:8787 打开它。以后回来只需要在仓库目录执行 hive open。

不用仓库装

pip install "aden-hive[tools]"
hive open

这是 README 给出的「没有仓库时」的路径。注意官方明确的坑：这个仓库是 uv workspace，在仓库根目录执行 pip install -e . 装到的是一个不能跑的占位包，必须用 quickstart。

成功判定

dashboard 在 8787 打开、能看到 Home 上的 queen/colony 地图、并且能新建一个 colony 而不报模型错误，就算装好了。

首个任务：让 growth queen 去查五款产品在 Hacker News 上的发布表现

下面这条是官方 demo 的真实场景（不是编的例子）：一个 growth 团队要发 Show HN，想知道五款开发工具各自在 Hacker News 的发布情况。

1. 在 dashboard 首页输入：

   帮我查这五款工具在 Hacker News 上的发布表现：PostHog、Cal.com、Supabase、Railway、Neon。
   只要真正的发布贴（Show HN / Launch HN / YC launch），不要顺带提到它们的评论。
   最后给我一张带来源链接的表。
   

2. 选择 Head of Growth 这位 queen，把任务交给她。

3. 她会先问那个会改变答案的问题（这次是「所有发布贴，还是只算每款产品的首次发布」）。回答之后，她提出一个 colony 方案（五款产品 = 五个并行工作单元），由你批准。

4. 她先自己做其中一行（demo 里是 PostHog），搞清「什么才算一条真正的发布贴」，用 Hacker News API 核对数字，并把方法存成可复用的 skill。

5. 然后 fan out：playbook 为每款产品开一个 worker，各自按她的 skill 干活，并把结果写进 colony 的 tracker（共享 SQLite 表）。

6. 她逐行检查后再回答你，并且会改错——demo 里 Cal.com 那一行的 worker 把旧名 Calendso 的一条贴算成了发布贴，queen 把它清掉，图上显示「未找到」而不是「0」。

预期产出：一份带来源链接、可点开的表 + 一张图表；tracker 里每行都有出处。

成功判定：~/.hive/colonies/<colony 名>/tracker/tracker.db 里能看到一张有数据的表，并且 queen 的最终回答里每条数字都能对回某一行。

初级用法

1. 用 Prompt Library 跳过「怎么开口」

dashboard 里有现成的 prompt 库，按 queen 的职责分类。第一次不知道该怎么描述任务时，先从库里挑一条发出去，看 queen 怎么把它拆成 colony，再改。

2. 换 queen 试同一件事

Hive 自带 13 位人设 queen，默认启用 6 位（Growth、RevOps、Content、Lead Generation、Outbound、Brand & Design），其余从 Org Chart 里招。同一个任务交给不同 queen，她会用不同的工具与提问方式——这也是理解「queen 的人设到底影响什么」的最快办法。

3. 只让它做一行，别急着 fan out

先用一个工作单元跑通整条链路（提问 → 自己做 → 写 skill → 落 tracker），确认输出格式与出处是你想要的，再放开并行数量。并行 10 个 worker 用的是同一个错误的 skill，会得到 10 行同样错的数据。

高级玩法

1. 让 queen 把方法固化成 playbook，然后反复重跑

run_playbook 会把一套已验证的方法跑到 tracker 的每一行上，带重试、退避、限速通道与死信列表。因为「还剩什么」永远是重新查 tracker，重跑会从断点继续，不会重复做已完成的行。适合每周固定跑一次的名单核查、竞品上新监测。

2. 用 Sentinel 把「她停下来了」变成一条通知

Sentinel 按 colony 逐个开启（opt-in）：queen 停下来时它先 nudges 一次，还是不动就通过 Hive inbox、Telegram 或 Slack 升级到你，你一回复她就继续。等于给长时间无人值守的 colony 配了一个值班人。

3. 定时与 webhook 触发

colony 可以按 cron、固定间隔或 webhook 自己醒来。把「每天 09:00 查一遍这 20 个账号的新动态」做成 colony，比写一个脚本再加一层调度更容易维护，因为方法本身以 skill 的形式跟着 colony 走。

4. 用 Browser Bridge 在「已登录的浏览器」里干活

官方提供 Chrome 扩展，让 Agent 在你自己的浏览器里操作，每个 worker 分到独立的 tab group。需要登录态的内部系统、后台，这条路比让 Agent 自己维护一套 cookie 现实得多。

5. 把 worker 换成更便宜的模型

worker 可以和 queen 用不同的模型（都走 LiteLLM）。queen 用强模型做规划与核对，worker 用便宜模型批量执行，是这套架构最直接的成本优化手段。

五个小技巧

1. 先问「你要几行」再问「怎么做」：明确工作单元数量（五款产品 / 300 条线索），queen 才能给出合理的 colony 规模。
2. 把「什么算合格」写进第一句：demo 里那句「只要真正的发布贴」直接决定了 worker 的判据，比事后返工便宜。
3. worker 并发默认 4，其余排队。想快就加并发，但先确认模型侧没有速率限制。
4. 数据都在 ~/.hive：备份这个目录就等于备份了会话、colony、tracker 与记忆；换机器时也只需要搬它。
5. hive mcp add 接 MCP Server 时，加进来的工具会和内置工具走同一套 allowlist，别以为外接的更宽松。

常见踩坑

坑 1：在仓库根目录 pip install -e . 之后发现跑不起来

现象：装完执行 hive 报错或什么都不做。 原因：这是一个 uv workspace，根目录的可编辑安装装到的是占位包，官方 README 明确写了「won’t run」。 解决：用仓库里的 quickstart.sh / quickstart.ps1；或者离开仓库改用 pip install "aden-hive[tools]"。

坑 2：以为「重启后 Agent 会接着原来的那一步跑」

现象：机器或服务重启后，任务看起来回到起点。 原因：Hive 保存的是状态（每步落盘、可 resume），不是进程。worker 的会话能续上，但你中断时正在跑的那一次工具调用不会凭空重放。 解决：把长时间任务拆成「行」，让 tracker 记录进度；中断后用 run_playbook 从 tracker 的剩余行继续，而不是指望一次调用跑完。

坑 3：一次 fan out 太多，账单和速率限制一起爆

现象：worker 大批 429，或者模型账单远超预期。 原因：README 明说没有按美元的消费上限，只有轮次/工具调用硬上限与并发上限。 解决：先用小模型或 Ollama 试；把并发压到 4 左右；再逐步放开。真要紧的项目先把 token 预算算一遍。

坑 4：把 queen 的人设当成「人事管理」，指望它自带行业知识

现象：换成 Content queen 后，产出并没有突然变专业。 原因：人设影响的是她问什么、用哪些工具、怎么写记忆，行业判断仍来自模型与你给的资料。 解决：把行业规则写进 skill 或 PRODUCT 类上下文文件，让人设负责流程、资料负责事实。

坑 5：没批准 colony 方案就催它开工

现象：任务卡在「等你确认」那一步。 原因：这是设计——queen 提出 colony 规模后需要你批准，这是 human-in-the-loop 的一环，不是 bug。 解决：看清楚规模与并发再点批准；规模不对就回一句改需求，别直接催。

坑 6：把 tracker 当临时表随手删

现象：重跑时同一批工作单元被重新做一遍。 原因：tracker 是 colony 的共享状态，「还剩什么」全靠它。 解决：~/.hive/colonies/<name>/tracker/tracker.db 纳入备份；要重来就换一个新 colony 名，别原地清表。

常见问题 FAQ

Q1：Hive 和 CrewAI、AutoGen 是同类产品吗？

A：解决的问题有重叠，做法不一样。CrewAI 让你先定义角色与任务链，AutoGen 围绕多方对话与代码执行；Hive 只保留一种 agent loop，queen 是它、worker 是它的克隆，编排是运行时的工具调用，协作靠磁盘上的共享 SQLite 表。官方 README 的 FAQ 里给的就是这个对比。

Q2：要花钱吗？

A：软件是 Apache-2.0，免费。花钱的是模型：可以接 API key（Anthropic / OpenAI / Gemini / Groq / Cerebras / OpenRouter）、你已有的编码订阅、Hive LLM，或本地 Ollama。README 明确目前没有按美元的消费上限。

Q3：我的数据会传出去吗？

A：默认全部留在本机 ~/.hive（可用 HIVE_HOME 改），API key 在本地加密存储。会出网的只有模型调用本身——用的是哪家模型，数据就发到哪家。用 Ollama 可以做到不出网。

Q4：能跑在 Windows 上吗？

A：可以。README 给了 PowerShell 5.1+ 的 quickstart.ps1。仓库本身是 Python + Node 的 workspace，没有声明只能在类 Unix 上跑。

Q5：它适合替代我在用的自动化脚本吗？

A：只在「工作单元多、方法要一致、结果要能查能续」时值得换。单次任务或纯脚本，官方建议直接用普通 Agent。另外它给的是运行时能力（预算、恢复、审计），不替你做业务判断。

Q6：记忆 benchmarks 里的数字能当结论吗？

A：只当官方自述。README 用 LongMemEval 跑出 Hive 记忆 88.4%（S）/ 82.0%（M），同一页也写明「整段历史都塞得进上下文时，直接读历史仍然更准（96.8%）」——也就是说记忆方案胜在长历史放不进上下文的场景，不是一个全面更优的结论。

成本、权限与安全边界

• 成本：软件免费；模型费用由你选择的 provider 决定。Hive 提供的是轮次/工具调用/并发上的硬上限与「每次模型调用都计量」，不提供美元级预算，所以第一次大规模跑之前要自己估算。
• 权限：内置工具包含 shell 命令、后台任务、文件编辑、代码搜索、PDF/图片、网页抓取、图表、CSV 与图片生成，都在 Hive 进程内运行。这意味着给 Hive 的机器权限就是你给它的权限，建议先放在专用机器或虚拟机里。
• 凭据：API key 加密存在 ~/.hive。Browser Bridge 让 Agent 在你的浏览器里操作，登录态等于被它使用——按最小权限原则给它单独的浏览器配置更稳妥。
• 数据：会话、colony、tracker、memory 都是明文文件（除了 key）。谁拿到这台机器，谁就能读到你的业务数据。
• 代码执行：官方强调每个 worker 有硬工具调用预算与卡死检测，但这不等于沙箱隔离——需要强隔离时应配合容器或专门的 Agent 沙箱运行时（例如本站收录的 NVIDIA OpenShell）。

进阶学习建议

一条从「跑通」到「跑稳」的路径，全部基于官方文档结构：

1. 先读概念页，而不是先读配置。 官方文档把 colony、queen、worker、coordination、the loop、goals & outcomes、improvement 分成七页。其中 the loop 与 coordination 解释了「为什么并发 4 个、为什么结果走 tracker」，读完再调参数不会南辕北辙。
2. 接着读架构总览：docs/architecture/README.md 讲了 loop、工具面、记忆、人类监督与「崩溃后状态如何存活」，这是自己写 worker 之前必读的部分。
3. 把 run_worker / run_playbook / tracker_upsert 三个原语抄进自己的第一个 colony，用五到十个单元跑一遍，观察死信列表是怎么产生的。
4. 读记忆基准页再决定要不要开记忆：docs/memory-benchmark.md 给了方法论、分项结果与局限——它自己就写了「历史装得下时不如直接读历史」。
5. 最后看扩展面：docs/tools.md（内置工具 + MCP + 集成目录）与 docs/building-on-hive.md（在自己的项目里依赖 aden-hive）。
6. 社区侧：Discord 问用法，GitHub issues 提 bug；贡献前官方要求先认领 issue（#2805 是工具/集成/skill 的入口）。

免责声明

本文基于官方文档和公开资料整理，AI辅助生成，MagicNetWorld 尚未完成独立实测。

未在干净的 Python 3.11 环境里执行 quickstart，未验证 dashboard 在 Windows 上的实际表现，未实测 colony 的并发上限、崩溃恢复与 Sentinel 通知链路是否如文档描述。文中所有能力、数字与限制均转述自官方 README、官方文档站与 GitHub 公开数据，属官方自述。

参考链接

• 官方仓库 README：定位、quickstart、概念、内置工具、模型支持、FAQ、许可
• 官方文档站（Aden Hive Documentation）：概念页与自托管说明
• 架构总览：loop、工具面、记忆、监督与崩溃恢复
• 记忆基准页：LongMemEval 方法与局限
• Apache-2.0 许可
• GitHub API：stars / forks / 未关闭 issue / 创建与最近推送时间