人工智能AI Agent多智能体MCP 服务工具调用浏览器控制【免费下载链接】hiveMulti-Agent Harness for Production AI项目地址https://gitcode.com/gh_mirrors/hive48/hive点击查看免费下载本篇技术指南以仓库内的俄语本地化 READMEdocs/i18n/ru.md即项目主 README 的完整俄语翻译为骨架系统讲解 Hive —— 一个面向生产负载的多智能体运行层Agent Harness如何通过「Queen Worker 克隆」的 Colony集群模型以「一个循环控制多个循环」的单一执行原语把 AI Agent 从原型推进到可审计、可恢复、可成本控制的生产环境。读完你将掌握Hive 的核心架构思想、快速安装与创建第一个 Agent 的完整流程、run_worker并行分发的运行机制以及 park/resume、Sentinel 人工介入、成本控制等生产级可靠性特性的底层原理并学会如何在仓库内进一步查阅架构与配置文档。一、项目概览零配置、模型无关的 Agent Colony 运行时Hive项目仓库名称为 hive48/hive项目描述为 Multi-Agent Harness for Production AI是一个零配置zero-setup、模型无关model-agnostic的 Agent 运行时它的基本部署单元不是单个 Agent也不是手工连接的 Agent 图而是Colony集群——一组专门化的 Agent 协作完成一个业务过程Queen蜂后持久的、面向客户端的负责人负责对话、计划与集群本身Worker工蜂按任务需要动态生成的工作 Agent负责并行、长时运行的具体工作。你只需描述期望的结果outcomeQueen 先自己完成工作然后围绕这项工作生长出一个 Colony 来可靠地规模化执行。正如 架构总览 所述Hive 的工作单元不是一个 Agent也不是一张手工连接的 Agent 图而是一个 Colony。底层机制一个循环控制多个循环one loop controlling many loopsHive 只有一个执行原语AgentLoopAgent 循环见 core/framework/agent_loop/agent_loop.py。Queen就是一个 AgentLoop每个 Worker 都是它的克隆clone——相同的工具、相同的提示词、相同的模型只是拥有更紧的预算和被注入的单一任务。架构文档引用了 core/framework/host/colony_runtime.py 中的原话每个 worker 都是 queen 的 AgentLoop 的精确副本——相同的工具、相同的提示词、相同的 LLM……ColonyRuntime 同时取代了 AgentHost 与 ExecutionManager。没有图、没有边、没有节点、没有数据缓冲区。只是派生 N 个独立克隆让它们运行收集结果。没有需要编译的图graph没有需要编写的编排样板代码。Colony 通过四个轻量级基质substrate进行协调一个共享的 SQLite tracker分类账、一个持久的任务计划task plan、一个事件总线event bus和一个提醒中枢reminder hub取代了传统工作流图中的边与数据缓冲区。崩溃安全的状态、深度的可观测性与人工监督全部内建在每一个 Agent 共享的这一个原语之中。快速链接仓库内导航English README 简体中文 Español हिन्दी Português 日本語 Русский 한국어开发者指南 快速开始 配置指南 架构总览路线图 参与贡献 安全说明 许可证Apache 2.0二、核心功能特性根据俄语 README 的「Возможности功能特性」清单Hive 提供✅Agent 集群Colonies of agents——Queen 按需派生 worker 克隆用于并行、长时间运行的工作✅单一原语、多个循环One primitive, many loops——无需手工连接图Queen 在运行时生长出 Colony✅共享 tracker 分类账 持久任务计划——无需数据缓冲区即可实现协调✅Queen 人设personas——带 CEO 式路由与有界演进的记忆scoped memory✅崩溃安全的暂停/恢复park/resume、成本控制、带外人工介入Sentinel✅零配置Zero Setup——无需任何技术配置✅通用计算使用General Compute Use与浏览器使用Browser Use——通过原生扩展提供✅自定义模型支持Custom Model Support。从源码看 Worker 的收紧预算到底是多少俄语 README 说 Worker 是 Queen 的克隆但拥有更紧的预算具体数字可在 core/framework/agents/queen/worker_definition.py 的DEFAULT_LOOP_CONFIG中确认这是 worker 工具调用画像的单一事实来源配置项Worker 默认值含义max_iterations33 轮工作迭代grace_iterations11 轮宽限迭代保证收尾上报tool_call_budget30每轮工具调用软预算配合tool_call_hard_multiple: 3形成 30/60 软检查点、90 硬停止tool_call_lifetime_budget200跨所有轮次的累计工具调用上限防止 worker 无限发散max_context_tokens180_000上下文窗口上限作为对比Queen 的循环配置999_999 次迭代、180k 上下文针对长时间对话监督调优。**宽限迭代grace iteration**是 worker 特有的收尾轮即使它耗尽迭代预算仍被限制只能调用report_to_parent/tracker_upsert/task_update来上报结果——没有这一轮耗尽预算的 worker 会静默死亡Queen 将永远收不到回音。三、Hive 为谁而建何时使用目标人群Who Is Hive ForHive 是面向将 AI Agent 从原型推向生产的团队的多智能体运行层。文档指出像 Openclaw、Cowork 这类单 Agent 方案能很好地完成个人任务但缺乏执行业务流程所需的严谨性。Hive 适合你如果你希望 AI Agent执行真实的业务流程而不是演示demo你需要一个在规模上处理状态、恢复与并行执行的运行时你需要能通过反思reflexion、记忆与习得技能持续自我改进的适应性 Agent你要求人工介入控制human-in-the-loop、可观测性与成本上限你计划在生产环境中运行 Agent——此时正常运行时间、成本与可审计性至关重要。反之如果你只是在实验简单的 Agent 链或一次性脚本Hive 可能不是最佳选择。使用时机When Should You Use Hive当瓶颈不再是模型、而是模型周围的运行层harness时就该用 Hive长时间运行的 Agent需要状态持久化与崩溃恢复生产负载需要成本执行、可观测性与审计日志需要随时间改进的 Agent反思、有界记忆、习得技能并行的多 Agent 工作通过共享 tracker 分类账与持久计划协调需要一套随模型进步而扩展、而非与模型搏斗的框架。四、快速开始Quick Start前置要求PrerequisitesPython 3.11用于 Agent 开发一个 LLM 提供商为 Agent 提供算力ripgrep可选Windows 上推荐terminal_rg/terminal_glob搜索工具使用 ripgrep 加速文件搜索若未安装则回退到 Python 实现。Windows 安装方式winget install BurntSushi.ripgrep或scoop install ripgrep。Windows 用户原生 Windows 支持通过quickstart.ps1与hive.ps1提供请在 PowerShell 5.1 中运行。WSL 也可用但并非必需。安装Installation重要提示Hive 使用uvworkspace 结构不通过pip install安装。在仓库根目录执行pip install -e .只会创建占位包Hive 将无法正常工作。请务必使用下面的快速启动脚本配置环境。# 克隆仓库 git clone https://gitcode.com/gh_mirrors/hive48/hive.git cd hive # 运行快速启动配置macOS/Linux ./quickstart.sh # WindowsPowerShell .\quickstart.ps1该脚本将完成以下安装framework——核心 Agent 运行时与 Colony 运行时位于core/.venvaden_tools——Agent 能力所需的 MCP 工具位于tools/.venvcredential store——加密的 API 密钥存储~/.hive/credentialsLLM provider——交互式默认模型配置包含 Hive LLM 与 OpenRouter通过uv安装所有 Python 依赖最后会在浏览器中打开 Hive 界面。提示之后想重新打开控制面板在项目目录执行hive open即可。创建你的第一个 Agent在主屏幕输入框中输入你想构建的 Agent 描述。Queen 会向你提问并与你一起推敲出解决方案——这是「CEO 式路由」的第一步你不需要从菜单里挑选 Agent路由由 LLM 自动完成。使用模板 Agent点击 Try a sample agent 浏览模板。你可以直接运行某个模板也可以基于现有模板构建自己的版本。仓库内置了丰富的可运行示例见 examples/templates例如competitive_intel_agent竞品情报、deep_research_agent深度研究、email_inbox_management邮箱管理、email_reply_agent邮件回复、job_hunter求职、local_business_extractor本地商家信息抽取、meeting_scheduler会议排程、sdr_agentSDR 外联、tech_news_reporter科技新闻、twitter_news_agentTwitter 新闻、vulnerability_assessment漏洞评估等。每个模板都包含agent.py、config.py、flowchart.json、mcp_servers.json等文件是研究 Agent 定义与工具接入方式的直接样例。运行 Agent选中一个 Agent已存在的或示例 Agent即可运行。你可以点击左上角的Run按钮也可以直接与 Queen 对话让它替你运行 Agent。五、为什么选择 Hive工作原理五步走Hive 的核心理念随着模型进步Agent 能力的上限不断提高——但它们的可靠性与生产价值由运行层harness决定。Hive 聚焦于运行真实业务流程而非制造通用 Agent。它翻转了范式你描述结果Queen 先自己完成工作再生长出 Colony 来规模化它——这是一种结果驱动、自适应的体验。结果驱动的工作流源自俄语 README 的 mermaid 图How It Works五步详解描述结果→ 用自然语言说出你想要什么一个 CEO 式路由router挑选合适的 QueenQueen 试飞pilot→ 她自己完成一个工作单元验证路径并记录到共享 tracker系统化Systematize→ 她将验证过的协议提炼为「技能skill 剧本playbook」——一个可重复的过程发散Fan out→run_worker派生 worker 克隆它们并行运行并回报结果收敛与监控Converge monitor→ Worker 把结果写入 trackerQueen 通过 SQL 校验进度配合实时指标、预算执行与崩溃安全恢复。源码视角run_worker的运行时契约run_worker是 core/framework/tools/queen_lifecycle_tools.py 中 Queen 在 Colony 阶段使用的唯一委托工具其调用形态见 架构总览run_worker(tasks[{task: ..., data: {...}}, ...], timeout600)即发即忘fire-and-forgetrun_worker立即返回Worker 在后台运行Queen 保持不被阻塞可以继续与用户对话或分发更多工作报告以回合形式回家Worker 完成时发出SUBAGENT_REPORT事件Queen 在自己的对话中将其视为[WORKER_REPORT]用户回合——状态、一段摘要、可选的结构化载荷并发是被调度的而非手动的Colony 接纳全部 N 个任务最多max_concurrent_workers默认 4环境变量HIVE_MAX_CONCURRENT_WORKERS同时运行其余排队随先行的 peer 终止而启动Queen 可以看到running_now/queued/batch_remaining的分割超时先软后硬timeout默认 600 秒是软截止会向每个仍在运行的 worker 注入立即上报提醒由它推导出的硬截止会强制停止掉队者。被强制停止或超时的 worker 可通过resume_worker_ids可选guidance从保存的对话中恢复。六、集成能力IntegrationHive 被设计为模型无关、系统无关model-agnostic and system-agnosticLLM 灵活性Hive Framework 通过 LiteLLM 兼容提供商支持 Anthropic、OpenAI、OpenRouter、Hive LLM 以及其他托管或本地模型。相关实现见 core/framework/llmprovider、anthropic、litellm 等模块。业务系统连接Hive Framework 被设计为通过MCP将各类业务系统作为工具接入——CRM、客服、消息、数据、文件与内部 API 均可。仓库内置 MCP 工具集位于 tools/src/aden_tools/tools含 228 个 Python 工具文件与 101 个 Markdown 说明并通过 core/framework/loadermcp_client、mcp_registry、tool_registry 等完成 MCP 服务器连接与工具注册。因为 Queen 与其 worker 共享同一工具面tool surface你添加的任一能力都会对整支 Colony 生效——这也是克隆模型的直接收益之一。七、生产级可靠性内建在原语中的保障俄语 README 强调崩溃安全的暂停/恢复、成本控制、带外人工介入Sentinel是核心特性。从 架构总览 可以看到因为每个角色都是同一个循环运行层的可靠性特性只实现一次、全员继承1. Park / Resume暂停/恢复循环把游标cursor持久化到磁盘在需要等待时驻留park触发点包括ASK_USER、CREDENTIAL_FORM、COLONY_SUGGESTION、AWAITING_QUEEN、USER_STOPPED、COLD_INTERRUPTED运行时中途死亡、LLM_ERROR、DOOM_LOOP等。磁盘是事实来源崩溃或重启后精确地从上次位置恢复实现见 core/framework/agent_loop/internals/cursor_persistence.py。2. 上下文管理压缩 指针模式长时间会话通过结构保持型压缩structure-preserving compaction与**指针/溢出模式pointer/spillover pattern**保持在上下文预算内大型工具结果被持久化到磁盘对话中只保留一个紧凑的文件引用Agent 按需通过load_data()解引用指针能挺过压缩系统提示词每回合列出所有溢出文件。3. 停滞与死亡循环检测TTFT/事件间隔流看门狗watchdog加上 n-gram 相似度检查捕获卡住的回合与重复的工具调用避免在它们烧掉预算前被忽视。4. Judge 门控终止Judge-gated termination一个回合只有通过 judge 流水线core/framework/agent_loop/internals/judge_pipeline.py才会被接受。三级判定Level 0输出键是否齐备、工具是否仍在执行→ Level 1自定义JudgeProtocol可全权给出ACCEPT/RETRY/ESCALATE→ Level 2无自定义 judge 时对success_criteria的质量门控。RETRY的反馈以[Judge feedback]用户消息注入下一回合 Agent 看到自己的前次尝试与批评并做出调整——这就是会话内反思in-context reflexion无需重训模型。5. 带外人工介入Sentinel人机协同人工监督不是放在图中的节点而是一条带外out-of-band通道 Sentinel当 Queen 需要人审批、判断、缺失的凭据时她通过绑定账号的Slack/Telegram频道升级escalate。循环驻留park并把状态持久化到磁盘当人类回复时答案被注入循环精确恢复。因为升级内建于原语而非图中Colony 中的任何 Agent 都可在任意时刻暂停等待人工判断并且可以暂停数分钟、数小时甚至数天而不丢失位置。实现位于 core/framework/sentinelmanager、notifier、store、token 等模块与 core/framework/agent_loop/internals/sentinel_tool.py。6. 成本控制Hive 提供细粒度预算控制消费上限、限流throttles与自动模型降级model degradation策略。可在团队、Agent 或工作流级别设置预算并提供实时成本追踪与告警。相关机制见 core/framework/rate_limiter.py 与 core/framework/llm/key_pool.py 等模块。八、关键概念导航读懂 Colony 的内部结构Colony 的一切围绕同一原语的不同设置展开仓库 docs/key_concepts 目录提供了系统性的概念讲解Colony 是部署单元colony.md磁盘上一个 Colony 就是一个目录colonies/name/内含 Queen、worker 克隆、tracker.db共享 SQLite 分类账与任务计划。三个特性可移植导出为 tarball 并在他处导入POST /api/colonies/import、可调度cron 触发器直接射入 Queen 的会话集群可按钟表自我唤醒、长寿命Queen 跨会话持久worker 随工作需要来去。一个循环多种设置the_loop.md循环由LoopConfig配置。Queen 与 Worker 是同一代码、不同预算维度QueenWorker 克隆角色持久、面向客户端的负责人临时的单一任务执行者迭代近乎无上限~3 工作 1 宽限工具预算宽裕紧凑另有生命周期上限升级可升级给人类无——快速失败并上报记忆有界、演进无每次全新开始Queen 是身份不是通用协调器queen.mdHive 内置13 个 YAML 定义的默认 Queencore/framework/agents/queen/queen_defaultssales、growth、legal、finance、talent、technology、operations、product strategy、brand design、content、market research、outbound、lead-gen——每人设有人设特征、背景与行为触发器注入其系统提示词。每个 Queen 还携带Queen Memory v2core/framework/agents/queen/queen_memory_v2.py按全局/按集群/按 Queen 作用域的 markdown 记忆文件通过冷却门控cooldown-gated的反思代理写入、由召回选择器recall_selector读取——不是向量数据库而是结构化文件。Worker 是刻意残缺的克隆worker_agent.mdWorker 专注、临时、快速失败无记忆、无人设、无升级通道不能中途提问、不能委派不能派生自己的 worker嵌套被禁止。其终结动作是report_to_parent(status, summary, data)success/partial/failed三态。工具调用失败时先分类再重试瞬态→重试一次结构性可修复→修复后重试一次结构性不可修复→停止不会在 workaround 上死循环。协调基质coordination.mdTracker每个集群唯一的tracker.db由不可变的ColonyBinding {name, dir, tracker_db}core/framework/host/colony_binding.py标识并穿透到 Queen 与每个 worker没有绑定的工具拒绝执行而非猜测路径从根本上防止幻影集群的脑裂写入任务计划文件支撑的任务系统core/framework/tasks承载意图比任何单次运行都活得久事件总线core/framework/host/event_bus.pySUBAGENT_REPORT把 worker 结果带回 QueenCLIENT_*事件把实时记录推给 UI提醒中枢core/framework/agent_loop/reminders.pyReminderHub/ReminderSource/ReminderPoint在生命周期点SESSION_START、POST_TOOL_USE、TOOL_BUDGET_CHECKPOINT、PRE_COMPACT、POST_COMPACT、STOP与时间点IDLE_TICK、STREAM_STALLED注入顾问式system-reminder让 Queen 保持舰队感知重提在途 worker 防重复派发、在预算检查点快照 tracker 表与实时 worker 舰队、建议把已验证的 pilot 提炼成 playbook 等——这是工程化的注意力管理。集群如何随时间改进improvement.md四种带内机制会话内反思judge 反馈注入对话记忆、Queen Memory v2冷却门控反思写入作用域 markdown 并在后续会话召回、习得的工具门控技能Queen 验证过的协议在所需工具出现时激活并加入基线、系统化独立 → 孵化 → pilot → playbook 的成长弧把一次成功变成确定性、可恢复、跨 worker 克隆收敛整批任务的过程。九、FAQ 精要源自俄语 READMEQ: Hive 支持哪些 LLM 提供商A: 通过 LiteLLM 集成支持 100 提供商包括 OpenAIGPT-4、GPT-4o、AnthropicClaude 系列、Google Gemini、DeepSeek、Mistral、Groq、OpenRouter 与 Hive LLM。只需设置对应的 API 密钥环境变量并指定模型名各提供商的配置示例见 docs/configuration.md。Q: 能否使用 Ollama 等本地模型A: 可以Hive 通过 LiteLLM 支持本地模型使用ollama/model-name的模型名格式例如ollama/llama3、ollama/mistral并确保 Ollama 在本机运行。Q: Hive 与其他 Agent 框架有何不同A: Hive 运行的是Agent 集群colonies而非单 Agent 或手工连接的 Agent 图。大多数框架要求你把独立的节点与边编译成图Hive 只有一个执行原语——Queen就是AgentLoop每个 worker 都是它的克隆。编排是运行时的run_worker发散而非编译后的 DAG集群通过共享 tracker 分类账协调而非数据缓冲区。在该一个循环、多个循环核心之上Hive 是生产运行层——崩溃安全 park/resume、成本执行、实时可观测性、带外人工介入——因为只有一种 Agent所以每个 Agent 都继承这一切。Q: Hive 是开源的吗A: 是的完全开源采用 Apache 2.0 许可证见 LICENSE。Q: Hive 支持人机协同工作流吗A: 支持。Queen 通过Sentinel绑定账号的 Slack/Telegram 通道带外升级给人类Agent 循环驻留状态持久化到磁盘、通知人类、人类回复后精确恢复。升级不是图中的节点因此集群中任何 Agent 都可在任意时刻暂停等待人工判断并支持可配置的超时与升级策略。详见 架构总览。Q: Hive 支持哪些编程语言A: Hive 框架由 Python 编写核心运行时代码位于 core/frameworkJavaScript/TypeScript SDK 在路线图上。Q: Hive Agent 能与外部工具和 API 交互吗A: 可以。集群中每个 Agent 都有内建工具访问能力Hive 通过 MCP 连接外部 API、数据库与服务——包括 100 集成工具以及通过原生扩展提供的 General Compute Use 与 Browser Use。因为 Queen 与 worker 共享单一工具面你添加的能力对整支集群可用。Q: 成本控制如何运作A: Hive 提供细粒度预算控制包括消费上限、限流与自动模型降级策略可在团队、Agent 或工作流级别设置预算并配套实时成本追踪与告警。十、多语言文档与后续阅读俄语版 READMEdocs/i18n/ru.md是项目主 README 的完整本地化翻译之一仓库同时维护 简体中文、Español、हिन्दी、Português、日本語、한국어 等版本便于不同语言背景的开发者阅读同一份核心文档。进一步深入阅读建议按以下顺序架构总览docs/architecture/README.md——代码级参考ColonyRuntime、AgentLoop、tracker、judge 流水线、指针模式的完整机制关键概念系列docs/key_concepts/——Colony、The Loop、Queen、Worker Agent、Coordination、Improvement、Goals Outcomes 的分篇讲解配置指南docs/configuration.md——全部配置选项与提供商示例开发者指南docs/developer-guide.md——面向开发者的完整手册。仓库还包含大量可直接运行的示例 Agent 模板、MCP 集成指南、MCP 构建工具指南以及覆盖框架与工具层的测试套件core/tests、tools/tests是研究实现细节与验证行为的权威参考。十一、参与贡献、安全与许可Hive 欢迎社区贡献尤其期待帮助构建工具、集成与示例 Agent仓库内贡献说明见 CONTRIBUTING.md。重要提交 PR 前请先获得 issue 指派——在 issue 下留言认领维护者会分配给你附带可复现步骤与提案的 issue 会被优先处理这有助于避免重复劳动。标准流程为找到或创建 issue 并获指派 → 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。安全相关问题请参见 SECURITY.md本项目以Apache 2.0许可证发布见 LICENSE。小结Hive 的核心主张可以浓缩为五点——集群是部署单元一个 Queen 按需的 worker 克隆共享磁盘工作区、一个 tracker、一个计划一个循环控制多个循环单一AgentLoop原语既是 Queen 也是每个 worker编排是运行时的run_worker发散而非编译图无图的协调共享 SQLite tracker、持久任务计划、事件总线、提醒中枢取代边与数据缓冲区先执行后系统化独立 → 孵化 → 集群先 pilot 再提炼为 skill playbook 用run_playbook收敛可靠性内建在原语中磁盘级 park/resume、压缩 指针模式、停滞/死亡循环检测、judge 门控终止、带外 Sentinel 升级——因为只有一种 Agent所以每个 Agent 都继承全部特性。赞分享人工智能AI Agent多智能体MCP 服务工具调用浏览器控制【免费下载链接】hiveMulti-Agent Harness for Production AI项目地址https://gitcode.com/gh_mirrors/hive48/hive点击查看免费下载相关推荐Vector aws_ecs_metrics 源采集 AWS ECS / Fargate 容器指标的配置与实现解析Vector aws_ecs_metrics 源采集 AWS ECS / Fargate 容器指标的配置与实现解析 Vector 的 aws_ecs_metr人工智能AI Agent多智能体MCP 服务工具调用浏览器控制Hive 多智能体生产级 Harness 实战指南从 Colony 架构到快速上手Hive 多智能体生产级 Harness 实战指南从 Colony 架构到快速上手 导读 Hive 是一个面向生产环境的开源多智能体Multi Agent人工智能AI Agent多智能体MCP 服务工具调用浏览器控制OpenHive 生产级多智能体 Harness 实战指南Queen 驱动的 Colony 架构、快速上手与可靠性机制OpenHive 生产级多智能体 Harness 实战指南Queen 驱动的 Colony 架构、快速上手与可靠性机制 本指南以 OpenHive仓库 gh人工智能AI Agent多智能体MCP 服务工具调用浏览器控制创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
