Hivemind

为你所有的 agent 提供一个共享大脑

为 Claude Code • OpenClaw • Codex • Cursor • Hermes • pi • Claude Cowork (Alpha) agent 提供自动学习、云端支持的共享大脑。

在 [LoCoMo](https://arxiv.org/abs/2402.17753)（公开的长上下文记忆基准测试）上，与不使用共享记忆相比，Hivemind **成本降低 25%，token 消耗减少 1.7 倍，轮次减少 31%**。（[详见下方数据。](#benchmarks)）

**不仅是记忆。** Hivemind 不仅仅能记住。它会挖掘你团队的 trace 以寻找重复模式，并将其整理成可重用的 skill，这些 skill 会反向传播给团队中的每一个 agent。你初级工程师今天早上使用的 agent 会变得更敏锐，因为你高级工程师的 agent 在上周已经摸索出了经验。 - 📥 **捕获** 每一次会话的 prompt、tool 调用和响应，作为结构化 trace 存储在 Deeplake 中 - 🧠 **整理** 模式为可重用的 `SKILL.md` 文件，供你团队中的每个 agent 使用 - 🔍 **搜索** trace 和 skill，采用混合词法 + 语义检索（在关闭 embeddings 时回退到 BM25） - 🔗 **传播** 能力可跨会话、跨 agent、跨队友和跨机器实时同步 - 📁 **拦截** 通过由 SQL 支持的虚拟文件系统对 `~/.deeplake/memory/` 上的文件操作进行拦截 - 📝 **总结** 在会话结束时，通过后台 worker 将会话总结为 AI 生成的 wiki 页面 - ☁️ **BYOC**：将数据保留在你自己的 GCS、Azure、S3 或本地存储桶中。[查看安全与存储](#security--storage) ## 基准测试 在 [LoCoMo](https://arxiv.org/abs/2402.17753) 长上下文记忆基准测试中（100 个 QA 对，通过 `claude -p` 使用 Claude Haiku，混合词法 + 语义检索），与无记忆的基线相比，Hivemind 降低了成本、token 和轮次： | 指标 | 基线 | Hivemind | 提升 | |-------------------|----------|----------|------------------| | 成本 / 100 QA | $8.94 | $6.65 | **便宜 25%** | | 每个问题的 token | 1,700 | 1,008 | **减少 1.7 倍** | | 每个问题的轮次 | 8.9 | 6.2 | **减少 31%** | agent 能以更少的轮次和更少的上下文得出答案，因为之前的工作在检索时已经在范围内，而不需要每次会话重新推导。 ## 快速开始 一条命令，搞定你所有的 agent： ``` npm i -g @deeplake/hivemind && hivemind install ``` 安装程序会检测你机器上所有受支持的助手（见下表），配置好 hooks，并在打开浏览器进行登录前显示一行同意提示。安装完成后请重启你的助手。 **无头模式 / CI 安装：** 传入 API token，而不是使用浏览器流程： ``` HIVEMIND_TOKEN= hivemind install # 或 hivemind install --token ``` 从 https://deeplake.ai 的账户设置中获取 token。如果在非交互式 shell 中没有提供 token，安装程序会完成 hooks 配置但跳过登录；稍后运行 `hivemind login` 以启用共享记忆。 **仅为特定助手安装：** ``` hivemind install --only claude hivemind claude install # equivalent hivemind codex install hivemind claw install hivemind cursor install hivemind hermes install hivemind pi install hivemind claude_cowork install # Alpha ``` **检查配置情况：** ``` hivemind status ``` **受支持的助手：** | 平台 | 集成方式 | 自动捕获 | 自动检索 | |------------------|--------------------------------------------------|--------------|-------------| | **Claude Code** | 插件市场 | ✅ | ✅ | | **OpenClaw** | 原生扩展 | ✅ | ✅ | | **Codex** | Hooks (`hooks.json`) | ✅ | ✅ | | **Cursor** | Hooks (`hooks.json` 1.7+) | ✅ | ✅ | | **Hermes Agent** | Shell hooks (`config.yaml`) + skill + MCP server | ✅ | ✅ | | **pi** | Extension API (`pi.on(...)`) + skill + AGENTS.md | ✅ | ✅ | | **Claude Cowork** 🅰️ | MCP server (Claude Desktop) | 🅰️ Alpha¹ | ✅ | 🅰️ **Claude Cowork 处于 Alpha 阶段。** 自动检索（`hivemind_search` / `read` / `index` 工具）已经非常稳定。¹自动捕获仅涵盖 **Local Agent Mode** 会话 —— 这些会话会写入我们可以追踪的 transcript；普通的桌面聊天轮次不会留下可读的本地 trace，因此无法被捕获（[原因](#claude-cowork-alpha)）。 ### 其他安装方式

Claude Code 插件市场

如果你偏好 Claude Code 原生的插件市场： ``` /plugin marketplace add activeloopai/hivemind /plugin install hivemind /reload-plugins /hivemind:login ``` 每次会话开始时自动更新。手动更新：`/hivemind:update`。

OpenClaw ClawHub

``` openclaw plugins install clawhub:hivemind ``` 然后在聊天中输入 `/hivemind_login`，点击授权链接并登录。 #### 命令 | 命令 | 描述 | |---------|-------------| | `/hivemind_login` | 通过设备流程登录 | | `/hivemind_capture` | 开启/关闭捕获 | | `/hivemind_whoami` | 显示当前的组织和工作区 | | `/hivemind_orgs` | 列出组织 | | `/hivemind_switch_org ` | 切换组织 | | `/hivemind_workspaces` | 列出工作区 | | `/hivemind_switch_workspace ` | 切换工作区 | | `/hivemind_update` | 检查插件更新 | 默认情况下，自动检索和自动捕获已启用。数据存储在与 Claude Code 和 Codex 相同的 `sessions` 表中。 #### 与 `memory-core` 共存 Hivemind **并行于** OpenClaw 内置的 `memory-core` 插件运行。它**不会**占用 memory slot，因此 `memory-core` 的 dreaming cron (`"0 3 * * *"`) 和其他依赖 memory-slot 的任务仍能继续工作。Hivemind 会捕获会话活动并暴露自己的命令；`memory-core` 继续负责检索/提升/整理。 #### 故障排除 - **Hivemind 似乎很慢或没有响应。** 检查 `~/.openclaw/openclaw.json` 中 `agents.defaults.model` 下的 agent 模型。Hivemind 每轮会进行多次微小的 tool 调用；像 Opus 这样的大型推理模型会让人感觉运行缓慢。推荐使用的默认模型：`anthropic/claude-haiku-4-5-20251001`。 - **`openclaw model ` 提示“plugins.allow excludes model”。** `model` 插件 CLI 默认是禁用的。请直接编辑 `~/.openclaw/openclaw.json`（键值 `agents.defaults.model`）并重启网关：`systemctl --user restart openclaw-gateway.service`。 - **模型切换被拒绝，提示“not allowed”。** 请使用精确的、带有日期和提供商前缀的 ID（`anthropic/claude-haiku-4-5-20251001`、`anthropic/claude-sonnet-4-6`）。像 `claude-3-5-haiku-latest` 这样的旧版 ID 和不带前缀的纯 ID 不在 OpenClaw 的白名单中。 - **通过 Telegram 进行自我更新失败，提示“elevated is not available”。** 必须在 `tools.elevated.allowFrom` 中包含 `telegram`，提升权限的命令才能在该渠道中运行。更安全的替代方案：在本地 shell 中运行 `openclaw plugins update hivemind` 进行升级。 - **自我更新时出现 `npm error EACCES`。** OpenClaw 安装在了 root 用户拥有的 npm 前缀下（例如 `/usr/lib/node_modules/openclaw`）。请重新安装在用户可写的前缀下，或者在本地以适当权限运行更新，不要通过渠道运行。

Codex（手动）

让 Codex 获取并遵循安装说明： ``` Fetch and follow instructions from https://raw.githubusercontent.com/activeloopai/hivemind/main/harnesses/codex/INSTALL.md ``` 或者直接运行安装脚本： ``` git clone https://github.com/activeloopai/hivemind.git ~/.codex/hivemind ~/.codex/hivemind/harnesses/codex/install.sh ``` 重启 Codex 以激活。 **首次启动 — 信任 hooks。** 在运行 Hivemind 的 hooks 之前，Codex 会显示一个 **“Hooks need review”** 提示： ``` Hooks need review 2 hooks are new or changed. Hooks can run outside the sandbox after you trust them. 1. Review hooks › 2. Trust all and continue 3. Continue without trusting (hooks won't run) ``` 选择 **`2. Trust all and continue`** — 否则 hooks 不会运行，Hivemind 将保持未激活状态。

Cursor (1.7+)

统一安装程序会在 `~/.cursor/hooks.json` 中接入六个生命周期事件：sessionStart、beforeSubmitPrompt、postToolUse、afterAgentResponse、stop、sessionEnd。Hooks 会为每个事件在 `~/.cursor/hivemind/bundle/` 下 fork 一个 Node bundle。安装后重启 Cursor 以加载。 ``` hivemind cursor install ``` 自动捕获的启用方式与 Claude Code / Codex / OpenClaw 相同。

Hermes Agent

将 Shell hooks 接入 `~/.hermes/config.yaml`（`pre_llm_call` / `post_tool_call` / `post_llm_call` / `on_session_end`）以实现自动捕获，将 bundle 放置在 `~/.hermes/hivemind/bundle/`，在 `mcp_servers.hivemind` 下注册共享 MCP server（`~/.hivemind/mcp/server.js`），并在 `~/.hermes/skills/hivemind-memory/` 下安装一个兼容 `agentskills.io` 的 skill 以供检索。 ``` hivemind hermes install ```

pi (badlogic/pi-mono coding-agent)

将一个幂等的 BEGIN/END 标记块 upsert 到 `~/.pi/agent/AGENTS.md`（每轮自动加载）中，并在 `~/.pi/agent/extensions/hivemind.ts` 处放置一个 TypeScript extension。该 extension 订阅 pi 的生命周期事件（`session_start` / `input` / `tool_result` / `message_end`）以实现自动捕获，并将 `hivemind_search`、`hivemind_read`、`hivemind_index` 注册为 pi 的一等工具（first-class tools）。 ``` hivemind pi install ``` 注意：不会在 `~/.pi/agent/skills/` 下放置每个 agent 单独的 `SKILL.md`；pi 会从该目录以及共享的 `~/.agents/skills/` 位置读取 skill。如果 Codex 安装程序在同一台机器上运行过，pi 会自动从共享的 `~/.agents/skills/hivemind-memory` 符号链接中获取 Hivemind skill。无论哪种情况，AGENTS.md 块加上注册的工具都涵盖了所有操作面。

### Claude Cowork (Alpha) [Claude Cowork](https://support.claude.com/en/articles/11503834) 是 Anthropic 在 Claude Desktop 应用中内置的 agentic 助手。它**没有类似其他 agent 的 hook 生命周期** —— 它只能通过 MCP 与 Hivemind 通信 —— 因此该集成的工作方式不同，并以 **Alpha** 版本发布。 ``` hivemind claude_cowork install ``` 这会在 Claude Desktop 的 `claude_desktop_config.json` 中的 `mcpServers.hivemind` 下注册共享 MCP server（`~/.hivemind/mcp/server.js`）。**完全退出并重新打开 Claude Desktop** 以加载它。 **检索（稳定）。** Cowork 获得了 `hivemind_search`、`hivemind_read` 和 `hivemind_index` —— 与其他所有 agent 读取的相同的共享记忆。在每台主机的第一次工具使用时，结果前会添加一次性的数据收集通知。 **自动捕获 —— 工作原理。** 在没有 SessionStart/Stop hooks 可供捕获的情况下，MCP server 会运行一个后台提取程序，该程序会**追踪 Cowork 的 Local Agent Mode transcripts**（`~/Library/Application Support/Claude/local-agent-mode-sessions/**/.claude/projects//.jsonl`）。对于每一行新数据，它会向 `sessions` 表写入一行 `agent="claude_cowork"` 的记录（用户 prompt、助手消息、工具调用 + 结果），并通过每个 transcript 的行水位线进行去重。当某个 闲置 5 分钟后，它会被视为已完成，此时每个其他 agent 都在使用的相同 wiki-worker / skillify worker 就会对其运行（生成的摘要标记为 `claude_cowork` → 它会显示在 `hivemind_index` 中）。 **已知限制。** 只有 **Local Agent Mode** 会话（即 Cowork 打开其 sandbox/agent 并*进行工作*时）才会写入我们可以读取的 transcript。普通的**桌面聊天**轮次不会被捕获：根据 MCP 设计，server 永远看不到对话内容（只能看到模型发起的 tool 调用），而且聊天本身存在于 Anthropic 的云端 + 压缩的 claude.ai IndexedDB 缓存中，没有提供可读取的接口。要捕获这些内容，需要 Anthropic 官方提供导出/hook。 ### 卸载 ``` hivemind uninstall # remove from every detected assistant hivemind codex uninstall # remove from one ``` ## 工作原理 **捕获 → 整理 → 传播 → 复合。** 每一次 coding-agent 的交互（prompt、tool 调用、响应）都会作为结构化 trace 被捕获到 Deeplake 中。后台 worker 会挖掘这些 trace 以寻找重复模式，并将其整理成针对你的工作区范围的 `SKILL.md` 文件。经过整理的 skill 会在推理时传播到每个连接了 Hivemind 的 agent 上下文中。你初级工程师今天早上使用的 agent 会变得更敏锐，因为你高级工程师的 agent 在上周已经摸索出了经验。 ## 功能 ### 🔍 自然语言搜索 只需用自然语言向你的 agent 提问： ``` "What was Emanuele working on?" "Search traces for authentication bugs we've solved" "What did we decide about the API design?" "Show me skills my team has codified for handling migrations" ``` ### 🔒 隐私控制 完全禁用捕获： ``` HIVEMIND_CAPTURE=false claude ``` 启用 debug 日志： ``` HIVEMIND_DEBUG=1 claude ``` ## ⚠️ 数据收集声明 此插件会捕获会话活动并将其存储在你的 Deeplake 工作区中： | 数据 | 捕获内容 | |-----------------------|------------------------------------| | 用户 prompt | 你发送的每一条消息 | | Tool 调用 | Tool 名称 + 完整输入 | | Tool 响应 | 完整的 tool 输出 | | 助手响应 | agent 的最终回复 | | Subagent 活动 | Subagent 的 tool 调用和响应 | | 整理出的 skill | 从 trace 中提取的模式 | **你的 Deeplake 工作区中的所有用户都可以读取这些数据。** 这是设计使然。共享的能力需要共享的底座。每次会话开始时都会显示数据声明。工作区级别的隔离可防止组织之间的数据泄露。 ## 配置 | 变量 | 默认值 | 描述 | |---------------------------|---------------------------|--------------------------------------------| | `HIVEMIND_TOKEN` | _(无)_ | API token（登录时自动设置） | | `HIVEMIND_ORG_ID` | _(无)_ | 组织 ID（登录时自动设置） | | `HIVEMIND_WORKSPACE_ID` | `default` | 工作区名称 | | `HIVEMIND_API_URL` | `https://api.deeplake.ai` | API endpoint | | `HIVEMIND_TABLE` | `memory` | 用于摘要和虚拟 FS 的 SQL 表 | | `HIVEMIND_SESSIONS_TABLE` | `sessions` | 用于按事件捕获会话的 SQL 表 | | `HIVEMIND_MEMORY_PATH` | `~/.deeplake/memory` | 触发拦截的路径 | | `HIVEMIND_CAPTURE` | `true` | 设置为 `false` 可禁用捕获 | | `HIVEMIND_CAPTURE_ONLY_CLI` | _(无)_ | 设置为 `true` 仅捕获交互式 CLI 会话。由 Claude Agent SDK (Python/TypeScript) 启动的会话将被跳过；它们的 `CLAUDE_CODE_ENTRYPOINT` 为 `sdk-py` / `sdk-ts`，因此无法通过 `cli` 的子字符串检查。 | | `HIVEMIND_SKILLIFY_EVERY_N_TURNS` | `20` | 助手尝试自动挖掘 skill 之间的轮次间隔。数值越低 = 挖掘越频繁（会话成本越低，输出噪音越大）；数值越高 = 对较长历史的挖掘尝试越少。 | | `HIVEMIND_EMBEDDINGS` | `true` | 设置为 `false` 以强制使用纯词法模式 | | `HIVEMIND_PROACTIVE_RECALL_DISABLED` | _(无)_ | 设置为 `1` 以禁用**主动检索**（在每个值得检索的 prompt 上自动搜索团队记忆，并将相关代码片段注入到 agent 的上下文中）。默认开启。**不**影响捕获或 agent 自身的 grep/skill 检索。另一种形式：`HIVEMIND_PROACTIVE_RECALL=0`。 | | `HIVEMIND_RECALL_MIN_OVERLAP` | `2` | 主动检索（词法模式）：摘要必须共享的最少不同 prompt 关键词数才会被注入。数值越高 = 要求越严格。 | | `HIVEMIND_RECALL_TIMEOUT_MS` | `1000` | 主动检索：同步搜索路径的硬性上限；超时将跳过而不是延迟该轮次。 | | `HIVEMIND_DEBUG` | _(无)_ | 设置为 `1` 以输出详细的 hook debug 日志 | ## 语义搜索（可选） Hivemind 自带一个本地 embedding daemon（nomic-embed-text-v1.5），用于对 `~/.deeplake/memory/` 进行混合语义 + 词法搜索。**默认关闭**，因为依赖项大小约为 600 MB。可通过 `hivemind embeddings install`（或 `hivemind install --with-embeddings`）启用。如果没有它，搜索会静默回退到 BM25/纯词法模式。 完整指南：**[docs/EMBEDDINGS.md](docs/EMBEDDINGS.md)**。 ## 主动检索 遇到值得检索的 prompt（错误、“我们是怎么处理…”、实质性请求 —— 确认和简短的跟进会被跳过）时，Hivemind 会自动搜索团队的摘要，如果匹配度最高的结果达到了相关性标准，就会将一个带有来源标记的代码片段（`recalled from · `）注入到 agent 的上下文中 —— 这样之前的工作就会*无需提示*地出现，而不仅仅是在 agent 决定搜索时才出现。安装了 embeddings 时使用语义搜索，否则使用词法搜索（ILIKE 关键词重叠），因此即使没有 embedding 模型它也能工作。该搜索受延迟限制，在任何未命中或出错时都会静默跳过。 **默认开启。** 若要关闭（不影响捕获和 agent 自身的 grep/skill 检索）： ``` HIVEMIND_PROACTIVE_RECALL_DISABLED=1 claude # or HIVEMIND_PROACTIVE_RECALL=0 ``` 通过 `HIVEMIND_RECALL_MIN_OVERLAP` 和 `HIVEMIND_RECALL_TIMEOUT_MS` 调整精确度/延迟（参见上表）。每次值得检索的调用都会被记录到 `~/.deeplake/recall-events.jsonl` 中，用于使用情况/命中率分析。 ## 摘要 每次会话结束后，后台 worker 会生成一份 AI 编写的 wiki 摘要，并将其连同其 768 维的 embedding 一起存储在 `memory` 表中。长会话会每 50 条消息或 2 小时进行一次中途检查点（可配置）。wiki worker 会通过 shell 调用宿主 agent 自身的 CLI（`claude -p`、`codex exec`、`pi --print` 等），因此不需要单独的 API key。可在 `~/.deeplake/memory/summaries/` 浏览摘要。 触发器、生成流程和环境变量参考：**[docs/SUMMARIES.md](docs/SUMMARIES.md)**。 ## Skill (skillify) Hivemind **能将你团队最近会话中反复出现的模式整理成可重用的 skill**，并自动传播给你团队中的每个 agent。一个异步后台 worker 会在 Stop / SessionEnd 时触发，挖掘范围内的近期会话，询问 Haiku 该活动是否包含值得保留的内容，并写入一个 `SKILL.md` 到 `/.claude/skills//`。 ``` hivemind skillify # show current scope, team, install, per-project state hivemind skillify scope # who counts as "in scope" for mining hivemind skillify pull # install teammates' skills locally hivemind skillify unpull # remove pulled skills ``` 触发器、生成流程、完整的 `pull` / `unpull` 语义、每个 agent 的 gate-CLI 表、环境变量、日志：**[docs/SKILLIFY.md](docs/SKILLIFY.md)**。 ## 代码库图谱 Hivemind 会根据其捕获的相同 trace 构建你代码库的实时图谱：文件、符号、导入，以及你的 agent 在实际会话过程中遍历的边。搜索和检索会遍历此图谱，而不仅仅是纯文本，因此“我们在哪里处理 auth？”会精准定位到团队 agent 实际操作过的文件，而不仅仅是每个提到“auth”的文件。

上图：通过其自身的图谱功能渲染的 Hivemind 代码库。 ## 规则（跨 agent 的团队原则） Hivemind **在组织内的每个 agent 之间共享团队规则**，这些规则会在 SessionStart 时注入，因此每个 claude-code / cursor / hermes 会话在开始时就已经知晓它们。对于带有进度跟踪的个人或团队工作项，请改用 [目标 + KPI](#goals--kpis)（基于 VFS）。 ``` hivemind rules add "no DROP TABLE on prod creds" hivemind rules list # latest 10 active hivemind rules edit "" # bumps version hivemind rules done # mark closed # 跨 agent 诊断 / harnesses/pi/openclaw 回退 hivemind context # print the injection block on demand ``` **在 SessionStart 时注入的内容**（claude-code、cursor、hermes。Codex 被故意排除在外，以保持其用户可见 TUI 的整洁；harnesses/pi/openclaw 回退到 `hivemind context`）： ``` === HIVEMIND RULES (N active) === - : (X more, run 'hivemind rules list' to see all) === HIVEMIND HOW-TO === - Rules above are team principles. Treat any action that would violate one as a critical error and surface it to the user before proceeding. - Run 'hivemind rules list' for the full inventory beyond what's shown here. ``` **环境变量：** - `HIVEMIND_RULES_TABLE`：表名（默认为 `hivemind_rules`）。 - `HIVEMIND_CAPTURE=false`：完全的只读模式。跳过占位符 + 执行 DDL；渲染器仍然会注入。 ## 目标 + KPI 个人/团队的目标 + 可衡量的目标存在于 Deeplake 虚拟文件系统中，路径为 `~/.deeplake/memory/goal///.md` 和 `~/.deeplake/memory/kpi//.md`。路径编码了结构（owner、status、goal_id）；文件正文包含人类可读的描述。 ``` # 无法路由 VFS 写入的 runtime 的 CLI 回退 (cursor/hermes/pi) hivemind goal add "ship the search bar" hivemind goal list [--all|--mine] hivemind goal done hivemind goal progress opened|in_progress|closed ``` 对于支持 VFS 的运行时（claude-code/codex），`hivemind-goals` skill 会直接通过 Bash heredoc 对 VFS 路径创建和编辑 goals/KPIs。在 `opened/`、`in_progress/` 和 `closed/` 之间进行 `mv` 是规范的状态转换。KPIs 是手动管理的文件；正文的格式记录在 skill 中（`target:`、`current:`、`unit:`）。 ## 架构 各 agent 的集成机制（插件市场、hooks、skill、原生扩展）和 monorepo 结构：**[docs/ARCHITECTURE.md](docs/ARCHITECTURE.md)**。 ## 路线图 - **用于微调的轨迹导出。** 由于 trace 存储在 Deeplake 的 tensor 格式中，因此它们已准备好作为 PyTorch 数据集导出。运行自有开源模型的团队可以基于其组织积累的轨迹进行微调。一些高级客户已经针对由其 Claude Code 和 Codex agent 生成的轨迹这样做了。 - **大规模下 GPU 加速的密集检索。** 本地 CPU embeddings 已通过可选的 nomic-embed daemon 发布（参见[语义搜索](#semantic-search-optional)）。下一步：在整个 trace 存储上进行 GPU 加速的向量搜索，并默认启用。 - **Skill 版本控制与审查。** 在 codify 后的 skill 全组织传播之前，对其进行发布前的人工审查，适合需要内容筛选步骤的团队。 - **更多 agent。** 如果你的团队使用了上面受支持助手列表中未包含的 agent，请提交一个 issue。 ## 安全与存储 ### 租户隔离与加密 - 每个 agent 和 Deep Lake 之间使用 TLS。数据落盘后采用 AES-256 加密。你的云凭证存在于 Deep Lake 的保险库中，Hivemind 永远不会看到原始密钥。 - 组织和工作区边界在存储层强制执行，而不仅仅是在 API 层。会话永远不会与另一个工作区共享行、分区或索引。 - 每次会话可通过 `HIVEMIND_CAPTURE=false` 禁用捕获。删除工作区时，底层数据对象也会随之删除。 ### 代码级控制 - SQL 值通过 `sqlStr()`、`sqlLike()`、`sqlIdent()` 进行转义 - 虚拟 FS 中运行着约 70 个白名单内的内置命令；无法识别的命令将被拒绝 - 凭证以 `0600` 模式存储，配置目录以 `0700` 模式存储 - Device flow 登录：环境或代码中没有 token ### 自带云 (BYOC) Hivemind Cloud 是默认选项。当这不能满足需求时，可以将 Hivemind 指向你自有云中的。我们负责编排，数据永远不会离开你的网络边界。 | 提供商 | 状态 | 设置 | |----------------------------|------------|--------------------------------------------------------| | Google Cloud Storage | 可用 | [文档](https://docs.deeplake.ai/latest/guide/gcs/) | | Azure Blob Storage | 可用 | [文档](https://docs.deeplake.ai/latest/guide/azure/) | | Amazon S3 | 可用 | [联系我们](https://deeplake.ai/hivemind#security) | | 兼容 S3 的本地私有云 | 按需提供 | [联系我们](https://deeplake.ai/hivemind#security) | ## Hivemind 的开发团队 Hivemind 由 [Activeloop](https://activeloop.ai) 构建和维护，该团队是 [Deeplake](https://github.com/activeloopai/deeplake) 背后的开源团队，并得到了 Y Combinator 的支持。 我们自己整天都在跨 Claude Code、OpenClaw、Codex 和 Cursor 使用 Hivemind。上面每一个基准测试数据都来自我们针对 LoCoMo 公开基准测试进行的内部评估。如果你正在团队或组织级别运行 coding agent，并希望探讨你的设置，请联系我们：[hello@activeloop.ai](mailto:hello@activeloop.ai)。 ## 有疑问？ 设置、BYOC、agent 集成或工作流程。欢迎在社区中提问：

## 开发 ``` git clone https://github.com/activeloopai/hivemind.git cd hivemind npm install npm run build # tsc + esbuild → harnesses/claude-code/bundle/ + harnesses/codex/bundle/ + cursor/bundle/ + harnesses/openclaw/dist/ + mcp/bundle/ + bundle/cli.js npm test # vitest ``` 使用 Claude Code 在本地测试： ``` claude --plugin-dir claude-code ``` 针对 Deeplake 的交互式 shell： ``` npm run shell ``` ## Star 历史

## 许可证 Apache License 2.0, © Activeloop, Inc. 详情请参阅 [LICENSE](LICENSE)。

标签：AI智能体, Apex, MITM代理, SOC Prime, 人工智能, 多线程, 开发工具, 机器学习, 用户模式Hook绕过, 网络调试, 自动化, 自动化攻击, 记忆共享