Hivemind：把团队 agent 经验自动沉淀为可复用技能的中枢

目标读者：同时在用 Claude Code、Cursor、Codex CLI、OpenClaw 等多个编程 Agent，并希望把"团队踩过的坑"沉淀成可复用资产的工程师 / 团队负责人。 核心问题：Hivemind 跟 CLAUDE.md / MEMORY.md / agentmemory 这类「单 agent 记忆」方案到底有什么本质差异？它承诺的"技能自动传播"是不是又一个营销话术？ 资料范围：本文基于仓库 main 分支 README（v0.7.89）、src/ 目录结构、package.json 依赖、docs 目录与 GitHub 仓库元数据；公开 benchmark（LoCoMo）数据来自 README 引用，不复现其内部评测环境。

阅读目标

本文回答四个问题：

• Hivemind 的定位是什么，适合什么场景，不适合什么场景。
• “Capture → Codify → Propagate” 流水线是怎么落地的。
• 跨 Claude Code / OpenClaw / Codex / Cursor / Hermes / pi 这六种 agent，集成机制分别是什么。
• README 上 LoCoMo 的 -25% cost / 1.7× tokens / 31% turns 数字应该怎么读，哪些可以采信。

1. 它要解决的不是「agent 失忆」，而是「团队经验不积累」

CLAUDE.md、MEMORY.md、.cursorrules 这类静态记忆文件解决的是"别让 agent 每次都从零解释项目"，agentmemory / mem0 / Letta 这一类本地记忆服务解决的是"agent 跨会话能记住上次做了什么"。但真正卡团队生产力的，是第三层问题：

周一你的 agent 帮你搞定了一个棘手的 ORM 迁移； 周三你同事的 agent 在另一个项目里又踩了同一个坑，从头排查。

Hivemind 把这一层叫做"团队级能力累积（capability compounding）"。它的核心主张是：

• Capture（捕获）：每个 agent 的 prompt、tool call、response 全部以 trace 形式落到云端 Deeplake 数据库。
• Codify（编码）：后台 worker 周期性扫描 trace，把出现 ≥ N 次的模式提炼为 SKILL.md 文件。
• Propagate（传播）：下一次任意 agent 启动时，相关 SKILL.md 自动注入上下文，团队里的所有人、所有 agent 共享同一份"经验池"。

横向对照：

差异不在"能不能存信息"，而在信息能不能在团队内被相关 agent 复用到下一次任务——这是 Hivemind 与其他方案的分界线。

2. 一张图看懂系统全貌

⚠️ 上面这张图是作者基于 README 描述重组后的系统地图，不是仓库里的现成架构图。原图请见 docs/ARCHITECTURE.md。

3. 仓库结构：18 个核心子模块各管一摊

package.json 里把 hivemind 命令打包成 bundle/cli.js，源码组织如下（v0.7.89，main 分支）：

外层还按 agent 维度分了独立的安装包：

claude-code/   # Claude Code marketplace plugin
openclaw/      # OpenClaw 原生 extension
codex/         # Codex hooks
cursor/        # Cursor hooks（1.7+）
hermes/        # Hermes Agent shell hooks + skill + MCP
pi/            # pi TypeScript extension + AGENTS.md marker
mcp/           # 共享 MCP server

build 脚本 tsc && node esbuild.config.mjs 会把这六份 bundle 一起编译到对应子目录。

4. Capture：每个 agent 都用自己最自然的钩子点接入

Hivemind 没有强行用一套钩子覆盖所有 agent，而是按各 agent 自身的扩展机制分别接：

统一安装命令是：

npm install -g @deeplake/hivemind && hivemind install

安装器会扫描机器上所有支持的 assistant，默认在每个 agent 的以下事件上挂钩子（Cursor 1.7+ 的完整列表）：

• sessionStart — 注入团队 Rules 块
• beforeSubmitPrompt — 触发自动召回
• postToolUse — 上报 tool call 结果
• afterAgentResponse — 上报最终 response
• stop — 触发 skillify 后台 worker
• sessionEnd — 触发 wiki 摘要生成

Codex 用户特别要注意：首次启动会弹"Hooks need review"提示，必须选 2. Trust all and continue，否则钩子不会真正跑。

每个 agent 写入的数据维度都是统一的：

如果某次会话你不想被抓，置环境变量即可：

HIVEMIND_CAPTURE=false claude
HIVEMIND_DEBUG=1 claude   # 想看钩子日志
HIVEMIND_CAPTURE_ONLY_CLI=true  # 只抓 CLI 会话，跳过 SDK 派生会话

5. Codify：后台 worker 怎么"挖矿"出 SKILL.md

HIVEMIND_SKILLIFY_EVERY_N_TURNS（默认 20）控制挖掘频率。每到一轮：

1. 拉取最近 N 轮内"作用域"内的所有 trace（me vs team，由 hivemind skillify scope 切换）。
2. 调用 Haiku（README 显式提到）判断这些 trace 里有没有"值得保留的模式"。
3. 如果有，把模式提炼成 SKILL.md，写到 <project>/.claude/skills/<name>/。
4. 同时把 SKILL.md 同步到云端 Deeplake，供团队其他 agent pull。

pull / unpull 是显式的：

hivemind skillify pull    # 把队友的 skill 拉到本地
hivemind skillify unpull  # 撤回

Wiki 摘要是另一条 worker 链路，由 hivemind_summaries 在 sessionEnd 时触发。它复用 host agent 自己的 CLI（claude -p / codex exec / pi --print）来生成摘要，因此不需要额外的 API key。生成结果存到 memory 表里，附带 768 维 embedding（如果开了 embeddings daemon）。

6. Propagate：注入和召回两套机制

6.1 规则注入（同步路径）

SessionStart 时，agent 会拿到一段固定的注入块（README 原文）：

=== HIVEMIND RULES (N active) ===
- <rule_id>: <text>
(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.

Codex 故意被排除在这条规则注入之外——README 解释是"为了保持 TUI 干净"。

6.2 检索召回（异步路径）

每个 prompt 提交前，Hivemind 会做一次 hybrid 检索：

• BM25 / lexical：始终可用（默认）
• Semantic：依赖可选的本地 nomic-embed-text-v1.5 daemon，默认关闭（依赖 ~600 MB）

hivemind embeddings install   # 打开 semantic
hivemind install --with-embeddings  # 装的时候就打开

不开 embeddings 时，README 显式说"搜索会静默降级到 BM25/lexical-only"——不会出现"找不到"的报错，只是召回质量下降。选型时必须知道这个边界。

6.3 Codebase Graph

trace 还顺带喂出一个 codebase 图：文件 / 符号 / imports / 真实访问边。所以"我们在哪里处理 auth？“这样的查询，不只匹配字面 “auth”，还会命中团队 agent 实际访问过的文件。

7. 一个真实任务流：从踩坑到团队复用

假设一个 5 人团队，所有人装了 Hivemind，scope = team：

1. 周一 14:32 — 老王的 Claude Code 在 repo-orders 里处理 Drizzle ORM 迁移，trace 落进 sessions 表。
2. 周一 14:35 — 后台 worker 每 20 turn 触发一次，扫描到老王在 3 段 trace 里都用同一个 pattern：drizzle-kit generate:pg --schema=public 之后必须先 set search_path。
3. 周一 14:35 — worker 把这个 pattern 写进 repo-orders/.claude/skills/drizzle-pg-migration/SKILL.md，同时同步到云端。
4. 周一 14:40 — 小李的 Cursor 在另一个项目里要做同样的事，SessionStart 时 Hivemind 把团队级 Rules 注入，beforeSubmitPrompt 时 hybrid 检索命中老王上线的 SKILL.md。
5. 周一 14:41 — 小李的 Cursor 直接拿到"先 set search_path"的提示，没有从零踩坑。

这就是 Hivemind 跟 agentmemory 最大的体感差异：你不需要主动去 pull，新的经验是"自己飘过来"的。

8. LoCoMo benchmark 怎么读

README 给出的数字（100 QA pairs，Claude Haiku，claude -p）：

这些数字可以采信，但有几个使用边界要先看到：

1. 基线是什么。README 写的是"running without shared memory”，也就是无任何 Hivemind 介入；和"裸用 Claude Code"的体感差距会比数字更小（Claude Code 自带 Skills 系统，跨项目经验也能复用一部分）。
2. 模型是 Haiku，不是 Opus/Sonnet。README 没有说换成更强模型后绝对收益是否仍线性；如果团队主要用 Opus，要把"省下的 token"和"多花的 thinking cost"放一起算。
3. LoCoMo 是长上下文记忆 benchmark（arXiv:2402.17753），不是编程任务 benchmark。对真实编码工作流，“省下多少 token"是个间接信号，“少踩多少坑"才是直接信号——后者公开数据里没有。
4. 样本量是 100 QA，CI 没说。开源 benchmark 复现时建议自己再跑 200+ 验证。

简言之：指标方向正确，但不是产品定论。

9. 数据归属与安全：BYOC + 三层防护

Hivemind 的安全姿态是”默认云端，可选自带云"：

自带云（BYOC）支持矩阵：

代码层面的小细节也值得看一下——src/utils 里强制使用 sqlStr / sqlLike / sqlIdent 三个转义函数；虚拟文件系统只放行 ~70 个白名单 builtins，未知命令直接拒绝；credentials 强制 0600、config dir 强制 0700；登录走 device flow，不把 token 写进环境变量。

这些都是好习惯，但仍然要清楚：所有这些防护的前提是"你的 workspace 里的人是可信的”——README 自己写明：

“All users in your Deeplake workspace can read this data. That’s the design.”

这跟 GitHub repo 内任意成员可读代码是同一类设计。不要把敏感 token / 客户数据 / 合规审计要求直接喂进去。

10. 与 OpenClaw memory-core 的关系

OpenClaw 用户尤其关心这一点。Hivemind 官方明确说：

“Hivemind runs alongside OpenClaw’s built-in memory-core plugin. It does not claim the memory slot, so memory-core’s dreaming cron ("0 3 * * *") and other memory-slot-dependent jobs keep working.”

也就是说：

• memory-core 还是负责单 agent 的 recall / promotion / dreaming。
• Hivemind 在它上面叠一层团队级的 trace 共享 + skill 编码 + 规则注入。
• 两者共存不冲突，但两者的存储是分开的（memory-core 在 OpenClaw 本地，Hivemind 在 Deeplake 云端）。

如果你已经搭好了 memory-core，Hivemind 不是替换，而是向上扩。

11. 适用边界与采用顺序

11.1 适合

• 团队 ≥ 3 人，且多 agent 并用（有人用 Claude Code，有人用 Cursor）。
• 痛点是"同一个坑踩第二次"或"新人 agent 启动成本高"。
• 能接受 trace 进云端（或愿意做 BYOC 配置）。
• 已经用了一个 agent 的 skills 系统，希望在团队层再扩一层。

11.2 不适合

• 单人 / 单项目 / 单 agent——这种情况下 agentmemory 或 CLAUDE.md 已足够。
• 强合规场景（金融 / 医疗 / 政府）下不愿把 trace 落云端、又没人力做 BYOC 接入的团队。
• 期望 Hivemind 自动解决"agent 写不出好代码"——它解决的是经验复用，不是能力本身。
• 团队尚未形成"多 agent 协作"工作流——此时加 Hivemind 是为时尚早。

11.3 建议的采用顺序

1. 最小试用：hivemind install + 单人单 agent 跑一周，看 trace 写入和召回是否符合预期。
2. 开 embeddings：确认降级路径 OK 后 hivemind embeddings install，看召回质量提升。
3. scope 调到 team：先在小范围（2-3 人）开启 hivemind skillify scope team，观察 SKILL.md 数量和质量。
4. 接 MCP：Hermes / pi 接入共享 MCP server，统一工具面。
5. BYOC 评估：合规允许时，迁到 GCS / Azure，关闭 Hivemind Cloud 默认路径。

12. 一段话总结

Hivemind 是 Activeloop 在编程 agent 工具链上的一次"从单兵到团队"的升级尝试。它不像 CLAUDE.md 那样是手工规则文件，也不像 agentmemory 那样只服务单个 agent；它把"trace → skill → 注入"做成一条云端流水线，让团队任何 agent 都能从队友的踩坑历史里直接获益。前提是你愿意把 trace 交到云端（或者花力气接 BYOC），并且团队已经够大、痛点已经够"重复"。如果只满足前两条但缺后一条，先把 agentmemory / OpenClaw memory-core 用好更划算。

参考

• 仓库：<�PROTECTED_131�>
• README（v0.7.89）：https://raw.githubusercontent.com/activeloopai/hivemind/main/README.md
• 源码结构：src/cli、src/commands、src/deeplake-api.ts、src/deeplake-schema.ts、src/skillify、src/mcp、src/embeddings、src/graph、src/rules、src/notifications
• 安装包：@deeplake/hivemind（npm），Node ≥ 22.0.0
• Benchmark 引用：LoCoMo（Maharana et al., arXiv:2402.17753）
• 关键依赖：deeplake ^0.3.30、@modelcontextprotocol/sdk ^1.29.0、@anthropic-ai/sdk ^0.97.1、zod ^4.3.6
• 仓库元数据（2026-06-11 抓取）：953 stars / 53 forks / 36 open issues / TypeScript / Apache-2.0