Hive 智能体运行框架
为长期、多步骤业务流程提供多智能体编排、状态恢复与人工监管的生产运行层。
按维度查看评分与理由
证据显示：README 提到加密凭证存储、环境变量配置、安全最佳实践（SECURITY.md），以及人类介入节点（human-in-the-loop）。但未提供具体实现细节，如权限最小化、用户确认流程、数据流透明性、敏感数据处理的具体机制。依赖安全方面，SECURITY.md 提到输入验证、CORS、速率限制，但未提供依赖审计或漏洞管理证据。外部影响方面，README 提到浏览器使用和工具集成，但未明确权限边界。回滚方面，提到检查点恢复，但未提供具体回滚机制。来源归属方面，未提供明确的来源追踪机制。因此，各标准得分较低，因为证据多为断言而非实现细节。
证据显示：README 描述了一致的架构（图执行、状态管理、故障恢复），但未提供具体实现或测试证据。依赖可用性方面，提到 uv 工作区和依赖管理，但未提供依赖锁定或可用性保证。失败消息方面，提到故障恢复和自愈，但未提供具体错误消息设计。因此，自一致性得 2 分，因为描述一致；依赖可用性和失败消息得 1 分，因为缺乏具体证据。
证据显示：README 明确了目标受众（生产团队）和场景（长运行工作流、多代理协调），并提供了快速入门和示例。能力边界方面，提到支持多种 LLM 和工具，但未明确限制。触发精度方面，提到自然语言目标生成图，但未提供精确触发机制。环境适配方面，提到支持 Windows、macOS、Linux，以及本地模型。因此，受众和场景、能力边界、环境适配得 2 分，触发精度得 1 分。
证据显示：README 提供了清晰的信息架构（文档链接、快速入门、FAQ），安装说明详细（quickstart 脚本），许可证明确（Apache-2.0），维护责任明确（贡献指南、社区支持）。但命名稳定性未明确，已知限制未列出，版本变更日志未提供。因此，信息架构、安装说明、示例和 FAQ、许可证、维护责任得 2 分，命名稳定性、已知限制、版本变更日志得 1 分。
证据显示：README 描述了输出可用性（可观察性、审计跟踪），边际价值（生产级 harness），但成本效益未提供具体数据。因此，输出可用性和边际价值得 2 分，成本效益得 1 分。
证据显示：README 中的声明（如生产级、自愈）未提供可验证的证据，如基准测试或案例研究。跨来源佐证方面，未提供外部验证。事实与推断分离方面，未明确区分。因此，各标准得 1 分。
- 发布者身份未经验证，应视为未知，不要基于品牌信任。
- README 中的功能声明（如生产级、自愈）缺乏可验证的测试或基准证据。
- 安全功能（如加密凭证存储、权限控制）仅提及，未提供实现细节，需审查代码。
- 依赖安全未提供审计或漏洞管理证据，需检查依赖锁定和更新策略。
- 外部工具集成（如浏览器使用）可能带来权限风险，需明确边界。
这个 Agent 能做什么，适合哪些场景？
Hive 是一个以 Python 构建的多智能体执行运行框架，面向需要将智能体从原型推进到生产环境的团队。用户用自然语言描述目标后，系统会生成图式智能体工作流、连接代码和测试用例，并由 Worker 执行节点任务。其框架包含图执行、角色记忆、会话隔离、检查点式崩溃恢复、成本控制与实时可观测性等能力。它通过 MCP 连接 CRM、支持、消息、数据、文件及内部 API 等业务系统，并可接入浏览器使用能力。项目可通过脚本在自有基础设施上启动，使用 LiteLLM 兼容路径支持多家模型提供商。
通过主页输入框提交目标后，Queen 会与用户澄清需求；Coding Agent 生成 agent graph、连接代码和测试用例。framework 中的核心运行时和 graph executor 协调并行任务，SDK-wrapped nodes 以工具访问和可观测性执行，Control Plane 监控指标、预算与策略。执行未通过时，系统按文档描述捕获失败、evolve graph 并重新部署；需要人工决策时，intervention nodes 会暂停执行，等待输入或按超时与升级策略处理。quickstart 脚本会建立 framework 与 aden_tools 环境、加密凭据存储和默认模型配置，并打开 Hive 界面。
- 运营团队需要把一个会跨多个步骤、持续较长时间的业务流程交给多个并行执行单元，同时保留状态和恢复能力。
- 负责客户支持或 CRM 自动化的团队，需要通过 MCP 将智能体工作流连接到现有消息、数据和内部 API 系统。
- 平台工程团队需要为生产智能体设置团队、智能体或工作流级别的预算、限流和实时成本追踪。
- 需要专家审批的业务团队，可在图中使用 intervention nodes 暂停任务并配置超时和升级处理。
- 希望试用本地 Ollama 模型的开发者，可按
ollama/model-name格式经 LiteLLM 配置模型。
这个 Agent 有哪些优点和局限？
- 以自然语言目标驱动生成 agent graph、连接代码和测试用例，减少手工设计工作流和智能体交互的工作量。
- 运行层明确覆盖会话隔离、检查点式崩溃恢复、状态持久化、实时可观测性与审计需求，针对长期生产工作负载。
- 支持并行多智能体执行、共享缓冲区和失败后的图演化，适合复杂或重复性流程。
- 经 LiteLLM 兼容提供商支持 OpenAI、Anthropic、Gemini、OpenRouter、Hive LLM 及本地模型，并可通过 MCP 接入业务系统。
- 内置人工介入节点，支持暂停、超时和升级策略。
- 安装依赖 Python 3.11+、uv、Shell 或 PowerShell 脚本，以及可用的 LLM 提供商；不是可通过
pip install -e .完成的常规安装。 - 运行外部模型和业务系统连接需要配置相应的 API 密钥、网络访问和凭据管理。
- README 将 JavaScript/TypeScript SDK 标注为路线图，因此当前文档明确的框架语言是 Python。
- 其生成、演化和控制平面工作流更适合长期业务流程；README 明确表示简单链式试验或一次性脚本未必是最佳匹配。
- Windows 虽受支持，但 README 对
search_files建议安装 ripgrep，未安装时会回退到 Python 搜索。
如何安装或部署这个 Agent？
前提是 Python 3.11+、一个为智能体提供能力的 LLM provider，以及 uv。克隆并在仓库根目录运行：
git clone https://github.com/aden-hive/hive.git
cd hive
./quickstart.shWindows PowerShell 5.1+ 使用 ./quickstart.ps1。不要在仓库根目录执行 pip install -e .；README 明确说明这会创建占位包，Hive 将无法正常工作。脚本会交互式配置默认模型（包括 Hive LLM 和 OpenRouter）、创建 ~/.hive/credentials 加密凭据存储，并安装所需依赖。
如何使用这个 Agent？
完成 quickstart 后，浏览器会打开 Hive 界面。在主页输入框描述要构建的智能体，按 Queen 的问题补充需求；也可选择 “Try a sample agent” 中的模板直接运行或作为基础修改。选择现有或示例智能体后，可点击左上角 Run，或让 Queen 代为运行。以后在项目目录执行 hive open 可重新打开仪表盘。配置模型时需提供相应提供商的 API 密钥环境变量并指定模型名；本地 Ollama 需先在本机运行。
这个 Agent 与同类方案有什么区别？
README 将 Hive 与 Openclaw、Cowork 这类可完成个人任务的单智能体工具作对比：Hive 的定位是业务流程所需的多智能体运行层，强调状态、恢复、并行执行、成本和审计控制。