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（v0.7.160，2026-09-28 发布）、src/ 目录结构、src/deeplake-schema.ts 表定义、package.json 依赖、docs 目录与 GitHub 仓库元数据（2026-09-30 抓取）；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 这六种正式支持的 agent（外加 Alpha 阶段的 Claude Cowork），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，把反复出现的模式提炼为 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 与源码 schema 重组后的系统地图，不是仓库里的现成架构图。按 agent 的集成机制与 monorepo 结构详见 docs/ARCHITECTURE.md。

3. 仓库结构：一套 monorepo，七份 agent 接入

package.json 里把 hivemind 命令打包成 bundle/cli.js（build 脚本 tsc && node esbuild.config.mjs），源码组织如下（v0.7.160，main 分支）：

各 agent 的接入包不再散在仓库顶层，而是统一收进 harnesses/：

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

build 会把这六份 bundle 分别编译到 harnesses/claude-code/bundle/、harnesses/codex/bundle/、cursor/bundle/、harnesses/openclaw/dist/、mcp/bundle/ 和 bundle/cli.js。仓库顶层还有一个 library/ 目录（按 knowledge / requirements / issues / notes 分区的文档库），是 Activeloop 用自己的 agent 工作流管理仓库文档的痕迹，与 Hivemind 运行时无关。

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：

Claude Cowork 是第七个接入，也是唯一没有钩子生命周期的：它只通过 MCP 拿到 hivemind_search / hivemind_read / hivemind_index 三个工具（召回，稳定）；捕获靠 MCP server 后台 tail Cowork Local Agent Mode 落在本地目录的 transcript（~/Library/Application Support/Claude/local-agent-mode-sessions/），普通桌面聊天轮次本地没有可读痕迹，抓不到——README 把这个限制写得相当坦白。

4.1 安装路径

首选是一行脚本（macOS / Linux）：

curl -fsSL https://deeplake.ai/hivemind.sh | sh

Windows 用 PowerShell 的 irm https://deeplake.ai/hivemind.ps1 | iex。npm 路径仍在，定位变成"CI、Dockerfile 或策略禁止 curl | sh 的场景"——它会跳过安装脚本里的环境检查，Node 22+ 和可写的 npm prefix 要自己保证：

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

安装器会扫描机器上所有支持的 assistant 并挂钩子，打开浏览器登录前只弹一行 consent 提示，装完要求重启各 assistant。只装某一个助手用 hivemind install --only claude（等价于 hivemind claude install，另有 claw / cursor / hermes / pi / claude_cowork 子命令）。CI 或无头机器可以带 token 装，跳过浏览器流程：

HIVEMIND_TOKEN=<your-token> hivemind install
# 或
hivemind install --token <your-token>

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。

4.2 钩子事件：以 Cursor 的六事件为参照

“统一安装器在 ~/.cursor/hooks.json 里挂六个生命周期事件"是 README 对 Cursor 的描述，常被误读成所有 agent 通用。实际上每个 agent 挂的事件点跟着各自的生命周期走：

• Cursor 1.7+：sessionStart / beforeSubmitPrompt / postToolUse / afterAgentResponse / stop / sessionEnd —— 六事件全家桶，下面的功能对照都以它为参照。
• Hermes：config.yaml 里的 pre_llm_call / post_tool_call / post_llm_call / on_session_end。
• pi：扩展 API 订阅 session_start / input / tool_result / message_end。

对到功能上：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。

每个 agent 写入的数据维度是统一的（README “Data collection notice” 原表）：

4.3 颗粒度开关：环境变量 + 目录级配置

某次会话不想被抓，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  # 只抓交互 CLI 会话，跳过 SDK 派生会话

除了环境变量，还有一层目录级配置，比环境变量更适合团队场景：在仓库根放一个 .hivemind JSON 文件（可提交，类比 .editorconfig），可以路由整个目录树的 trace 到指定 org / workspace（orgId / workspaceId），也可以用 { "collect": false } 把这个目录树完全关掉——不捕获、不召回、不注入。个人覆写放 .hivemind.local（gitignore，类比 .env.local），同目录下优先于 .hivemind。

解析规则是 .git 式的"最近文件胜出”：从 cwd 向上找第一个文件，没有继承——子目录的文件不会自动获得父目录的 org。优先级是 环境变量 > .hivemind > 登录默认值，collect: false 永远生效。安全设计上，.hivemind 不可能携带 token（认证固定在 ~/.deeplake/credentials.json），所以 clone 别人的仓库最多把你的 trace 归档到你自己的另一个 org，漏不到陌生人手里；且每次会话开始的 banner 会打印生效的 org / workspace 和路由来源，重定向永远不会静默发生。

5. Codify：后台 worker 怎么"挖矿"出 SKILL.md

skillify 是一个异步后台 worker，在 Stop / SessionEnd 时触发；HIVEMIND_SKILLIFY_EVERY_N_TURNS（默认 20）控制每多少轮 assistant turn 尝试挖掘一次。每次挖掘：

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，双触发：会话结束时来一次 final 摘要；长会话中途按 HIVEMIND_SUMMARY_EVERY_N_MSGS（默认 50 条事件）或 HIVEMIND_SUMMARY_EVERY_HOURS（默认 2 小时）打周期检查点。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），可在 ~/.deeplake/memory/summaries/ 浏览。

6. Propagate：注入和召回两套机制

6.1 规则注入（同步路径）

SessionStart 时，Claude Code / Cursor / Hermes 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"为了保持它的 TUI 干净"；pi 和 OpenClaw 也拿不到注入块，回退方案是手动跑 hivemind context 按需打印。

6.2 检索召回（异步路径）

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

• Lexical：SQL ILIKE 词面匹配，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

注意 README 的措辞是"search degrades silently to ILIKE lexical-only"——不开 embeddings 时没有报错，只是召回质量下降。选型时必须知道这个边界，否则你以为的"语义召回"其实一直是关键词匹配。

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。

6.4 Code Docs（wiki）

Code Docs 是 graph 之上的一层自然语言文档生成：每个文件一页，再加每个子系统的叙事页，每次 commit 后保持新鲜，存到 ~/.deeplake/memory/docs/ 供 agent 动手前先读。

hivemind docs sync        # 生成/刷新本仓库文档（会先询问）
hivemind docs list        # 状态：是否启用、页数、是否与 HEAD 同步
hivemind docs auto on|off # 每次 commit 自动刷新
hivemind docs agent [name] # 用哪个 host CLI 写文档（claude|codex|pi|cursor）

生成同样 shell out 到 host agent 的 CLI，不需要单独的 API key；per-file 页用便宜模型，wiki 页用更强的模型，全程后台跑。

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 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 和相关 trace。
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，新的经验通过召回路径"自己飘过来”——pull/unpull 只是给你手动管理落盘 skill 的补充手段。

8. LoCoMo benchmark 怎么读

README 给出的数字（100 QA pairs，Claude Haiku，claude -p，hybrid lexical + semantic 检索）：

这组数字从 6 月的 v0.7.89 到 9 月的 v0.7.160 没有变过，README 尾注还加了一句：Activeloop 自己全年在 Claude Code、OpenClaw、Codex、Cursor 上跑 Hivemind，所有数字来自内部 eval。方向可信，但使用边界要先看到：

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，置信区间 README 没给。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——注意 9 月版里 Amazon S3 的状态从"联系我们"变成了 Available（只是接入要联系销售）：

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。README 的 OpenClaw 排障节还给了个实用提醒：Hivemind 每轮会发很多小的工具调用，OpenClaw 的宿主模型建议用 anthropic/claude-haiku-4-5-20251001 这类便宜的快速模型，挂 Opus 会明显发卡。

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；敏感仓库先放 .hivemind 写 { "collect": false }。
2. 开 embeddings：确认 ILIKE 降级路径 OK 后 hivemind embeddings install，对比召回质量提升是否值 600 MB 依赖。
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 / Claude Cowork 接入共享 MCP server，统一工具面。
5. BYOC 评估：合规允许时，迁到 GCS / Azure / S3，关闭 Hivemind Cloud 默认路径。

另外两条 roadmap 值得放进决策考量：trace 存的是 Deeplake tensor 格式，官方计划支持导出成 PyTorch 数据集做微调（已有少量客户在用）；skill 的版本管理与人工审核（传播前的 curation 步骤）也在计划中——对合规团队，这条落地前可以先等等。

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：https://github.com/activeloopai/hivemind
• README（v0.7.160）：https://raw.githubusercontent.com/activeloopai/hivemind/main/README.md
• 架构与表定义：docs/ARCHITECTURE.md、docs/SUMMARIES.md、docs/SKILLIFY.md、docs/EMBEDDINGS.md、src/deeplake-schema.ts
• 源码结构：src/cli、src/commands、src/dir-config.ts、src/deeplake-api.ts、src/deeplake-schema.ts、src/skillify、src/docs、src/mcp、src/embeddings、src/graph、src/rules、src/notifications、harnesses/
• 安装包：@deeplake/hivemind（npm，latest 0.7.160，2026-09-28 发布），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（2026-09-30 抓取）：1,624 stars / 111 forks / 125 open issues / TypeScript / Apache-2.0 / created 2026-04-03