aden-hive/hive

English | 简体中文 | Español | हिन्दी | Português | 日本語 | Русский | 한국어

Dile a una agente Queen lo que necesitas. Ella hace la primera parte por su cuenta para entender qué exige el trabajo y luego reparte el resto entre tantos trabajadores en paralelo como haga falta. Cada resultado queda en un tracker compartido que puedes consultar y auditar, y desde el que puedes retomar el trabajo.

_{Una ejecución real. Solo se aceleran la escritura y las esperas, y la insignia indica cuánto. Ver la ejecución completa (MP4).}

Un equipo de growth que prepara un Show HN quiere saber cómo les fue en Hacker News a los lanzamientos propios de cinco herramientas para desarrolladores. Esto es lo que hizo Hive con ese único mensaje:

1. Se lo encargas a una Queen. Las Queens (reinas) son agentes persistentes con un rol (en este caso, Head of Growth) y con memoria y herramientas propias.
2. Hace la única pregunta que cambia la respuesta: ¿todas las publicaciones de lanzamiento o solo el lanzamiento original de cada producto? Tú eliges todos los lanzamientos y ella sigue adelante.
3. Propone una colonia y tú la apruebas. Cinco productos son cinco trabajos en paralelo, así que el chat se convierte en una colonia: la Queen más tantos agentes trabajadores como necesite el trabajo.
4. Hace uno ella misma. Empieza por PostHog, determina qué cuenta como una auténtica publicación de lanzamiento y no como una simple mención de pasada, contrasta las cifras con la API de Hacker News y guarda el método como una habilidad (skill) reutilizable.
5. Reparte el trabajo. Un manual (playbook) lanza un trabajador por producto. Cada uno sigue la habilidad que ella guardó y escribe su resultado en el tracker de la colonia, una tabla SQLite compartida.
6. Revisa cada fila antes de responder y corrige una. El trabajador de Cal.com contó una publicación hecha con su antiguo nombre, Calendso, pero esa publicación no era un Show HN, ni un Launch HN, ni un lanzamiento de YC. Ella vacía la fila, y el gráfico muestra Cal.com como no encontrado, no como cero.

Nada de esto estaba configurado de antemano. No hay ningún grafo de flujo de trabajo que dibujar: la Queen va dando forma a la colonia a medida que avanza el trabajo, y es un tracker en disco, no una ventana de contexto, el que lleva la cuenta de lo que está hecho y lo que falta.

Necesitarás Python 3.11+, Node.js 20+ y git. El quickstart instala uv y ripgrep si no los tienes y se ofrece a instalar Node.

Y un modelo. El quickstart configura cualquiera de estas opciones:

• una API key de Anthropic, OpenAI, Google Gemini, Groq, Cerebras u OpenRouter
• una suscripción de programación que ya pagas: Claude Code, OpenAI Codex, Kimi Code, MiniMax, Z.AI o Antigravity
• Hive LLM
• un modelo local con Ollama, sin ninguna clave

git clone https://github.com/aden-hive/hive.git
cd hive
./quickstart.sh          # macOS / Linux
.\quickstart.ps1         # Windows (PowerShell 5.1+)

El quickstart crea un único entorno de Python para el workspace, guarda tu API key cifrada en ~/.hive, te pregunta qué modelo usar, compila el panel y lo abre en http://127.0.0.1:8787. La próxima vez, ejecuta hive open desde el repositorio.

Después, escribe una tarea en la pantalla de inicio y elige a qué Queen encargársela, o abre la Prompt Library y envía un prompt ya preparado directamente a la Queen para la que se escribió.

flowchart LR
    You(["Tú"]) -->|"describes el resultado"| Queen["Queen<br/>(agente persistente)"]
    Queen -->|"propone una colonia,<br/>tú apruebas"| Pilot["Piloto<br/>(una unidad, hecha por la Queen)"]
    Pilot -->|"guarda el método"| Skill["Habilidad + manual"]
    Skill -->|"run_worker / run_playbook"| W["Clones trabajadores<br/>en paralelo"]
    W -->|"tracker_upsert"| T[("Tracker<br/>SQLite compartido")]
    T -->|"SQL: qué está hecho,<br/>qué falta"| Queen
    Queen -->|"respuesta verificada"| You

    style Queen fill:#ffb100,stroke:#cc5d00,color:#333
    style T fill:#fff3d6,stroke:#cc5d00,color:#333
    style W fill:#ff9800,stroke:#cc5d00,color:#fff

Hive tiene una única primitiva de ejecución: el bucle de agente. La Queen es uno de ellos, y cada trabajador es un clon suyo con su propia tarea, un conjunto de herramientas más reducido y un presupuesto estricto. La orquestación es una llamada a herramienta, no un grafo compilado:

• run_worker reparte las tareas y devuelve el control al instante, así que la Queen sigue hablando contigo mientras los trabajadores se ejecutan. Por defecto se ejecutan cuatro a la vez; el resto espera en cola. El informe de cada trabajador llega a la conversación de la Queen como un turno nuevo.
• El tracker es el estado compartido de la colonia. La Queen define la tabla y qué columnas pueden escribir los trabajadores, los trabajadores hacen upsert de una fila por unidad de trabajo, y la Queen revisa el progreso con SQL. Es un archivo en disco: ~/.hive/colonies/<name>/tracker/tracker.db.
• run_playbook aplica un método probado a cada fila, con reintentos y backoff, carriles con límite de tasa y una lista dead-letter para las filas que siguen fallando. "Lo que falta" siempre es una consulta nueva al tracker, así que volver a ejecutar un manual retoma el trabajo donde se quedó.

El resumen de la arquitectura entra en más detalle: el bucle, la superficie de herramientas, la memoria, la supervisión humana y cómo sobrevive el estado a una caída.

Inicio. Tus Queens y sus colonias en un solo mapa. Describe una tarea y elige quién se encarga.	Trabajadores. Uno por unidad de trabajo, cada uno con su propia tarea y presupuesto, y todos informan a la Queen.
Tracker. Los resultados llegan a una tabla compartida a medida que terminan los trabajadores, listos para consultarlos, exportarlos o retomar el trabajo desde ahí.	Resultado. Una respuesta verificada, con fuentes y un gráfico, directamente en el chat.

Queens con un puesto y memoria. Hive incluye trece Queens con perfiles predefinidos. Seis vienen activas de serie (Growth, RevOps, Content, Lead Generation, Outbound y Brand & Design); contrata al resto desde el Org Chart o crea las tuyas. Cada una toma notas en una memoria en markdown mientras trabaja, y las conversaciones pasadas relevantes se recuperan automáticamente en su contexto.

Herramientas integradas que se ejecutan en el mismo proceso. Comandos de shell y tareas en segundo plano, edición de archivos, búsqueda rápida de código, PDF, adjuntos e imágenes, web scraping, gráficos (ECharts y Mermaid), archivos CSV y generación de imágenes con Hive LLM. Se ejecutan dentro del propio Hive, sin servidores de herramientas que arrancar.

Tu navegador, manejado por tus agentes. La extensión Hive Browser Bridge permite a los agentes trabajar en tu propio Chrome, donde ya tienes la sesión iniciada. Cada trabajador tiene su propio grupo de pestañas.

Habilidades (skills). Instrucciones reutilizables en el formato abierto Agent Skills. Hive incluye un conjunto de serie, las Queens escriben otras nuevas cuando un método demuestra que funciona, y tú las gestionas todas en la Skills Library.

Cualquier servidor MCP. Agrega uno con hive mcp add y sus herramientas se suman a las mismas allowlists que las integradas. El catálogo completo de integraciones de tools/ (GitHub, Gmail, HubSpot, Slack, Notion y muchas más) funciona como uno de ellos; consulta docs/tools.md.

Sigue trabajando cuando no estás. Las colonias pueden despertarse solas con disparadores de cron, de intervalo o de webhook. Sentinel, que activas colonia por colonia, vigila a una Queen cada vez que se detiene: le da un empujón para que siga o te escala el caso a través de la bandeja de entrada de Hive, Telegram o Slack, y ella retoma el trabajo en cuanto respondes.

Hecho para resistir. Cada agente guarda su estado en disco y, tras una caída o un reinicio, continúa exactamente donde lo dejó. Los resultados grandes de las herramientas se vuelcan a archivos en lugar de saturar el contexto, las sesiones largas se compactan solas, se detectan los turnos atascados o en bucle, y cada trabajador funciona con un presupuesto estricto de llamadas a herramientas.

Cualquier modelo. Todo lo que admite LiteLLM, incluidos OpenAI, Anthropic, Gemini, OpenRouter, Hive LLM, cualquier endpoint compatible con OpenAI y modelos locales con Ollama. Los trabajadores pueden usar un modelo distinto al de su Queen, y los modelos que solo manejan texto pueden ver imágenes gracias a un fallback de visión.

Hive vale la pena cuando lo difícil ya no es el modelo, sino todo lo que lo rodea:

• Un proceso con muchas unidades de trabajo similares, como leads, cuentas, tickets, repositorios o documentos, que quieres resolver en paralelo y siempre de la misma forma.
• Trabajo que dura horas o se ejecuta de forma programada y tiene que sobrevivir a un reinicio.
• Resultados que necesitas revisar, consultar y auditar, no solo leer en un chat.
• Una persona que sigue al mando de las decisiones importantes.

Para un solo prompt o un script puntual, un agente normal es más sencillo.

• Primeros pasos: la instalación con más detalle
• Resumen de la arquitectura: cómo encajan las colonias, el bucle, las herramientas y la memoria
• Conceptos clave: colonia, Queen, trabajadores, coordinación, el bucle, objetivos y resultados, cómo mejoran las colonias
• Herramientas: herramientas integradas, servidores MCP y el catálogo de integraciones
• Configuración y la guía para desarrolladores
• Hoja de ruta: lo que incluye V1 y lo que sigue pendiente
• docs.adenhq.com: documentación en línea

¿Qué modelos admite Hive? Cualquier proveedor que admita LiteLLM, además de cualquier endpoint compatible con OpenAI. El quickstart configura los más habituales, incluidas suscripciones de programación como Claude Code y OpenAI Codex; docs/configuration.md explica el resto.

¿Puedo usarlo con modelos locales? Sí. Elige Ollama en el quickstart, o configura un modelo como ollama/llama3 con Ollama ejecutándose en local.

¿En qué se diferencia de otros frameworks de agentes? La mayoría de los frameworks te piden diseñar un grafo de agentes y conectar sus entradas y salidas. Hive tiene un solo tipo de agente: la Queen es un bucle de agente y cada trabajador es un clon suyo. La orquestación ocurre en tiempo de ejecución mediante llamadas a herramientas, y los agentes se coordinan a través de un tracker SQL compartido en lugar de pasarse mensajes por las aristas de un grafo. La persistencia, la reanudación, los presupuestos, la compactación y la supervisión viven en ese único bucle, así que todos los agentes los tienen.

¿Dónde se guardan mis datos? En tu máquina. Las sesiones, las colonias, los trackers y la memoria son archivos normales dentro de ~/.hive (o donde apunte HIVE_HOME), y las API keys se guardan ahí cifradas.

¿Cómo mantengo los costos bajo control? Cada trabajador funciona con límites estrictos de turnos y llamadas a herramientas, así que un trabajador atascado se detiene solo, y el número de trabajadores que se ejecutan a la vez está limitado. Se mide el consumo de cada llamada al modelo. Todavía no hay límites de gasto en dólares.

¿Pueden los agentes usar mis propias herramientas y APIs? Sí: con la shell y el navegador integrados, con cualquier servidor MCP que agregues y con habilidades que les enseñan tus procedimientos.

¿Hive es de código abierto? Sí, bajo la Licencia Apache 2.0.

Las contribuciones son bienvenidas, sobre todo herramientas, integraciones y habilidades (#2805). Lee primero CONTRIBUTING.md y consigue que te asignen un issue antes de abrir un pull request: comenta en el issue y un mantenedor te lo asignará. Tienen prioridad los issues con pasos para reproducir el problema o con una propuesta concreta.

• Discord para preguntas, solicitudes de funciones y debate
• X / Twitter y LinkedIn para novedades
• HoneyComb: un mercado comunitario que sigue qué empleos están automatizando los agentes de IA. Toma posiciones largas o cortas sobre un empleo con tokens de cómputo, no con dinero.

Estamos contratando en ingeniería, investigación y go-to-market. Ver vacantes.

Para reportar una vulnerabilidad, consulta SECURITY.md.

Licencia Apache 2.0. Consulta LICENSE.

Hecho con 🔥 pasión en San Francisco