Hive开源浏览器工作台：Claude Code、Codex、Gemini横向测评
当Claude Code、Codex CLI、Gemini CLI和OpenCode等工具的代码生成能力日趋同质化时，决定开发者体验的关键，已不再是模型本身的“智商”，而是承载它们的工作台设计。
核心差异体现在工作流的组织上：任务如何被分解与分配？执行、审查与输出的环节如何衔接？如何确保一个长时间运行的任务在中断后能够无缝恢复？
为此，我们开源了Hive。
这是一个基于浏览器的本地多智能体协作工作台。Hive并非要替代现有的AI编程CLI工具，而是将它们作为独立的命令行进程进行编排，在你的本地项目中构建一支协同工作的“AI开发小队”。
超越“聊天框”的协作挑战
当前AI编程工具的核心痛点，并非能力短板，而是强大能力带来的管理复杂度飙升。
典型场景包括：
- 需要同时打开多个终端窗口，分别运行Claude Code、Codex并监控测试结果；
- 智能体之间缺乏状态共享，实现与审查的上下文需要手动同步；
- 长任务执行过程难以追溯，只能依赖有限的终端滚动历史；
- 缺少统一的调度层来协调编码、测试、审查等不同角色的智能体分工。
单个CLI智能体如同一位顶尖专家，但当你需要多位专家共同完成一个项目时，就必须引入任务看板、状态追踪和清晰的汇报机制。
Hive正是为了解决这一“团队协作层”的缺失而构建。
Hive的核心架构理念
Hive的架构围绕两类核心角色展开：
- 协调者：负责任务拆解、工作分配与进度汇总；
- 工作者：负责具体执行，可以是编码员、审查员、测试员或任何自定义角色。
关键在于，所有角色都是真实的本地CLI进程，而非模拟的虚拟智能体。
例如，协调者可以是你本机的claude进程，工作者则可以是codex、opencode或gemini进程。Hive为每个进程分配独立的PTY（伪终端），并在其Shell环境中注入轻量的team协议，从而实现任务派发、进度汇报与状态同步。
工作机制解析
Hive的工作流可以概括为以下结构：
浏览器 UI：任务、团队、终端、汇报
|
| HTTP + WebSocket
v
Hive Runtime：SQLite 元数据、PTY 生命周期、任务调度
|
+-- Orchestrator PTY 例如 claude
+-- Worker PTY 例如 codex
+-- Worker PTY 例如 opencode
+-- Worker PTY 例如 geminiworkspace 里的任务图：
/.hive/tasks.md
其设计遵循了几个关键原则：
- 本地优先：运行时仅绑定
127.0.0.1，不涉及任何云端托管； - 真实PTY：每个智能体都是拥有完整Shell权限的命令行进程；
- Markdown任务图：核心任务状态持久化在
/.hive/tasks.md - 模型无关：支持Claude Code、Codex、OpenCode、Gemini及任何自定义命令；
- 非沙箱环境：这是一个工作台，而非安全隔离环境。工作者拥有与你相同的本地Shell权限，请仅在信任的项目空间中使用。
典型工作流示例
假设你需要对一个复杂功能进行重构，使用Hive的流程如下：
- 在本地项目目录中初始化一个Hive工作空间；
- 启动一个协调者进程（如Claude Code）；
- 添加多个工作者，分别承担编码、审查、测试等角色；
- 向协调者清晰描述最终目标；
- 协调者通过
team send命令将子任务分派给对应工作者； - 工作者使用
team report汇报进展与结果； - 你可以在统一的浏览器界面中，实时查看所有终端的输出、任务状态和审查流程。
这套流程的核心价值，并非实现“全自动编码”，而是将多个CLI智能体的工作过程完全透明化。人类开发者始终掌握最终决策权，但可以清晰地洞察：谁在做什么、进展如何、是否存在阻塞、哪些输出需要重点审查。
安装与启动
前置要求：
- Node.js 22 或更高版本；
- 至少已安装并配置好一个AI编程CLI工具（如Claude Code），确保其可在
PATH中直接调用。
安装命令：
npm install -g @tt-a1i/hive
hive
启动后，访问终端中显示的本地地址（通常为）：
如需指定端口：
hive --port 4010
升级方法：
hive update
若想先体验工作流，无需立即安装具体CLI工具。首次启动时可选择试用Demo，其中包含模拟的协调者、工作者及预录的终端输出，便于你快速评估该协作模式是否符合你的开发习惯。
目标用户
Hive可能适合以下开发者：
- 已在日常工作中使用Claude Code、Codex CLI、OpenCode或Gemini CLI的开发者；
- 需要同时管理多个AI编程终端窗口的用户；
- 希望将开发任务拆解为“实现、审查、测试、调研”等环节，并由不同智能体分工协作的团队；
- 坚持本地优先、不愿将核心开发工作流迁移至云端的开发者；
- 希望研究多智能体协作架构，但不想从零构建PTY管理、任务调度和UI界面的研究者。
Hive不适合期望“一键部署”的SaaS式自动化场景。它不是一个托管平台，而是一个本地控制台，旨在高效组织你已有的CLI智能体工具。
当前支持的智能体预设
Hive目前内置了以下常用预设：
| 预设 | 命令 |
|---|---|
| Claude Code | claude |
| Codex | codex |
| OpenCode | opencode |
| Gemini | gemini |
| 自定义 | 任意可执行文件 |
对自定义命令的支持是Hive的设计基石。AI编程工具生态快速演进，一个中立、可扩展的工作台才能持续提供价值。
为什么关注多智能体工作台
过去，AI编程的讨论焦点集中在模型能力：代码生成质量、测试通过率、上下文长度。
这些指标固然关键。但当模型能力进入平台期后，工程化挑战便成为瓶颈：
- 工作流是否具备足够的可观察性；
- 任务状态管理是否可靠；
- 多智能体协作是否高效；
- 人类审查环节是否被妥善集成；
- 任务失败后能否从断点恢复，而非全盘重来。
本质上，对AI工作流的“驾驭能力”正变得比模型能力本身更重要。
Hive目前提供了一个本地化起点：基于真实PTY的进程管理、团队协作协议、Markdown任务图谱和浏览器工作台。未来将探索跨智能体记忆、增强型任务视图、代码审查流程优化以及对长时运行任务的更好支持。
