Hive Mind

MCP搜索检索

提供方 tlee933

搜索检索 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude
查看接入方式

一个具有语义RAG、持续学习和网络威胁防御功能的分布式AI记忆系统,支持会话间持久化上下文,并通过本地模型持续微调。

一句话选型结论

按资料字段整理

Hive Mind 属于搜索检索类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类搜索检索 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 18 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

搜索检索
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量18暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

语义RAGPython本地部署持续学习网络威胁防御分布式系统

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python3 -m venv .venv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 18 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
联网搜索取证

让模型查最新资料并给出出处。

资料聚合

把一个主题的网页、文档集中抓回来整理。

情报与竞品检索

按关键词持续检索行业动态和竞品信息。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 18 个工具,覆盖面较广,能满足多种调用。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude,换客户端不用重新研究配置。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在搜索检索场景里让模型直接调用外部能力的人。
  • 已经在用 Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Hive Mind当前 18 stdio · 本地进程 本地部署 有 2026-05-17
Brave Search 433812ff 2 未标注 未标注 无 2026-05-17
Sequentialthinking 1 SSE · 服务端推送 远程部署 有 2026-05-18
Baidu Netdisk 未标注 未标注 未标注 无 2026-05-17
ragflow 未标注 stdio · 本地进程 本地部署 有 2026-04-11
mindsdb (430e18) 未标注 未标注 未标注 有 2026-05-17

服务器档案

搜索检索
字段来自项目仓库与公开索引,中文说明由本站标注
提供方tlee933上游标注的维护方 tlee933
分类搜索检索本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

8.9 KB
来自项目仓库与上游目录的原文,未做删改

蜂巢思维

> 具有语义RAG、持续学习和网络威胁防御的分布式人工智能记忆系统

一个自我改进的人工智能后端,可以在会话之间持久化上下文,用语义RAG丰富LLM提示,并根据自身的交互不断微调本地模型。权力 Talos AI Suricata 用于自主网络威胁防御。完全本地,零云依赖。


它的作用

  • 持久内存 跨终端重启,通过Redis集群跨机器共享
  • 语义RAG 自动将相关上下文注入到每个LLM提示符中
  • 持续学习 该管道收集交互,通过QLoRA进行微调,导出到GGUF,并将模型热交换到生产中
  • 网络威胁防御 --权力 Talos AI Suricata 用于自主IDS警报分析和防火墙阻止
  • 双重访问模式 通过MCP协议(Claude Code)和HTTP API(任何客户端)
  • 主动检索跟踪 具有命中率监测和差距分析功能
  • 多节点架构 --aurora上的GPU推理、alderlake上的服务、NAS上的存储

建筑

组件 主机 端口 角色
Redis 集群 极光 7000-7002 3大师、会话、事实、缓存、苏里卡塔警报流
Redis副本 alderlake 7003-7005 3个副本用于读取扩展
HiveCoder(Qwen3-14B) aurora 8089/8090 LLM推理(骆驼服务器+Hive Mind HTTP代理)
嵌入服务 alderlake 8081 bge-small-en-v1.5用于语义RAG(CPU)
HTTP API aurora 8090 OpenAI兼容代理,支持RAG注入
MCP服务器 aurora stdio 克劳德代码集成,13个工具
学习守护进程 极光 - 5分钟间隔,耗尽队列,触发QLoRA训练
Talos AI Suricata alderlake 5140/8080 威胁分析容器(eve_receiver、ai_suricata、仪表板)

数据流```

User Query
-> MCP Server or HTTP API
-> Semantic RAG (embed query, cosine sim against facts)
-> Inject matching facts into system prompt
-> HiveCoder / Qwen3-14B (:8090)
-> Response returned
-> Interaction logged to learning queue

Learning Queue (Redis Stream)
-> Continuous Learning Daemon (every 5 min)
-> Quality filter
-> QLoRA fine-tune -> GGUF export -> Hot swap HiveCoder

Suricata Alerts (via Talos AI Suricata)
-> OPNsense syslog -> eve_receiver (alderlake:5140)
-> Redis -> ai_suricata daemon
-> HiveCoder analysis -> 4-tier auto-block -> OPNsense API


### MCP工具

|类别|工具|
|----------|-------|
| **记忆** | `memory_store`, `memory_recall`, `memory_list_sessions` |
| **事实/RAG** | `fact_store`, `fact_get`, `fact_delete`, `fact_suggestions` |
| **LLM** | `llm_generate`, `llm_code_assist`, `llm_complete` |
| **网络** | `web_fetch`, `web_search` |
| **桥** | `conversation_log`, `conversation_recent` |
| **系统** | `tool_cache_get`, `tool_cache_set`, `learning_queue_add`, `get_stats` |

______________________________________________________________________

## 演出

|组件|度量|值|
|-----------|--------|-------|
|HiveCoder(Qwen3-14B)|生成速度|~54tok/s|
|HiveCoder(Qwen3-14B)|提示处理|~241 tok/s|
|Redis集群|流水线吞吐量|59763次操作/秒|
|Redis集群|延迟|\<1ms|
|RAG|命中率|87.5%(31个事实,语义)|
|训练|全周期(QLoRA)|~4分钟(LoRA+GGUF输出)|
|VRAM |推理|~13GB/32GB|

______________________________________________________________________

## 快速开始

### 先决条件

- Docker或Podman(适用于Redis集群)
- Python 3.12+(在3.14上测试)
- AMD GPU,16GB+VRAM和ROCm 6.x+(在R9700 32GB、ROCm 7.12上测试)
- llama.cpp (`llama-server` 二进制)

### 安装```bash
git clone https://github.com/tlee933/hive-mind.git
cd hive-mind

# Deploy Redis Cluster (6 nodes + Docker)
./scripts/deploy-redis-cluster.sh

# Python environment
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

# Configure
cp config.example.yaml config.yaml
# Edit config.yaml with your Redis password and model paths

启动服务```bash

Redis (should already be running via Docker/Podman)

docker ps | grep redis

HiveCoder (Qwen3-14B)

./scripts/start-hivecoder.sh

HTTP API

source .venv/bin/activate
CONFIG_PATH=../config.yaml python mcp-server/http_server.py


### Claude代码集成

增添 `.mcp.json` 或 `~/.config/claude-code/mcp_config.json`:```json
{
"mcpServers": {
"hive-mind": {
"command": "python",
"args": ["mcp-server/server.py"],
"env": {
"CONFIG_PATH": "/path/to/hive-mind/config.yaml"
}
}
}
}

HTTP API```bash

Health check

curl localhost:8090/health

Chat with RAG injection

curl localhost:8090/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"messages": [{"role": "user", "content": "explain btrfs snapshots"}]}'

Interactive docs

open http://localhost:8090/docs


______________________________________________________________________

## 持续学习管道

随着时间的推移,该系统不断改进——交互成为HiveCoder的训练数据:

1. **收集** --每个LLM交互都记录到Redis流中
1. **过滤器** --质量过滤器去除低质量样本
1. **火车** --QLoRA微调(4位NF4,r=16,alpha=32)在50多个样本后触发
1. **出口** --训练模型导出到GGUF(Q5_K_M)
1. **部署** --Symlink热插拔+llama服务器重启,零停机

两条训练路径:

- **自动化** --每天凌晨2点的systemd计时器(`hive-mind-training.timer`)
- **连续的** --守护进程监控学习队列,在达到阈值时进行训练(`hivecoder-learning.service`)

两者都使用QLoRA(bitsandbytes 4-bit,从ROCm/gfx1201的源代码构建),并在训练期间停止LLM服务器以释放VRAM。```bash
# Check learning status
python learning-pipeline/scripts/continuous_learning.py --status

# Force immediate training
python learning-pipeline/scripts/continuous_learning.py --train-now

语义RAG

每一个LLM电话都丰富了知识库中的相关事实:

  1. 嵌入 使用bge-small-en-v1.5(384 dim,通过alderlake嵌入服务在CPU上运行)的用户查询
  2. 搜索 基于余弦相似性的预计算事实嵌入
  3. 过滤器 按阈值(>=0.45良好,>=0.6强匹配)
  4. 注入 在发送到llama服务器之前,将事实匹配到系统提示中
  5. 轨道 检索质量(命中率、漏检、弱匹配)

硬件

节点 角色 规格
极光 GPU推理+训练,Redis初级 AMD Ryzen 9,PowerColor AI PRO R9700 32GB VRAM,ROCm 7.12,32GB RAM
奥尔德莱克 Talos AI Suricata,Redis复制品,嵌入 i7-12700(20T),64GB RAM,PowerColor Red Devil RX 6700 XT 12GB VRAM,Fedora CoreOS
网络附加存储 持久存储(EVE日志、模型、备份) Synology、NFS、11TB
OPNsense 防火墙、Suricata IPS、DNSBL 192.168.1.1

项目结构```

hive-mind/
mcp-server/
server.py # MCP server (stdio, 13 tools)
http_server.py # HTTP API (:8090) with RAG injection
learning-pipeline/
scripts/
continuous_learning.py # Training daemon (QLoRA, GPU orchestration)
train_lora.py # LoRA/QLoRA fine-tuning
automated_training.sh # Daily 2 AM training (systemd timer)
export_model.py # GGUF export
models/ # Model registry + exports
scripts/
deploy-redis-cluster.sh # Redis cluster setup
start-hivecoder.sh # HiveCoder launcher
backup-to-nas.sh # Daily model backup with rotation
config.yaml # Redis, inference, embedding config
diagram_hivemind.py # Architecture diagram generator (Pillow)
hivemind_architecture.png # Architecture diagram
```


如何比较

功能 蜂巢思维 Mem0 LangMem Qdrant MCP
持久内存 是 是 有 有
语义RAG 是 是 有 有
本地LLM推理 是 否 否 不
持续微调(QLoRA) 是 否 否 否
自我改进模型 是 否 否 否
网络威胁防御 是 否 否 否
多节点部署 是 否 否 否
检索质量跟踪 是 否 否 否
MCP协议 是 是 否 是
完全本地/零云 是 否 否 部分

文档

文档 描述
JOURNEY.md 完整的项目历史记录、构建日志
QUICKSTART.md 2分钟后开始跑步
MCP_SERVER_READY.md 操作状态、所有工具、配置
docs/ARCHITECTURE.md 深入系统设计
学习管道/README.md 培训管道文件

许可证

麻省理工学院


基于Fedora Atomic(Kinoite 43)构建,采用ROCm 7.12和PyTorch 2.10

返回顶部

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
Hive Mind 怎么安装?

在客户端按下面的安装命令接入:python3 -m venv .venv。装完在客户端配置里引用同一个包或端点。

Hive Mind 怎么在 Claude 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

Hive Mind 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Hive Mind 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

Hive Mind 支持哪些客户端?

资料标注支持 Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Hive Mind 能提供哪些能力?

资料显示约 18 个工具;能力标签包括 Python、Claude、分布式系统。具体工具清单以官方文档为准。

Hive Mind 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

Hive Mind 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。