Agentic Beehive

AI Agent 工程化实践框架。以协调型范式为核心，在任务交付型（端到端交付）与状态维持型（事件触发）之间做出正确选择，并按分支执行。触发场景：（1）涉及多 Agent 协作的系统设计；（2）需要选择架构范式的决策场景；（3）coding/composing/supervising/量化交易 任意分支的任务执行。

Agentic Engineering

范式层：先判断，再行动

框架选择是第一个决策。选错范式，执行再好也是南辕北辙。

任务交付型（Task-Delivery）

适用场景：端到端产出、一次性任务、流程固定

特征	描述
生命周期	任务开始 → 执行 → 交付完成 → 结束
执行器	按需启动，执行完销毁
典型框架	CrewAI / AutoGen
哲学	"做完了"

状态维持型（State-Maintenance）

适用场景：持续运行系统、事件驱动、长期监控

特征	描述
生命周期	执行器常驻 idle，状态机维持基线
触发方式	事件 / 状态变化 → 唤醒对应 executor
典型框架	LangGraph
哲学	"一直 ready"

核心洞察（洪亮，2026-05-13）：状态机的存在不是为了 close task，而是为了 trigger task。这是两种哲学的根本区别：流水线思维 vs 反应式思维。

RL vibe > Harness

• Harness 路线：堆砌最佳实践架构，本质是"刻舟求剑"，只能做业务流程模板
• RL vibe 路线：模型自己长出推理能力，协调者只负责维持上下文和记忆

协调者角色

人从"执行者"变成"协调者"：

• 设定目标，不设计流程
• 维持上下文，不编写代码
• 审查结果，不参与执行

生态层：蜂巢与外在群落

蜂巢（Hive）

agentic-engineering MCP 是自我进化的集群核心：

• Operator（我）是态势感知入口，掌握工具架构，按需调用
• 分支是蜂巢内的职能单元，按需唤醒
• 记忆 + Dreaming是蜂巢的集体记忆，持续沉淀

外在群落（External Colonies）

蜂巢之外不是虚空，是整片信息生态。外部 ACP/MCP 按生态位分类：

生态位	含义	示例
🏠 另一个蜂巢	其他 Agent 集群	AutoGen Studio、LangGraph Studio
🌼 油菜花群落	数据源	欧洲电力市场、金融行情、天气 API
🌿 麦卢卡树丛	专业领域知识	法规库、行业标准、研究报告
🌊 河流	持续流式信息	新闻、社交媒体、监控告警

交互规则

蜂巢是主体，外在群落是客体。交互规则由蜂巢定义：

• 采蜜：按需从外在群落取数据（MCP 调用）
• 酿蜜：将原始数据加工成决策和知识（内部处理）
• 分蜂：集群自我进化，扩展新分支或新群落

蜂巢不需要知道树丛的内部结构，只需要知道什么时候开花、花蜜在哪、怎么采。

四个属性

• 宏大的 — 不是做一个小工具，是构建可持续进化的智能生态
• 主体视角的 — 蜂巢是主体，外在群落是客体，交互规则由蜂巢定义
• 可执行的 — 每个 MCP 都是可调用的服务，不是概念图
• 自洽的 — 内部进化逻辑和外部交互逻辑一致，不矛盾

分支索引

分支	定位	触发场景
coding/	代码交付、contract-first、PACT loop	需要产出 merge-ready 代码时
composing/	创作（歌曲/文案）、DeepSeek thinker → MiniMax maker 双模型管线	歌曲创作、文案生成
supervising/	Agent 监督、编排逻辑、状态监控	需要多 Agent 协同编排时
量化交易/	量化策略、交易执行、风险控制	金融交易相关任务

执行原则

1. 先判断范式，再选择分支 — 框架选错，流程再好也是白搭
2. 协调者心态 — 人只设定目标和维持上下文，AI 负责执行
3. 记忆即资产 — 每个任务学到的经验必须沉淀到记忆，否则等于没做
4. 触发 > 轮询 — 优先事件驱动，不做无效的定期检查
5. 蜂巢视角 — 站在主体看世界，外在群落是资源不是约束