hivemind 딥다이브
— 모든 AI 코딩 에이전트가 공유하는 '하나의 뇌'

1프로젝트 한줄 요약

이 레포가 무엇을 하는 물건인가.

Hivemind는 Capture → Codify → Propagate → Compound의 4단 루프로 요약된다. npm install -g @deeplake/hivemind && hivemind install 한 줄이면, 설치 프로그램이 내 머신에 깔린 지원 에이전트를 전부 감지해 라이프사이클 훅(hook)을 자동으로 꽂는다. 이후엔 코딩만 하면 된다 — 캡처도, 회상(recall)도 기본값이 켜져 있다.

2왜 주목받는가

트렌딩 이유 · mem0·Letta·Zep 등 경쟁 대비 장점.

2026년 현재 "AI 에이전트 메모리"는 가장 뜨거운 인프라 격전지다. mem0·Letta(구 MemGPT)·Zep 같은 라이브러리가 "에이전트가 대화를 기억하게" 만드는 데 집중했다면, Hivemind는 세 가지 차별점으로 시선을 끈다. 첫째, "개인 메모리"가 아니라 "팀 공유 뇌"다 — 세션·에이전트·동료·기기를 가로질러 같은 substrate를 본다. 둘째, 기억에서 끝나지 않고 패턴을 스킬로 자가 증류한다(skillify). 셋째, 한 줄 설치로 6종 에이전트에 동시에 꽂히는 멀티-에이전트 통합 표면을 갖췄다.

3기술 스택 전체 지도

백엔드(저장·검색) / 통합(에이전트 훅) / 인프라(빌드·배포) 각각 상세.

① 핵심 런타임 & 의존성 (package.json)

순수 TypeScript ESM 모노레포다. Node ≥22, 빌드는 tsc(타입체크)+esbuild(번들)로 각 에이전트별 번들을 뽑는다.

② 통합 표면 — 6종 에이전트에 꽂히는 방식

Hivemind의 진짜 공학은 "제각각인 에이전트들의 라이프사이클 이벤트를 같은 코어에 연결"하는 어댑터에 있다. 각자 훅 메커니즘이 다르다.

③ 인프라 · 거버넌스

4아키텍처 심화 분석

여러 에이전트 ↔ 공유 메모리 코어 ↔ Deep Lake 저장소 + 핵심 설계 패턴.

전체 구조 한눈에

위에는 서로 다른 코딩 에이전트들이 있고, 각자 자기 방식의 라이프사이클 훅으로 같은 코어에 붙는다. 코어는 두 방향으로 일한다 — 세션 중엔 회상(recall)으로 컨텍스트를 주입하고, 세션 후엔 캡처(capture)로 트레이스를 적재한다. 모든 것은 결국 Deep Lake의 7개 테이블(=공유 substrate)로 수렴한다.

Deep Lake에 쌓이는 7개 테이블 — substrate의 실체

src/deeplake-schema.ts가 단일 진실원이다. 흥미로운 건 대부분 테이블이 불변(immutable) + 버전 증가 패턴이라는 점 — 수정은 UPDATE가 아니라 version+1로 새 행을 INSERT하고, 읽을 땐 ORDER BY version DESC LIMIT 1로 최신만 고른다.

핵심 설계 패턴 1 — 가상 파일시스템(VFS) 위의 메모리

Hivemind는 에이전트가 ~/.deeplake/memory/ 경로에 평범한 파일 I/O를 하는 것처럼 보이게 한다. 그러나 그 경로의 읽기/쓰기는 SQL 백엔드로 가로채진다(intercept). 에이전트는 cat·ls·heredoc 같은 친숙한 셸 동작으로 메모리를 다루고, Hivemind가 이를 Deep Lake 행으로 번역한다. just-bash의 ~70개 allowlist 빌트인만 허용되고 나머진 거부된다.

핵심 설계 패턴 2 — 스키마 자가 치유(self-healing)

분산된 여러 머신의 에이전트가 서로 다른 플러그인 버전으로 같은 테이블에 쓴다. 컬럼이 늘어나면? healMissingColumns()가 먼저 information_schema.columns를 SELECT해 실제로 빠진 컬럼만 ALTER TABLE ADD COLUMN 한다(blanket·IF NOT EXISTS 금지). 동시 쓰기 레이스로 "already exists"가 나면 재-SELECT로 검증 후 무해 처리한다.

// deeplake-schema.ts — 빠진 컬럼만 진단 후 추가, 레이스는 재검증
const missingCols = columns.filter(c => !existing.has(c.name.toLowerCase()));
for (const col of missingCols) {
  try {
    await query(`ALTER TABLE "${safeTable}" ADD COLUMN ${col.name} ${col.sql}`);
  } catch (e) {
    if (!/already exists/i.test(msg)) throw e;   // 진짜 에러는 다시 던짐
    // 동시 쓰기 레이스 → 재-SELECT로 존재 확인되면 성공으로 간주
  }
}

핵심 설계 패턴 3 — Capture → Codify → Propagate → Compound

이 레포의 간판 아이디어. 단순 회상을 넘어 자기 강화 루프를 만든다.

게다가 트레이스가 Deep Lake 텐서 포맷이라, 그대로 PyTorch 데이터셋으로 export해 조직 고유 trajectory로 오픈소스 모델을 파인튜닝하는 길까지 열린다(로드맵). 루프가 한 바퀴 돌 때마다 회상은 더 정확해지고, 데이터 자산은 더 두꺼워진다.

5디렉토리 구조 해부

공유 코어(src/) + 에이전트별 번들 디렉토리로 나뉜 모노레포.

6학습 포인트 (기술별)

이 레포에서 무엇을 배우고, 무엇을 실습할까.

A. 멀티-에이전트 통합 어댑터 패턴

제각각 훅 모델이 다른 6종 에이전트(플러그인·hooks.json·네이티브 확장·MCP·AGENTS.md)를 하나의 공유 코어에 연결한다. "이질적 라이프사이클을 공통 인터페이스로 정규화"하는 어댑터 설계의 교과서다.

B. 가상 파일시스템(VFS) = SQL을 파일로 위장

경로 I/O를 가로채 DB로 번역하는 패턴. just-bash로 allowlist 샌드박스 셸을 만들고, 경로 매칭(path-match.ts)으로 트리거 경로만 가로챈다. 에이전트에게 "친숙한 도구로 새 백엔드를 쓰게" 하는 인터페이스 설계 사례.

C. 불변 + 버전 증가 데이터 모델

UPDATE 대신 version+1 INSERT, 읽기는 최신 버전 선택. 감사 로그·동시성·soft-delete를 한꺼번에 해결한다. 이벤트 소싱(event sourcing)의 경량 버전으로 이해하면 좋다.

D. 스키마 자가 치유 + graceful degradation

분산 쓰기 환경에서 컬럼 drift를 information_schema diff로 잡아 빠진 것만 ALTER하고, 레이스는 재검증한다. 임베딩이 없으면 BM25로 조용히 폴백한다. "실패해도 죽지 않는" 운영 견고성의 정석.

E. 패턴 마이닝 → 스킬 codify (skillify)

최근 트레이스를 LLM(Haiku)에게 던져 "재사용할 가치가 있는 절차인가"를 판정받고 SKILL.md로 굳히는 파이프라인. "에이전트 활동에서 자동으로 자산을 추출"하는, 에이전트 시대의 핵심 기법.

7시스템 요구사항

설치는 한 줄, 그러나 전제와 선택지가 있다.

8직접 해볼 수 있는 실습 과제

난이도별 5단계 — 설치 체험부터 코어 패턴 재구현까지.

9관련 기술 심화 학습 로드맵

6주 코스 — 에이전트 메모리에서 분산 데이터 모델까지.

10핵심 키워드 사전

본문·README·코드에 나온 용어 빠른 참조.

11참고 링크

• GitHub: activeloopai/hivemind
• npm 패키지: @deeplake/hivemind
• 아키텍처 문서: docs/ARCHITECTURE.md
• 스키마 단일 진실원: src/deeplake-schema.ts
• Deep Lake: activeloopai/deeplake · deeplake.ai
• LoCoMo 벤치마크 논문: arXiv 2402.17753
• Activeloop (제작팀): activeloop.ai