没人谈论的问题
你用 Claude 写代码，ChatGPT 写文案，Gemini 做调研，本地 Agent 跑自动化。
每一个都从零开始。每一个都问同样的问题：
「你习惯用什么语言？」 「你用什么技术栈？」 「你在哪个时区？」
你反复重复自己。无休止地。跨设备、跨平台、跨 Agent。N 台设备 × M 个 Agent = N×M 个信息孤岛。
我受够了。所以我造了个东西。
Swarm AI 是什么？
Swarm AI 是一个自托管服务器，给你所有的 AI Agent 提供共享记忆。一个 Agent 了解了你的某个信息——所有 Agent 都知道。
可以把它理解成一个用户画像 API，任何 Agent 都能读写。身份、偏好、工作上下文、沟通风格——按层组织，带置信度评分，标注来源。
Agent A ──┐ ┌── 画像（分层）
Agent B ──┤── Swarm API ──────┤── 记忆（FTS5）
Agent C ──┘ (REST + JWT) └── 审计日志
不需要 SDK。不锁定框架。只要你的 Agent 能发 HTTP 请求，就能加入蜂群。
30 秒接入
这是我最得意的部分。
传统集成流程：读文档 → 装 SDK → 配认证 → 写集成代码 → 测试 → 部署。每个 Agent 都要花几个小时。
Swarm 的方式：复制一段 prompt，粘贴给你的 Agent，完事。
流程是这样的：
- 打开 Swarm 控制台
- 点击接入卡片上的「复制 Prompt」
- 发给任意 AI Agent
这段 prompt 里包含一个 llms.txt URL，里面内嵌了你的 API token。Agent 读取文档，学会 API，开始同步——全在一轮对话里完成。
连接我的 Swarm AI 画像系统。
读取文档 https://hive.example.com/llms.txt?key=swarm_xxx
用它来了解我，并记住你学到的东西。
就这样。零配置文件。零代码。Agent 自己教自己。
实际工作原理
分层画像
数据按自由格式的层组织：
- identity — 姓名、语言、时区
- preferences — 技术栈、编辑器、沟通风格
- work — 项目、角色、GitHub
- context — 临时信息，24 小时自动过期
每条记录带置信度评分。高置信度事实（用户明确说的）永远不会被低置信度猜测（Agent 从上下文推断的）覆盖。
共享记忆
除了结构化画像，Agent 还能写入和搜索自由文本记忆：
POST /api/v1/memory
{"content": "用户完成了 Swarm AI 的发布", "tags": ["milestone"]}
通过 FTS5 全文搜索。配置 embedding API 后还支持语义搜索。
多用户与租户隔离
每个用户有独立的数据空间。管理员控制谁能访问什么。注册在你账号下的 Agent 只能看到你的数据。
Observe API
不想手动组织结构化数据？直接扔自然语言过来：
POST /api/v1/profile/observe
{"text": "用户偏好 TypeScript，在 WSL2 上用 VSCode"}
Swarm 自动提取结构化画像条目。
为什么要自托管？
你的画像数据极其私密。它就是一张关于你是谁、你做什么、你怎么思考的地图。这些数据应该放在你的服务器上，在你的控制之下。
Swarm 以单个 Next.js 进程运行，搭配 SQLite。一条命令安装：
| |
交互式 CLI 会询问端口、管理员 token，还可以选择配置 systemd 服务。从零到运行，不到一分钟。
接下来
- MCP Server — 原生支持 Model Context Protocol 的 Agent 集成
- 冲突解决 — Agent 之间意见不一致时更智能的合并策略
- 画像版本控制 — 在画像历史中时间旅行
- 联邦 — 多个 Swarm 实例之间共享数据（需用户同意）
试试看
Swarm AI 基于 MIT 协议开源。
- npm:
npx @peonai/swarm - GitHub: github.com/peonai/swarm
- 在线演示: hive.peonai.net — 测试账号：
peon/123456
⚠️ 演示是公共实例。请勿连接你的真实 AI Agent 或输入个人信息。测试请用虚拟机或一次性 Agent。
如果你也受够了对每个新 AI Agent 重复自我介绍，试试看。一次安装，一段 prompt，你的 Agent 们终于能互相通气了。
由 PeonAI 构建。Work work. ⛏️