LobeHub用AI接管研发流程：8.44万Star，Agent自己派活写代码
Worker不够了主管Agent还能自己招！
Worker不够用了，主管Agent能自己招人！
文婷 发自 凹非寺 量子位 | 公众号QbitAI
前沿大模型、开源项目、大厂人事，三条线各由一位AI小编盯着，上面还有一位AI主编统筹。
我把选题需求丢给主编Agent Sienna，它转身就开始拆活：派人、收稿、汇总，一气呵成。
前后不到8分钟，6条新鲜的AI选题就摆到了我面前：
茶还没泡开，一天的选题工作就这么哼哧哼哧跑完了？！
LobeHub团队半年前就用上了自家的AI协作平台搞研发，派任务、写代码、排查Bug，Agent都参与其中。
到现在，AI已经是LobeHub研发流程里的常驻成员。
在FrontierHarness的30道软件工程任务中，优化后的Agent Harness调用Kimi K3完成了21道，通过率70%，每道成功任务的成本中位数为1.68美元（约11.21元人民币），成绩超过了Codex和Claude Code。
让人没想到的是，DeepSeek最近才在探索Super-Agent架构，而LobeHub早在5月份就把类似的人机协同思路做成了产品，还直接开源了。
眼下，这套工作方式已经进入LobeHub团队的日常研发：Agent自己拆任务、派活、写代码，连审查修改也帮着做。
GitHub上，LobeHub已经揽下8.44万Star。
LobeHub到底是怎么让Agent从单打独斗走向团队协作的？配合默契到什么程度？工作又能被推进到哪一步？
AI开发AI，LobeHub开发自己
AI给AI派活，AI给AI审代码。
这样的场景，已经是LobeHub研发团队的日常。
拿10月28日提交的一次开发任务来说。
当时团队想给任务工具和命令行界面加一项新功能：让Agent创建任务时能直接指定用哪个模型。
这活交给了主管Agent Nasa。
接到需求，Nasa立刻建了一个编号T-1149的任务，转手派给对应的Coding Agent Dario。
Dario接到任务，埋头敲起了代码。
实现功能、补充测试、检查运行结果，一通操作下来，它交出了一份正儿八经的Pull Request，编号#21852。
△Nasa派活记录、Dario提交PR
不过任务还没完。
代码刚提交，另一位AI同事马上过来“找茬”。
这回上场的是OpenAI的Codex代码审查机器人。
交上来的代码被Codex逐项过了一遍，没多久就指出几处需要处理的地方。
接到反馈，Dario也没停下，转身去改代码、补测试，随后把活交回。
一个负责写，一个负责揪bug，Codex和Dario就像现实里的开发工程师与代码Reviewer，来回打磨了好几轮。
这份PR最终通过人工审阅，被合并进LobeHub的代码库。一条真实的AI研发协作链，就这样跑通了。
△Codex审查意见、Dario修改记录、PR合并状态
更有意思的是，LobeHub的Agent已经不满足于单干，开始主动跨项目找其他AI同事帮忙。
比如Agent-foundry项目需要lobe-ui组件库加上自定义中性色支持的时候。
换作以前，两边的开发者得先沟通需求、协调修改，再通知对方更新。
这一回，两个项目的Agent自己就对接上了。
一边提需求，另一边把修改做完。lobe-ui发布6.0.1版本后，上游项目收到升级通知，新功能顺利接上。
△跨项目Agent沟通记录、组件发布记录
以前人类得在两个项目之间来回传话，现在Agent自己把上下游打通了。
LobeHub团队也确实从中尝到了甜头。
据LobeHub团队一位研发成员透露，他已经整整三个月没在本地启动过Dev Server。
按他自己的体感，这套工作方式用下来，开发效率提升了约3-5倍。
自己造的AI反过来帮自己开发产品，甚至还开始协调其他AI同事。
这套工作方式，LobeHub算是真正用起来了，传话损耗也省下不少。
那么问题来了。
把同一套系统交给我这个量子位小编，又会发生什么捏？
哎嘿，我还真用LobeHub组了个AI编辑部！
为了看看这套AI组队干活的本事换个工作场景还灵不灵，我从最熟悉的科技编辑工作下手，亲自拉了一支AI编辑团队，安排两轮实战：
第一轮，让AI主编带着小编们找选题，并生成一份完整简报；
第二轮要看的，是刚交上来的成果能否直接交给下一棒继续干，生成一个动态热点网页。
来咯，上班！
实测一：让AI当一次量子位主编
首先，我在LobeHub里组建了一支迷你版量子位编辑部队伍。
选题主编Sienna负责统领大局，手下还有三位各有所长的AI小编。
Gemini 4 Argon负责盯紧大厂人事变动，看看最近又有哪位大佬跳槽了；
Claude化身开源星探，专门挖掘GitHub社区里的新鲜项目；
DeepSeek则负责前沿冲浪，寻找最近值得报道的大模型动态。
一切准备就绪，开工！！
我吩咐Sienna从人事变动、新模型发布和开源新项目三方面，分别为我找出2条值得关注的最新动态；
并特意告诉它：
我们的读者是一群常年关注AI大模型、具身智能等前沿科技动态的5G冲浪达人。
读者平常刷行业动态也就花个5-10分钟，所以挑的题得新鲜、准确、信息够密，让内行一眼看出出了什么事、值不值得跟；基础科普、空泛议论和纯宣传稿都得挡在外面。
每个方向各选2条够得上量子位报道的动态，加起来6条。每条要给出候选标题、消息日期、核心新闻事实、推荐理由，外加一个点开就能用的一手来源链接。
任务一发出去，接下来我就没再插手。
只见Sienna有条不紊地给三位AI小编分派任务，组织大家各自开工。
我则美滋滋地端起了手边的卡美罗焦糖拿铁，准备围观。
结果咖啡还没喝上几口，不到8分钟，三位AI小编就带着新鲜出炉的选题和信源出处，陆陆续续地从四面八方赶回来向主编交差了。
更有意思的是，Sienna还真挺有点主编范儿。
收到选题后，它并没有直接照单全收，而是逐条检查质量。
如果信源说不清、一手报道链接也找不到，它会直接甩出一份完整的验收清单；等我批了，转头就提醒对应的Agent“注意标准啊，重找！”。
就这样，一番忙活下来，我点开任务栏一看。
嚯！
一份包含6条最新AI动态的量子位选题简报，已经整整齐齐地交上来了：
候选标题、新闻日期、核心事实、推荐理由、信源链接一个没落。
它还一并给出了三位AI小编各自的任务回执，告诉我哪些细节得靠人来复核。
简报交上来之后，我脑子里又冒出一个新问题，临时把负责大厂人事的Agent叫来追问了一句。
Tibo这段时间究竟跑哪去了？怎么重置还不发？
它没反问Tibo是谁，而是接着此前的人事线索往下查，没费多少工夫就把Tibo的调岗时间和公开动向理得清清楚楚。
甚至还多送了我一个能让节目效果翻倍的写稿思路。
把Tibo和前不久跳槽到他手下的Cat Wu并到一块儿写，效果会更好哦！
行行行，这可真是贴心啊～
派活、收稿、审核它都能自己来，临时加的任务也接得住，甚至还会站在我这个小编辑的位置上主动出主意。
这帮AI编辑，还真有点上道了。（doge）
实测二：简报刚交完，下一棒网页就接上了，还能当场“招人”
选题收完之后，我又临时给Sienna安排了一件新活。
这回我想要它把刚才那份选题简报直接做成一个AI资讯网页，能筛选、能搜索，还能跳到一手信源。
而且不许重新联网找新内容，必须沿用上一轮的选题成果。
我原以为Sienna会把原来那三位AI小编全叫回来接着干。
没想到它先自己盘算了一阵。
人事小编的本事跟网页开发差着十万八千里，索性就不叫它了。
找大模型和开源项目的Agent虽说沾点边，可用起来多少还是专业不对口。
临时缺人咋办？
那就当场招！
（我是真被惊到了，还是任务结束后打开侧边任务栏才发现的……）
摸索了大约10分钟，Sienna就地新建了两位Worker，一个叫“量子位简报网页开发”，管网页制作；
另一个叫“量子位网页独立QA”，专管质量测试与验收。
新来的Worker还直接接上了上一轮的6条选题，分头去做内容整理、网页开发和QA验收。
整个过程我不用再把素材重新喂一遍。
6条资讯的结构化文案最先交了卷，4项检查一次全过。
紧接着，网页开发Worker开始写代码，QA那边同时挑出了两个问题。
开发Worker收到反馈，转头就改，干脆利落。
一个AI资讯热点看板最后顺利落地，从头到尾大约用了30分钟。
说实话，我是真没料到。
Sienna已经能按任务需要自己调兵遣将了。
更绝的是，它清楚什么时候该换人，也知道怎么让新同事接住上一棒干出来的成果。
而我全程除了批阅，没再补过一条新指令。
电脑都关了，这群Agent为什么还能接着干？
看到这儿，可能有人要问了。
Sienna新招来的Worker，凭什么能直接接住上一轮的工作？
关键在于LobeHub把工作目标、任务进度、交付文件和验收记录都放进了同一套共享工作空间。
主管Agent可以基于已有成果安排下一步任务，接手的Worker也能弄明白前面做完了什么、后面还要做什么。
所以那6条选题我不用重新喂一遍，新一轮工作就已经接上了。
这群Agent能自己派活、能临时招人、甚至跨项目接力，到底靠什么做到的？
答案就在LobeHub的一套工作机制里。
头一条，Agent的工作不再被聊天框拴住。
LobeHub把三样东西拆开管理：持续执行任务的Agent Loop、保存任务状态的Session，以及调用工具的运行环境。
这么一来，用户退出对话，Agent也不用跟着停工。
只要任务跑在能持续执行的环境里，它就能在后台接着推进，之前的工作进度也留得住。
LobeHub团队还拿一项客户端数据迁移任务试过水：
这群Agent一口气跑了2天3小时47分钟，中间拆出60个任务，完成56次独立迁移。
两天不眠不休……6，AI牛马这回是真能自己埋头干活了。
△长期Goal执行记录
光让每个Agent自己一直干还不够，不同的Agent之间也得能把活接上。为此，LobeHub把工作目标、任务进度和交付成果都整理起来，好让接手的Agent清楚上一位同事干到哪儿了、自己下一步该做什么。于是就出现了前面那一幕：我刚收完6条选题，第二轮就能拿着现成的简报做出AI热点看板网页。
我刚收完6条选题，第二轮就能拿着现成的简报做出AI热点看板网页。
当然，活能交出去，质量不能跟着放手不管。LobeHub还配了Acceptance多模态验收能力：Agent交作业时，除了最终成果，还要附上测试结果、截图、录屏这些证据。
这样一来，我们可以直接看实际效果，发现问题就打回去改，满意了再确认通过。
就像我第二轮实测里看到的，网页代码虽然交上来了，但检查项没全部通过，那就还不能算完成验收。
也就是说，在LobeHub这套工作流里，Agent干活一个个都飞快，可最终的验收权始终攥在人类手里。
△Acceptance验收机制
既能叫Agent组队干活、又能让人类掌握验收权，这样一套工作流就这么跑通了。
从LobeChat到LobeHub，AI是被他们一步步嵌进公司的
其实LobeHub也不是一夜之间就学会让AI组队干活的。早在2023年，他们就开源了AI聊天工具LobeChat。
后来，Agent、工具调用、知识库这些能力陆续加了进来，LobeHub家的AI也一步步走出了聊天框。
2026年1月，LobeHub 2.0又引入Agent Group、Memory等功能，多个Agent开始组队协作。
到5月，他们再推出CAO（首席智能体运营官）相关编排能力，拆任务、派活、协调其他Agent这些事，也开始交给AI自己去张罗。
巧的是，英雄所见略同。这套思路恰好和最近引发热议的DeepSeek Super-Agent架构探索不谋而合。
而LobeHub早在半年前就把相关协作能力做成了产品，如今更是把它开源，其他开发者也能自行部署体验。
更有意思的是，这家公司还先拿自己开刀——自己造的Agent反过来参与开发自家产品，写代码、审PR到跨项目接力，真正融进了日常研发。
眼看着AI同事们越来越能干，LobeHub还提出了一个更大胆的目标：Self-Driving Organizations（自驱动组织）。
按LobeHub给出的L1—L5分级，眼下团队内部跑在L3，一些场景正向L4“自治业务单元”推进——在那个阶段，Agent能自己派活、接力、验收。
△Self-Driving Organizations
LobeHub拿LobeHub开发LobeHub；我这次也真用它搭了一支量子位AI编辑部。回头看这轮实测，还挺有意思。
两件完全不同的活儿，最后落在同一套协作逻辑上。AI把活干好，人决定往哪走，这大概就是AI Native组织下一段的样子。
人机各干各擅长的，凑出1+1＞2。LobeHub这套AI协作平台的源码已经放到GitHub上了，想试的可以自己部署跑一跑；也欢迎上手之后来评论区聊聊，你们的AI同事又整出了什么新活。
（P.S. 小声说一句，这篇稿子要用的资料，大多也是LobeHub帮我理的，嘿嘿。╮(‵▽′)╭）
