LobeHub用AI接管研发：8.44万Star项目里Agent自己派活写代码

文婷 发自 凹非寺 量子位 | 公众号QbitAI

一个AI主编带着三个AI编辑，分头盯大模型前沿、开源项目和大厂人事动向。

我把选题需求丢给主编Agent Sienna，它随即开始拆解，分派人力、收稿、汇总，一套流程连着走完。

前后不到8分钟，6条新鲜的AI选题就摆到了我面前：

说实话，茶还没泡开，一天的选题活儿就这么风风火火地跑完了。

半年前，LobeHub团队就用上了自家的AI协作平台做研发，让Agent参与派任务、写代码，连排查Bug也交给它们。

到今天，AI已经是LobeHub研发流程里的固定成员。

在FrontierHarness的30道软件工程任务里，其优化后的Agent Harness调用Kimi K3完成了21道，通过率70%，每道成功任务成本中位数1.68美元（约11.21元人民币），成绩压过Codex和Claude Code。

没想到的是，DeepSeek近期才在探索Super-Agent架构，而LobeHub5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，这套做法已经进了LobeHub团队的日常研发：Agent自己拆任务、派活、写代码，还会帮忙审查和修改。

GitHub上，LobeHub已经拿下8.44万Star。

那LobeHub到底是怎么让Agent从各自为战变成团队协作的？配合默契到什么程度？又能把工作推到哪一步？

AI开发AI，LobeHub开发自己

AI给AI派活，AI给AI审代码。

这样的场面，在LobeHub研发团队里已是日常。

以10月28日提交的一次开发任务为例。

当时团队想给任务工具和命令行界面加个新功能，让Agent创建任务时能直接指定用哪个模型。

这活就交到了主管Agent Nasa手上。

Nasa接到需求，立刻建了个编号T-1149的任务，转手派给对应的Coding Agent Dario。

Dario领了任务，埋头写起代码。

实现功能、补测试、检查运行结果，一轮下来，它交出了一份像模像样的Pull Request，编号#21852。

△Nasa派活记录、Dario提交PR

事情还没结束。

代码刚提交，另一位AI同事就过来“挑刺”了。

这一回登场的是OpenAI的Codex代码审查机器人。

代码交上来后，Codex逐项过了一遍，没费多少工夫就找出几处需要处理的地方。

另一边，Dario收到反馈也没停着。它掉头去改代码、补测试，改完再把结果交回去。

一个写、一个挑毛病，Codex和Dario这一来一回，跟现实里的开发工程师和代码Reviewer没什么两样，代码就这么被打磨了好几轮。

最后，这份PR通过了人工审阅，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已经不满足于单兵作战，开始主动跨项目找其他AI同事搭把手。

举例来说，Agent-foundry项目需要lobe-ui组件库加上自定义中性色支持。

换成以前，两边的开发者少不了先沟通需求、再协调修改，最后还得通知对方更新。

这一次，两个项目的Agent自己接上了头。

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自己就把上下游打通了。

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有在本地启动过Dev Server。

按他个人的体感，采用这套工作方式后，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，顺带省下不少传话损耗。

那么问题来了。

把同一套系统交给身为量子位小编的我，又会发生什么捏？

哎嘿，我真用LobeHub组了个AI编辑部！

这套AI组队干活的能耐，换个工作场景到底还灵不灵？我打算拿自己最熟的科技编辑活儿来试，亲自凑一支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，看看刚交上来的成果，能不能直接交给下一棒继续干，生成一个动态热点网页。

开工，上班了！

实测第一项：让AI坐一回量子位主编的位子。

我先在LobeHub里搭了个迷你版的量子位编辑部。

坐镇统筹的是选题主编Sienna，它手下带着3位各有专长的AI小编。

盯大厂人事动向的活儿交给了Gemini 4 Argon，看哪家又有大佬挪窝；

Claude成了开源领域的星探，专挑GitHub社区冒出来的新项目；

DeepSeek负责追前沿，去找近期有报道价值的大模型动向。

都齐了，开干！

我给Sienna下了指令：从人事变动、新模型发布、开源新项目这3个方向，各找2条最新且值得关注的动态；

还特意交代它：

我们的读者常年盯着AI大模型、具身智能这类前沿科技，是标准的5G冲浪达人。

这些人每天一般只花5-10分钟扫一遍行业动向，所以选题得新、得准、信息密度要高，让懂行的读者一眼看明白出了什么事、为什么值得关注，基础科普、泛泛而谈和纯宣传都不要。

每个方向挑2条值得量子位报道的动态，合计6条。每条要带上候选标题、消息日期、核心新闻事实、推荐理由，以及能直接打开的一手来源链接。

任务派下去之后，我就没再动手了。

Sienna按部就班地把活儿拆给3位AI小编，安排大家各自开工。

我端着旁边的卡美罗焦糖拿铁，美滋滋地等着看戏。

咖啡没喝几口，不到8分钟，3位AI小编就陆续从各处赶回来，带着刚出的选题和信源出处向主编交差。

有意思的是，Sienna还真有几分主编的样子。

选题递上来，它没有一股脑全收，而是一条一条过质量。

遇到信源说不清、一手报道链接找不到的选题，它会直接开出一份完整的验收清单，等我点头后立马提醒对应的Agent“注意标准啊，重找！”。

就这么折腾一通，我点开任务栏一看。

嚯！

一份列着6条最新AI动态的量子位选题简报，已经整整齐齐摆在眼前：

候选标题、新闻日期、核心事实、推荐理由、信源链接，一样不缺。

连3位AI小编各自的任务回执也一并附上，提示我哪些细节还得人工再核一遍。

简报交上来之后，我又临时冒出个新念头，顺手追问了一嘴负责大厂人事的那个Agent。

Tibo这段时间跑哪去了？重置怎么还没发？

它没反问Tibo是谁，直接沿着此前的人事线索往下查，没多久就把Tibo的调岗时间和公开动向理得清清楚楚。

还捎带给我出了个能让节目效果翻倍的写稿点子：把Tibo和最近跳到Tibo手下的Cat Wu搁一块儿写，效果更好。

好家伙，真够贴心的。

派活、收稿、审核它都能干，临时加的活也接得住，甚至还会顺着我小编的身份主动帮着出主意。

这帮AI编辑，确实有点上道了。（doge）

实测二：简报刚交完，下一棒网页就接上了，还能现场“招人”

选题收完之后，我又临时给Sienna加了个新任务。

这回的要求是：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料，必须沿用上一轮的选题成果。

我本以为Sienna会把原来那三位AI小编统统叫回来接着干。

结果它先自己盘算了一番。

人事小编的本事跟网页开发压根不搭边，索性不叫它。

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。

（我是任务结束后打开侧边任务栏才发现的，当时真被惊到了……）

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。

全程没让我再把素材重新喂一遍。

很快，6条资讯的结构化文案先交了出来，4项检查全部通过。

紧接着，网页开发Worker动手写代码，QA同时挑出了两处毛病。

反馈一到，开发Worker二话不说就改了起来。

前后大约30分钟，一个AI资讯热点看板就做出来了。

说实话，我是真没料到。

Sienna居然已经能按任务需要自己调人派活了。

更厉害的是，它清楚什么时候该换人，也知道怎么让新来的同事接住上一棒的成果。

整个过程里，我除了批阅，一条新指令都没再给过。

电脑都关了，这帮Agent怎么还在接着干？

看到这儿，可能有人要问了。

Sienna新招来的Worker，凭什么能直接接上上一轮的工作？

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能围绕已有成果安排下一步任务，接手的Worker也清楚此前做完了什么、接下来要做什么。

所以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，甚至还能跨项目接力，究竟是怎么实现的？

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。

这样一来，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，之前的工作进度也保留着。

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，期间拆出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

光能一直干还不够，不同Agent之间还得能接上活。

LobeHub将工作目标、任务进度与交付成果统一组织起来，接手的Agent据此能看清上一位同事做到了哪一步，也明白自己下一步该做什么。

前面提到的那一幕就是这么发生的：

我刚收完6条选题，第二轮它便拿着现成的简报，把AI热点看板网页做了出来。

活能交出去，质量却不能跟着放手。

LobeHub为此配上了Acceptance多模态验收能力。

Agent交作业的时候，不光给最终成果，还会一并附上测试结果、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，满意了再点通过。

我第二轮实测就是如此：网页代码虽然交上来了，可检查项没有全部通过，那就不算完成验收。

换句话说，在LobeHub这套工作流里，Agent干活再快，最终验收权还是牢牢攥在人类手里。

△Acceptance验收机制

一套工作流就此跑通：Agent能组队干活，人类则握着验收权。

从LobeChat到LobeHub，他们一步步把AI嵌进公司

其实，让AI组队干活这件事，LobeHub并非一夜之间就会。

2023年，他们开源了AI聊天工具LobeChat。

之后，Agent、工具调用、知识库等能力陆续加进来，LobeHub家的AI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由此开始组队协作。

到5月，他们推出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，也交给AI自己去张罗了。

巧的是，英雄所见略同。

这套思路，跟最近引发热议的DeepSeek Super-Agent架构探索恰好不谋而合。

而LobeHub早在半年前就把相关协作能力做成了产品，如今更将其开源，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。

眼瞅着AI同事越来越能干，LobeHub又提出一个更大胆的目标：Self-Driving Organizations（自驱动组织）。

按他们给出的L1—L5分级，团队内部目前跑在L3阶段，部分场景正朝L4“自治业务单元”迈进——到那时，Agent能自主派活、接力、验收。

△Self-Driving Organizations

回过头看这次实测，其实挺有意思。

拿LobeHub来开发LobeHub。

我也真用它搭出了一支量子位AI编辑部。

两件性质完全不同的活儿，最后跑的是同一套协作逻辑。

AI Native组织往下走，可能就是这个样子。

活由AI干好，方向由人来定。

人和机器各干各擅长的事，最后做到1+1＞2。

对了，这套AI协作平台的源码LobeHub已经放到GitHub上了，想玩的话可以自己部署试试。

也欢迎你亲自上手，到评论区聊聊你们的AI同事又搞出了什么新花样。

（P.S. 悄悄说一句，其实我写这篇文章用的资料，基本都是LobeHub帮我整理的，嘿嘿。╮(‵▽′)╭）

体验地址指路：https://lobehub.com/

GitHub指路：https://github.com/lobehub/lobehub