开源版 Super-agent降临，狂揽8 万星！已跑通24小时全自动运营公司
开源版 Super-agent降临，狂揽8 万星！已跑通24小时全自动运营公司
新智元报道
新智元报道
10 月 31 日，DeepSeek Harness 团队发表长文《Super-agent 设计探索》，迅速在 AI 圈刷屏。
文章讨论的是很多人都体会过的一种困境：Agent 越用越多，人反而越忙碌。
按照 DeepSeek 的观察，一个人通常只能同时跟进 3 到 5 个 Agent 会话——
单任务的上限取决于模型能力，多任务的上限取决于人的注意力。
他们设想的 Super-agent 长期在线、主动接活、能给其他 Agent 分派任务，人则退到决策和验收的位置。
双层架构：Router 层统一负责路由与对外交互，多个 Worker Session 隔离并发执行任务
文中还有一句颇具启发性的话：
相似的设计约束会导出相似的架构选择。
带着这句话，我们梳理了一遍已经上线的同类产品，最后找到了中国开源公司 LobeHub。
这家在 GitHub 上收获超过 8.4 万颗星的公司，过去大半年一直拿自己做实验，用自己开发的 Agent 平台组织自己的研发。
据创始人文彬介绍，团队已经三个月没在本地启动过开发服务器，看完 Agent 交来的验收报告就直接合并，开发速度提升了 3 到 5 倍。
与其转述这些说法，我们更想亲手验证一次，于是给 LobeHub 布置了一份夜班，让 Claude 和 ChatGPT 组成一个两人编辑部，每天早上给我们交一份量身定制的 AI 日报。
下面是这份日报从派活到交稿的完整经过，中间穿插着 LobeHub 团队里真实发生过的几件事。
实测｜Part 1
我们在 LobeHub 里搭的编辑部一共三名成员，主管 Agent 负责派活和收稿，Claude 担任主笔，负责搜集素材、列大纲和撰写正文，ChatGPT 担任审稿人，负责指出逻辑和视角上的漏洞，最后再为文章生成封面和配图。
读者画像就照着我们自己来写，一位关注 Agent、基模、AI 商业化进展等话题的科技编辑，每天通勤时花五到八分钟，读完当天最值得关注的五到八件事，每条新闻都要有一手来源和一两句判断。
流程上，我们刻意把判断权留给主笔 Claude 老师。
GPT 可以提意见，Claude 也可以拒绝，只要讲得出理由，双方来回讨论，直到 GPT 表示无重大异议，或者满四轮为止。
整体上我们的设计思路是：
-
Claude 负责搜集素材并撰写大纲->ChatGPT 提出修改意见 -
Claude 参考意见，根据自己的判断自主决定是否要修改大纲、搜集新素材，形成意见，再交给 ChatGPT，二者辩论到收敛为一个统一意见 -
Claude撰写初稿 -
ChatGPT 给出修改意见，Claude 参考意见根据自己的判断自主决定是否要修改——这次不用辩论了，因为文字的可读性这块，Claude 比 GPT 强太多了，但前面撰稿思路这块可以帮忙补足视角和逻辑的不足 -
Claude 修改完毕后，将文章交给 ChatGPT，在对应可插图的部分（包括封面）调用最强生图模型 GPT-Image-2.5-Sunburst（因为截稿前 LobeHub 还没上线对昨天刚刚发布的 GPT-Image-2.6 的支持） -
交付稿件
类似这种不同模型多 Agent 协作的分工方式，LobeHub 自己的团队已经用了大半年。
他们研发群里的主管 Agent 名叫 Nasa，负责查看任务看板、分派工作和汇报进度。
早期执行 Agent 可以直接在群里发言，几个 Agent 轮番汇报，群里很快全是噪音，后来团队定下规矩，执行 Agent 只向主管汇报，由主管统一对外。
如今他们又加了一层，每个人配一个替自己过滤信息的 Personal Agent，人只听自己的 Personal Agent，活由各个项目的主管 Agent 去派。
主管 Agent 也不总是等人开口。
10 月 23 日晚上 8 点 24 分，创始人文彬在群里看到一张训练详情页的截图，随口评价了一句「这个 UI 一眼看上去还是太 vibe 了，得想想怎么 refine」，发图的同事随后去吃饭，55 分钟里没有人跟进。
9 点 19 分，一个设计 Agent 在巡查频道时判断这件事和自己有关，在没有被点名的情况下接手，指出页面上的进度信息重复了三遍、框里套着框、最显眼的位置却放着空值，当晚 11 点 52 分交出了改前改后的对比稿。
DeepSeek 设想的主动响应，也是先用规则过滤、再由模型判断是否介入，两者的思路非常接近。
实测｜Part 2
主管 Agent 把任务分派下去以后，我们关掉电脑去睡觉，Claude 和 ChatGPT 的讨论在云端继续进行。
AI 和 AI 在深夜互相审稿，在 LobeHub 的代码仓库里已经是常态。
10 月 31 日凌晨 4 点 04 分，执行 Agent Dario 在 PR #21852 下回复了 OpenAI Codex 审查机器人的意见。
这段代码来自主管 Nasa 派给它的任务 T-1149，Dario 运行了 31 步、耗时 1 小时 56 分完成编写。
接下来的 18 分钟里，它修复了四处问题，又针对另一条意见给出理由，决定保留原来的写法。
这些工作能在深夜持续推进，靠的是 LobeHub 今年 1 月上线的架构。
早期产品部署在 Vercel 上，单次执行最长只有 300 秒，团队便把 Agent 的每一步拆分成一次独立的函数调用，用 Redis 保存中间状态，接力推进上千步的长任务，工具调用则发往 AWS 的沙箱或用户自己的电脑执行。
Agent 察觉不到自己的思考和操作发生在不同的地方，这和 DeepSeek 文中的「计算、状态与环境分离」属于同一个方向，如今每天稳定承载几万次 Agent 执行。
实测｜Part 3
早上起床，我们得到了第一版日报的结果，供我审阅。
这个第一版日报，你发现了什么问题？
文字部分结论看起来严谨性挺强的，但配图不明所以，标准的「美丽垃圾」。
作为这帮 Agent 的老板，我迅速一口气用语音输入法（必须语音）给出了修改意见提示词：
你知道吗，你现在的配图就像狗屎一样垃圾，完全没有任何意义，只是在浪费 Token，没有表达任何含义，传达任何信息！如果这件事没有一个特别值得配的真实图片（如新模型发布的跑分对比图表），那么针对国外新闻，你可以使用其创始人（灵魂人物）的代表肖像照片进行艺术化加工：新发生的这个新闻如果是对公司重大利好重大进步，那可以把描绘得肉眼可见地十分健硕（可以很夸张，脱离现实那种，只要能体现出进步究竟有多大），变成肌肉猛男；没啥影响就放代表肖像照片原图；对公司重大利空或令人失望，可以把他描绘得比原图更瘦弱些，看起来更憋屈更受欺负那种，这样好歹可以用直观有趣的方式体现出 GPT 对于这件事的重要性和利好利空的判断。对于中国 AI 公司而言，只放代表肖像照片原图就可以了。
别的什么也不需要改了。
我的 Agent 主管说，是他的锅，他改。
我们人类用户只看结果，懒得点开弄清楚究竟是如何犯了这样愚蠢的错误，我们只需要表达 Yes or No。
人只看结果，正是 LobeHub 团队现在的工作方式。
10 月 29 日，v2.2.21 发版合并之后，Agent 继续跟进各平台的构建，晚上 8 点 26 分发现桌面稳定版构建失败，重新运行仍未通过，便定位到一处依赖版本冲突，直接开出修复用的 PR #21910，只需请人点一个认可。
替人省下时间的还有 LobeHub 开源的验收工具 Acceptance。
Agent 交付之前，先把需求拆成可以直接观察的检查项，到真实的产品里逐项运行，配上截图、录屏和日志，人看报告决定通过还是打回，已经通过的部分不用返工。
代码测试能证明程序可以运行，但还有很多细节需要像真实用户一样真正使用一遍才能发现，
前面那个 PR #21852，最后也只等来一次人类操作，11 月 1 日中午，文彬按下了合并按钮，任务完成闭环。
实测｜Part 4
美术编辑 GPT 老师：真拿你没办法，坐好咯，这就是你要的神秘雷霆肌肉男💪🧑🏻🦱💪
GPT-6 Cyber 发布后的 Sam Altman（AI 的想象图）
Agent 终于记住了我们究竟想看到怎样的 AI 新闻，我们很欣慰。其他部分也没有被不小心顺手乱改掉，LobeHub 的 Acceptance 验收工具体现出了它的价值。
以后每天早上 8 点，再也不用像第一次这样折腾了，LobeHub 都会通过手机来向我推送我们最喜欢的 AI 日报了，方便我们在地铁上选题。
记住用户的意见，只是 RSI 的第一步。
RSI，即递归式自我改进，指系统利用自己运行中产生的结果持续改进自己，是最近 AI 圈讨论最多的概念之一.
这次实测首先验证了一件事：Agent 可以把用户的反馈保留下来，并用于调整后续工作的规则。
但对于 LobeHub 团队来说，这只是他们探索系统持续改进的一个很小的切面。
在内部研发中，他们已经尝试将 Agent 执行时暴露的问题自动收集、归类，再转化成新的改进任务；
让 Agent 自主优化运行时的 Harness，并通过基准测试验证效果；
还在探索如何利用真实执行轨迹进行垂直模型后训练。
这些工作分别发生在任务、运行框架和模型三个层面。
LobeHub 希望把这些环节逐步连接起来，让系统能够利用真实运行中的反馈持续改善自身。
Gartner 曾预测，到 2028 年，33% 的企业软件将内置 Agentic AI，而 2024 年这一比例还不到 1%。
当 Agent 从个人工具变成组织成员，真正稀缺的，是让许多 Agent 稳定协作的那一层系统。
LobeHub 把这条路比作自动驾驶：
-
L1 是问一句答一句的应答工具 -
L2 是只服务个人的助手 -
L3 是人和多个 Agent 在同一现场协作 -
L4 是 Agent 之间自主接力、人只设定目标和边界 -
L5 是组织在运行中自我演进
他们认为自己的团队处在 L3，而上游项目的 Agent 直接向组件库 lobe-ui 的 Agent 提需求、对方加好组件自动发版再通知上游升级，这类事情已经是 L4 的雏形。
支撑这个愿景的底子，是三年里一点点积累下来的。
LobeHub 从 2023 年开源的 LobeChat 起步，Docker 部署超过 700 万次。
DeepSeek 发布爆火的 R1 时，也曾用 LobeChat 演示模型能力。开源让它拥有现成的分发渠道，模型中立让各家模型都愿意接入，每天几万次执行沉淀下来的数据又能反过来训练模型，后来者想同时补齐这几样，需要不少时间。
DeepSeek 在 Super-agent 技术报告中说，多任务的上限取决于人的注意力。
我们这份日报从派活到交稿，人需要做的只是在前一晚说清楚想要什么，第二天早上判断它写得好不好。
我们复盘了一遍操作记录。
前前后后，我们被迫亲自上手了好几次，大多花在第一次配置时的授权、额度不够了充值额度（AI: 这是产品设计，先生，你也不想你的银行卡被我刷爆什么的吧？）等琐事上，真正和日报内容直接有关的，只有前一晚交代需求和第二天退回的那一条意见。
目前实际体验下来，离 LobeHub 自己团队那种只按一次合并键的状态，普通用户中间还隔着几道门槛，上手体验仍有打磨的空间。
但还好，节省下来的，是原本要在多个窗口之间来回切换、转述和比对的精力，只会更恼人。
这份人类用户宝贵的精力并没有消失，而是被挪到了交代需求和判断结果这两头，用在了刀刃上。
今天的 Agent 已经能接过中间的执行，起点的方向和终点的取舍，依然要由人来拿主意，LobeHub 想做的，正是把这两头之间的路修得越来越短，和用户一起，扫平这些恼人的门槛。
