LobeHub · 开源 AI Agent 协作与调度平台
先说一个场景
每周一早上 9 点，你要交一份行业动态汇总。
你的流程是这样的：打开第一个 AI 网页搜最近一周的消息，把结果复制出来；打开第二个，重新交代一遍「我们是做什么的、读者是谁、要什么风格」，让它总结；再粘到文档工具里排版改写。三个工具、三次背景交代、七八次复制粘贴。
上周你发现某个模型总结得更准，于是又去重新配一次 API Key、重新把提示词抄一遍。而昨天调得特别好的那个提示词——你已经翻不到它在哪个对话框里了。
最难受的是你必须在场。周一早上八点你得坐在电脑前，因为这件事没有人替你按点开始。出差、开会、生病，这份汇总就断一周。
这是什么
LobeHub 把「一次性的 AI 对话」变成「一支替你常驻干活的 Agent 队伍」。
它把 Agent 当作工作单元：你把一件反复要做的事拆给几个 Agent，给它们配上工具、共享同一份上下文和记忆，然后设定运行时间——它们按点自己跑，产出直接落在你的工作区里。你从「每次亲手操作 AI」变成「制定策略、审阅结果」。
边界也说清楚：
- 它做：Agent 的创建、编排、定时调度、多 Agent 协作、长期记忆、模型与工具的统一接入
- 它不做：不自带大模型。推理能力来自你自己配置的模型（云端 API 或本地模型都行）
- 你在这里部署的是开源自托管版本，代码、数据、对话全部在你自己的服务器上；不修改源码、作为前后端服务直接商用是允许的，若要基于它开发并分发衍生产品需向 LobeHub 获取商业授权（遵循 LobeHub Community License，以仓库 LICENSE 为准）
通过阿里云计算巢部署，实测约 1 分钟完成，无需自行装 Docker、拉镜像、写 compose、逐项甄别环境变量。
它解决了什么问题
| 你原来怎么干 | 代价 | 用它之后 |
|---|---|---|
| 在多个 AI 网页之间复制粘贴 | 每一步都要重新交代背景，中间结果靠人肉搬运 | 多个 Agent 在同一份上下文里接力，中间结果自动传递 |
| 换模型就要重配 Key、重抄提示词 | 换一次模型半小时起步，不敢轻易试新模型 | 同一界面切换任意模型，Agent 配置不动 |
| 调好的提示词散落在各个对话里 | 昨天的最佳实践今天找不到，等于每天从零开始 | Agent 是可复用、可迭代的实体，配置和记忆都被留存 |
| 定时任务靠你自己记着按点做 | 人不在场，事情就断 | 设定时间自动运行，你不在也照跑 |
| 每次都要重新说明「我是谁、要什么风格」 | 大量重复输入，且质量取决于你当时交代得细不细 | 记忆持续积累，而且是白盒的——记住什么由你编辑 |
| 团队里每人各自开一堆 AI 账号 | 成本重复、经验不共享 | 共享工作区，一套部署全团队用 |
回到开头那份周报：你把它拆成三个 Agent——检索、提炼、成稿，装进一个项目，共享同一份「我们的业务和读者是谁」的记忆，然后设定每周一早上 8 点自动运行。周一你起床打开页面，草稿已经在那儿了，你要做的只是审阅和微调。
而更深一层的变化是：这件事的性质变了。它从「一个必须你在场的手工流程」变成了「一份不依赖你在场的常驻产能」。以前 AI 是你打开浏览器时才存在的工具，现在它是持续在岗的队伍。这带来两个连锁反应：你敢把更多零碎但有价值的事情交出去，因为多养一个 Agent 的边际成本接近零；而这些 Agent 会越用越贴合你——它不是每次重置的工具，而是会积累的资产。你的角色从执行者变成了指挥者。
核心能力
所有 Agent 归到一处，在你日常聊天的地方指挥它们
对应开头那个「三个工具之间来回切」的麻烦。
- 统一的 Agent 工作台 —— 不同模型、不同用途的 Agent 集中在一个平台，不用在浏览器里养一排标签页
- IM 网关 —— 在你每天用的聊天工具里直接派活、收结果，不必先打开平台
一句话造出一个 Agent，接上你在用的工具和任意模型
对应「每次都要重抄提示词、换模型要重配一遍」的麻烦。
- Agent Builder —— 描述一次需求就生成可运行的 Agent 配置，不用手写系统提示词、反复试参数
- 统一模型接入 —— 任意模型、任意模态在同一界面切换，换模型不改配置、不重配 Key，选型对比从几十分钟变成几分钟
- 技能与 MCP 插件市场 —— 数十万个技能与数万个 MCP 服务可接，Agent 能真的动手查资料、调工具、连你日常在用的系统，而不只是聊天
多个 Agent 在同一页面接力，还能按点自己开工
这是「你必须在场」这个问题的正面解法。
- Pages —— 多个 Agent 在同一份文档上共享上下文协同写作与润色，中间结果不用你搬
- Schedule —— 任务按设定时间自己执行（可设为每天固定时段或每隔一段时间），你不在线也继续
- Project / Workspace —— 按项目归拢对话、文件与产出，团队与 Agent 共享同一空间，归属和进展清晰
它会记住你，而且记住的东西你能改
对应「每次重新交代背景」和「好经验留不住」的麻烦。
- 个人记忆 —— 你的身份、业务背景、偏好的表达方式被结构化地记下来，不用每次重述
- 持续学习 —— 从你的使用方式里提炼习惯（比如「说草稿就是草稿，别过度润色」），下次主动照做
- 白盒可编辑 —— 记忆是一条条看得见的条目，记错了可以直接改或删掉，不是黑箱
谁最该用
| 用户类型 | 典型场景 | 用它拿到什么 |
|---|---|---|
| 一人扛多条线的负责人 / 独立开发者 | 周期性的调研、汇总、日报周报、客户问题整理 | 把重复流程交给定时 Agent，人只做审阅决策 |
| 5~20 人的小团队 | 全团队共用一套 AI 能力，沉淀共享的 Agent 与提示词 | 一台 ECS 覆盖全员，经验不再散落在个人账号里 |
| 数据敏感的企业团队 | 内部资料、客户信息不能进公有 AI 服务 | 全部数据留在自己的 ECS 上，模型走自选通道 |
| 做模型选型的工程师 | 横向对比不同模型与提示策略在真实任务上的表现 | 同一个 Agent 换模型即测，试错成本降到分钟级 |
为什么在计算巢上跑
| 维度 | 自己搭 | 在计算巢上跑 |
|---|---|---|
| 部署 | 装 Docker、配镜像加速、拉镜像、写 compose、开安全组端口 | 预置 ECS 镜像，填规格和密码即可，实测约 1 分钟 |
| 配置 | 环境变量样例里大量可选项要自己甄别 | 开箱可用，模型 Key 部署后在页面里填 |
| 访问 | 自己查公网 IP、开端口、拼地址 | 部署完成直接给出 http://<公网IP>:3210/signup |
| 地域 | —— | 18 个地域可选，含华东华北华南、香港、新加坡、东京、美西、法兰克福等 |
| 成本 | —— | 支持 ecs.u1 / ecs.e 经济型规格，按量付费或包年包月，费用在创建前实时可见 |
| 数据归属 | 在你自己机器上 | 同样在你自己的 ECS 上，阿里云不接触你的业务数据 |
| 升级 | 手工拉镜像重启 | 同样一条命令，但环境是标准化的，不会踩「我机器上不一样」 |
技术支持
- 官方仓库：github.com/lobehub/lobehub（82k+ Star，截至 2026 年 8 月）
- 使用文档：lobehub.com/zh/docs/usage/start
- 自托管文档：lobehub.com/docs/self-hosting/start
- 问题反馈：GitHub Issues / 官方 Discord
🚀 立即体验
→ 一键部署 LobeHub
约 1 分钟部署完成，在实例详情页拿到 http://<公网IP>:3210/signup 打开即用。建议第一件事就把一件你每周都在重复做的事交给它：建一个 Agent，写清背景，设一个定时，下周看它交上来的东西。
