AI接管一家8万Star开源公司，写代码、派任务、查Bug全包了

原创 关注前沿科技 2026-11-08 22:32 北京

超过Codex和Claude Code，通过率达70%。

文婷 发自 凹非寺
量子位 | 公众号 QbitAI

一位AI主编领着三位AI小编，分别盯紧前沿大模型、开源项目和大厂人事。

我把选题需求往主编Agent Sienna手里一塞，它转头便拆起了活，派人、收稿，汇总一气呵成。

不到8分钟，它就给我端来了6条新鲜热辣的AI选题：

不er，我茶都还没泡开呢，一天的选题工作就这么哼哧哼哧地跑完了？！

早在半年前，LobeHub团队就开始用自家的AI协作平台搞研发，让Agent参与派任务、写代码，甚至排查Bug。

现在，AI已经成了LobeHub团队研发流程里的常驻成员。

在FrontierHarness的30道软件工程任务中，其优化后的Agent Harness使用Kimi K3完成了21道，通过率达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），超过了Codex和Claude Code。

真没想到，DeepSeek最近还在探索Super-Agent架构，LobeHub早在5月份就已经把类似的人机协同思路做成了产品，甚至直接开源了！

如今，LobeHub团队已经把这套工作方式用进了日常研发，让Agent自己拆任务、派活、写代码，甚至帮忙审查修改。

GitHub上，LobeHub目前也已经一口气狂揽8.44万Star。

那么，LobeHub究竟是怎样让Agent们从单打独斗走向团队协作的？默契度如何？它究竟又能把工作推进到哪一步？

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，如今早已成了LobeHub研发团队的日常。

就拿10月28日提交的一次开发任务来说。

当时，团队希望给任务工具和命令行界面补上一项新功能，让Agent能够在创建任务时，直接指定使用哪个模型。

所以，他们把这活交给了主管Agent Nasa。

接到需求后，Nasa马上创建了一个编号为T-1149的任务，并直接把活派给了对应的Coding Agent Dario。

接到任务后，Dario埋头便敲起了代码。

从实现功能、补充测试到检查运行结果，一通操作下来，它顺利交出了一份正儿八经的Pull Request，编号#21852。

△Nasa派活记录、Dario提交PR

但任务还没完。

代码刚交上去，另一位AI同事就赶来“挑刺”了。

这次出场的是OpenAI的Codex代码审查机器人。

Codex对着交上来的代码一通检查，很快便挑出了几个需要处理的问题。

Dario也没闲着，接到反馈后，它转头就去修改代码、补测试，最后再把作业交回去。

就这样，Codex和Dario就活像现实中的开发工程师和代码Reviewer一样，一个负责写，一个负责揪bug，你来我往，愣是把代码打磨了好几轮。

最终，这份PR终于顺利通过了人工审阅并合并进了LobeHub的代码库，一条真实的AI研发协作链就这么跑通了。

△Codex审查意见、Dario修改记录、PR合并状态

更有趣的是，LobeHub的Agent甚至已经不满足于单兵作战，开始主动跨项目找其他AI同事搭把手了。

比如，当Agent-foundry项目需要lobe-ui组件库增加自定义中性色支持时。

放在以前，肯定少不了两边的开发者沟通需求、协调修改，再通知对方更新。

但这次，两个项目的Agent直接自己接上了头。

一个提出需求，另一个完成修改。随着lobe-ui发布6.0.1版本，上游项目也收到了升级通知，于是顺利接上了新功能。

△跨项目Agent沟通记录、组件发布记录

妙啊，以前得靠人类在两个项目之间来回传话，现在Agent自己就把上下游打通了。

而且，LobeHub团队还真从中尝到了甜头。

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。

按照他的个人体感，采用这套工作方式后，开发效率提升了约3-5倍。

挺不戳啊，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。

这下，LobeHub算是真的把这套工作方式用起来了，而且还同步省了不少传话损耗。

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！

为了验证这套AI组队干活的本事换个工作场景还灵不灵，我决定从自己最熟悉的科技编辑工作下手，亲自拉一支AI编辑团队，给它们安排两轮实战：

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。

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。

大家每天通常会花5-10分钟快速浏览行业动向，因此选题要新、准、信息密度高，能让懂行读者迅速看明白发生了什么、为什么值得关注，避免基础科普、泛泛而谈和纯宣传信息。

请每个方向挑选2条值得量子位报道的动态，共6条。每条包含候选标题、消息日期、核心新闻事实、推荐理由，以及可直接打开的一手来源链接。

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。

碰上信源模糊、找不到一手报道链接的选题，它还会直接列出一份完整的验收清单，等我批准后就马上提醒对应的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。

甚至还附上了三位AI小编各自的任务回执，提醒我哪些细节还需要人工复验。

而眼瞅着简报已经交上来了，我又突然冒出个新疑惑，临时追问了负责大厂人事的Agent一嘴。

Tibo这阵子到底去哪了？咋还不发重置？

结果它居然没问我Tibo是谁，而是直接顺着之前的人事线索继续查，很快便把Tibo的调岗时间和公开动向梳理得头头是道。

甚至还顺手给我支了个节目效果翻倍的写稿思路。

把Tibo和最近跳槽到Tibo手下的Cat Wu放在一起写，效果会更好哦！

好好好，真·贴心啊～

不仅能自己派活、收稿、审核，临时加活它也能接住，甚至还会结合我的小编身份，主动出谋划策。

这AI编辑们，真有点上道了。（doge）

实测二：刚交完简报，下一棒网页已经接上了，甚至还能现场“招人”

收完选题后，我又临时给Sienna派了个新活。

这次，我希望它可以直接把刚才的选题简报做成一张能筛选、能搜索、还能跳转一手信源的AI资讯网页。

而且不许重新联网找新的，必须沿用上一轮的选题成果。

本以为Sienna会把原来的三位AI小编，统统叫回来继续干活。

结果它自己先琢磨了一番。

人事小编的专长跟网页开发八竿子打不着啊，干脆不叫它了。

找大模型和开源项目的Agent虽然有那么点相关，但用着用着多少也有些专业不对口。

临时缺人怎么办？

那就现场招！

（简直惊呆我了，我甚至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直接原地新建了两位Worker，一个叫“量子位简报网页开发”，负责网页制作；

另一个叫“量子位网页独立QA”，专门负责质量测试与验收。

而且，新来的Worker直接接上了上一轮的6条选题，分头开始完成内容整理、网页开发和QA验收。

全程不用我再重新喂一遍素材。

很快，6条资讯的结构化文案率先交付，4项检查全部通过。

随后，网页开发Worker马上敲起了代码，QA则同步挑出了两个问题。

开发Worker接到反馈，转头便果断地修改起来。

最终，一个AI资讯热点看板顺利出炉，全程耗时约30分钟。

相信我，我是真没想到啊…

Sienna居然已经可以开始根据任务需要，自己调兵遣将了。

更绝的是，它还知道什么时候该换人，以及怎样让新同事接住上一棒的成果。

而我从头到尾，除了批阅，都没再喂过一条新指令。

电脑关了，这群Agent为什么还能接着干？

看到这里，可能有小伙伴要问了。

为什么Sienna新招来的Worker，居然还能直接接住上一轮的工作？

关键就在于，LobeHub把工作目标、任务进度、交付文件和验收记录放进了一套共享工作空间里。

主管Agent可以围绕已有成果安排后续任务，接手的Worker也能够知道此前已经完成了什么、接下来需要做什么。

所以我不用再把6条选题重新喂一遍，新一轮工作就已经接上了。

那么这群Agent既能自己派活，又能临时招人，甚至跨项目接力，到底是怎么做到的呢？

答案就藏在LobeHub的一套工作机制里。

首先，Agent的工作不再被聊天框拴住了。

LobeHub把负责持续执行任务的Agent Loop、保存任务状态的Session，以及调用工具的运行环境拆开管理。

这样一来，即使用户退出对话，Agent也不必跟着停工。

只要任务运行在可持续执行的环境中，它就能在后台继续推进，并保留之前的工作进度。

LobeHub团队还曾用一项客户端数据迁移任务试水：

这群Agent一口气足足跑了2天3小时47分钟，期间拆出了60个任务，完成56次独立迁移。

两天不眠不休啊…6，AI牛马们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。

为此，LobeHub把工作目标、任务进度和交付成果组织起来，让接手的Agent知道上一位同事干了什么、自己接下来该干什么。

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。

当然了，活能交出去，质量可不能跟着撒手不管。

LobeHub还配备了Acceptance多模态验收能力。

Agent交作业时，除了最终成果，还会随之附上测试结果、截图、录屏等证据。

所以我们可以直接查看实际效果，发现问题就直接打回去修改，满意了再确认通过。

就像我第二轮实测中看到的，网页代码虽然交了上来，但检查项没全部通过，就还不能直接算作完成验收。

这便意味着，在LobeHub这套工作流里，尽管Agent一个个干活飞快，但人类始终牢牢掌握着最终的验收权。

△Acceptance验收机制

于是，一套既能让Agent组队干活，又能让人类掌管验收权的工作流，就这样跑通了。

从LobeChat到LobeHub，他们一步步把AI嵌进公司

其实，LobeHub也不是一夜之间就学会了让AI组队干活。

早在2023年，他们就开源了AI聊天工具LobeChat。

此后，随着Agent、工具调用、知识库等能力陆续加入，LobeHub家的AI一步步走出了聊天框。

2026年1月，LobeHub 2.0进一步引入Agent Group、Memory等功能，让多个Agent开始组队协作。

到了5月，他们又推出了CAO（首席智能体运营官）相关编排能力，连拆任务、派活、协调其他Agent这些事，也开始交给AI自己张罗。

巧的是，英雄所见略同。

这套思路恰好与最近引发热议的DeepSeek Super-Agent架构探索不谋而合。

而LobeHub早在半年前，就已将相关协作能力做成了产品，如今更是将其开源，让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的产品，从写代码、审PR到跨项目接力，真正融入了日常研发。

眼瞅着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）。

按照他们提出的L1—L5分级，目前团队内部已经运行在L3阶段，部分场景正在向Agent能够自主派活、接力、验收的L4“自治业务单元”迈进。

△Self-Driving Organizations

而回头看我这次的实测，也挺有意思的。

LobeHub用LobeHub开发LobeHub；

我也真的用它开发了一支量子位AI编辑部。

两种完全不同的工作，最终都跑在了同一套协作逻辑上。

这或许就是AI Native组织下一阶段的模样。

AI负责把活干好，人负责决定往哪走。

人机各展所长，最终实现1+1＞2的效果。

Anyway，LobeHub已经把这套AI协作平台的源码放上了GitHub，感兴趣的小伙伴可以自己部署体验一下。

也欢迎大家亲自上手试试，来评论区跟我们分享，你们的AI同事又整出了什么新活呀！

（P.S. 悄咪咪地说一声，其实我写这篇文章所需要的资料，基本也都是LobeHub帮我整理的哦，嘿嘿。╮(‵▽′)╭）

体验地址指路：https://lobehub.com/
GitHub指路：https://github.com/lobehub/lobehub

跳转微信打开