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

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见