LobeHub 研究筆記¶
資料來源¶
| 項目 | 連結 |
|---|---|
| GitHub Repo | github.com/lobehub/lobehub |
| 官方網站 | lobehub.com |
| 架構文件 | Architecture Design |
| AI Agent 系統分析 | DeepWiki — AI Agent System |
| AWS 案例研究 | AWS + LobeHub Multi-Agent Collaboration |
| 技術深度分析 | The Engineer's Guide to LobeHub |
| Product Hunt | LobeHub on Product Hunt |
專案概述¶
LobeHub（前身 LobeChat）是一個開源的 AI Agent 協作平台，定位為「人與 Agent 共同演化的網路」。74.3K GitHub stars，TypeScript 建構，由 LobeChat（單人聊天介面）進化為多 Agent 協作工作空間。
核心轉變：從「一次性對話工具」→「Agent 作為工作單元」。Agent 不再是用完即丟的 chatbot，而是有持久身份、記憶、技能、能彼此協作的「隊友」。
LobeHub 目前在 Google、ByteDance、AWS、Alibaba Cloud 等公司被工程師和團隊使用。
| 指標 | 數值 |
|---|---|
| GitHub Stars | 74.3K |
| Forks | 14.8K |
| 語言 | TypeScript |
| 預設分支 | canary |
| License | Other (custom) |
| Skills 市集 | 217,527+ |
| MCP Server 市集 | 39,603+ |
| 支援模型供應商 | 50+ |
核心功能¶
三大支柱：Create → Collaborate → Evolve¶
┌─────────────────────────────────────────────────────────────┐
│ LobeHub │
│ │
│ ┌─────────────┐ ┌──────────────────┐ ┌────────────┐ │
│ │ CREATE │ │ COLLABORATE │ │ EVOLVE │ │
│ │ │ │ │ │ │ │
│ │ Agent │ │ Agent Groups │ │ Personal │ │
│ │ Builder │ │ Pages │ │ Memory │ │
│ │ 一句話建立 │ │ Schedule │ │ 持續學習 │ │
│ │ Agent │ │ Project │ │ 白盒記憶 │ │
│ │ │ │ Workspace │ │ 可編輯 │ │
│ │ 10,000+ │ │ │ │ │ │
│ │ Skills/MCP │ │ Supervisor + │ │ 透明決策 │ │
│ │ │ │ Executor 模式 │ │ │ │
│ └─────────────┘ └──────────────────┘ └────────────┘ │
└─────────────────────────────────────────────────────────────┘
Create：Agent 作為工作單元¶
- Agent Builder：一句話描述需求即可自動配置 Agent
- 統一智慧：接入任何模型（OpenAI、Claude、DeepSeek、Gemini、本地 LLM）、任何模態
- 10,000+ Skills：透過 MCP（Model Context Protocol）一鍵安裝外部工具
- MCP 市集：39,603+ 個 MCP Server，涵蓋開發工具、生產力工具、資料來源
Collaborate：多 Agent 協作網路¶
| 功能 | 說明 |
|---|---|
| Agent Groups | 多 Agent 團隊，自動組裝適合任務的 Agent 組合 |
| Pages | 多 Agent 在共享 context 中協作撰寫內容 |
| Schedule | 排程執行，Agent 在指定時間自主工作 |
| Project | 專案化組織工作，結構化追蹤進度 |
| Workspace | 團隊共享空間，跨組織的 Agent 協作 |
Evolve：人與 Agent 共演化¶
- Personal Memory：Agent 從你的工作方式中學習，在對的時機行動
- White-Box Memory：結構化、可編輯的記憶系統，使用者完全控制 Agent 記住什麼
- 透明性：不是黑盒的「AI 記住了什麼」，而是可審計的記憶結構
技術架構¶
Agent Runtime 雙執行模型¶
┌──────────────────────────────────────────────┐
│ Client-side (Browser) │
│ │
│ • 一對一聊天 │
│ • Continue generation │
│ • Group orchestration 決策 │
│ │
│ Zustand Store ──► /api/chat/stream │
└──────────────────────┬───────────────────────┘
│ SSE
┌──────────────────────▼───────────────────────┐
│ Server-side (Queue/Local) │
│ │
│ • Group chat supervisor agent │
│ • Sub-agent tasks │
│ • API / Cron triggers │
│ │
│ AgentRuntimeService.executeStep() │
│ │ │
│ ▼ │
│ @lobechat/agent-runtime │
│ │ │
│ ▼ │
│ @lobechat/model-runtime (50+ providers) │
└──────────────────────────────────────────────┘
Chat Pipeline 執行流程¶
1. User → Zustand store 提交訊息
2. Client service → POST /api/chat/stream
3. Server: ToolsEngine.generateTools() 組裝 context
4. Model runtime → 外部 AI provider (streaming)
5. SSE stream 回傳
6. fetchSSE() 解析 normalized chunks
7. Zustand 增量更新 UI (text / tool calls / reasoning tokens)
多 Agent 協作：Supervisor + Executor 模式¶
┌─────────────────────────────────────────────┐
│ Supervisor Agent Loop │
│ │
│ • 維護全域狀態與軌跡 │
│ • 將使用者目標分解為子任務 │
│ • 路由到適當的 Worker Agent │
│ • 綜合結果 │
│ │
│ ┌────────┬────────┬────────┐ │
│ ▼ ▼ ▼ ▼ │
│ ┌───────┐┌───────┐┌───────┐┌───────┐ │
│ │Agent A││Agent B││Agent C││Agent D│ │
│ │(獨立 ││(獨立 ││(獨立 ││(獨立 │ │
│ │context)││context)││context)││context)│ │
│ └───────┘└───────┘└───────┘└───────┘ │
│ │
│ 每個 Agent 的 context 空間隔離 │
│ 防止記憶或假設互相污染 │
└─────────────────────────────────────────────┘
響應模式： - Natural：Agent 並行執行，同時產出 - Sequential：Agent 依序回應，前一個的輸出作為後一個的 context
Tool & Skill 整合¶
createAgentToolsEngine() 聚合四類工具：
| 類別 | 內容 |
|---|---|
| Built-in Tools (6) | Web browsing、Knowledge-base RAG、Python interpreter、Cloud sandbox、Notebook、Memory |
| MCP Plugins | 10,000+ 市集工具，透過 Model Context Protocol |
| Klavis OAuth | 30+ 預整合服務（GitHub、Google Drive 等） |
| LobeHub Skills | Premium 整合 |
平台特定篩選：stdio MCP plugins 需要 Electron IPC，雲端環境會自動過濾不相容的工具。
資料庫 Schema¶
agents → 系統角色、配置
chat_groups → 團隊容器、orchestration 設定
chat_groups_agents → 成員角色與職責
sessions → 對話容器
topics → trigger: cron / chat / api / eval
threads → type: continuation / standalone / eval
messages → role-based content
agent_eval_benchmarks → 評測基準
agent_documents → Agent 級別知識儲存 (BM25 搜尋)
部署選項¶
| 方式 | 說明 | 適合場景 |
|---|---|---|
| Vercel | 一鍵部署 | 快速試用、個人使用 |
| Docker | docker run -d -p 3210:3210 lobehub/lobe-chat |
自架、團隊使用 |
| Zeabur / Sealos / 阿里雲 | 一鍵部署 | 亞太區域部署 |
| Desktop App | macOS 原生應用 | 無瀏覽器限制的完整體驗 |
| LobeHub Cloud | 官方雲端服務（免費 tier） | 零設定即用 |
資料庫支援：本地 SQLite 或遠端 PostgreSQL。
生態系統¶
lobehub/lobehub ← 主專案（Agent 協作平台）
lobehub/lobe-chat ← 前身（單人聊天介面）
lobehub/lobe-ui ← UI 元件庫
lobehub/lobe-icons ← AI/LLM 品牌 icon 集
lobehub/lobe-tts ← TTS/STT 語音模組
lobehub/chat-plugin-sdk ← Plugin 開發 SDK
lobehub/lobe-midjourney ← Midjourney WebUI Plugin
其他亮點功能¶
| 功能 | 說明 |
|---|---|
| Chain of Thought | 視覺化 AI 推理過程，逐步展示問題拆解 |
| Branching Conversations | 對話可分岔（Continuation 或 Standalone 模式） |
| Artifacts | 即時建立 SVG、HTML、文件（類似 Claude Artifacts） |
| Knowledge Base | 上傳文件建立知識庫，支援 RAG 對話 |
| 語音對話 | TTS + STT 完整語音互動 |
| Text to Image | 文字生圖整合 |
| Agent Market | GPTs 風格的 Agent 市集 |
| 多用戶管理 | 支援 SSO、權限控制 |
| PWA | Progressive Web App，行動裝置適配 |
| 自訂主題 | 深色/淺色模式 + 自訂配色 |
目前限制 / 注意事項¶
- License 模糊 — GitHub 標示 "Other"（非標準開源 License），商業使用前需仔細確認條款
- canary 為預設分支 — 代表開發節奏快但穩定性可能有取捨，生產環境應注意版本鎖定
- Client-side 殘留架構 — 雖然已遷移到 server-side agent runtime，部分功能仍在 client-side 執行，混合執行模型增加除錯複雜度
- Agent 評測仍在早期 — 有
agent_eval_benchmarks和eval-rubric模組，但生態系統中的評測工具尚不成熟 - MCP 市集品質參差 — 39,603+ 個 MCP Server 數量龐大，但缺乏嚴格的品質審查和安全審計機制
- 成本不透明 — 雲端版免費 tier 限制、Premium Skills 定價在文件中不夠明確
- 依賴外部模型供應商 — 平台本身不提供推理能力，完全依賴 50+ 外部 provider 的 API 可用性與定價
研究價值與啟示¶
關鍵洞察¶
-
「Agent 作為工作單元」是下一代 AI 產品的核心範式 — LobeHub 把 Agent 從「對話的另一端」提升為「團隊成員」，有持久身份、記憶、專長。這不只是 UX 包裝，而是架構層面的根本轉變 — Agent 有自己的 DB record（
agents表）、可被分配到 Group（chat_groups_agents）、有觸發機制（cron/api/eval）。這個範式在軟體開發工具、企業知識管理、教育等領域都有巨大遷移潛力。 -
Supervisor + Executor 模式是多 Agent 協作的事實標準 — LobeHub 的雙 Runtime（agent loop + supervisor loop）與 context 隔離原則，與 LangGraph 的 State channel 隔離、Anthropic Harness 的 Planner-Generator-Evaluator 三角異曲同工。不同框架殊途同歸，說明「中央協調 + 獨立執行 + 隔離 context」是多 Agent 系統的基本架構共識。
-
White-Box Memory 是 Agent 可信度的關鍵 — 大多數 Agent 平台的記憶是黑盒（你不知道 Agent 記住了什麼），LobeHub 選擇結構化、可編輯的白盒記憶。這在企業場景中至關重要 — 合規要求可審計性，使用者信任要求透明性。Claude Code 的
MEMORY.md也是同樣理念的不同實現。 -
MCP 成為 Agent 工具生態的 HTTP — 10,000+ Skills + 39,603+ MCP Servers 的規模說明 Model Context Protocol 正在成為 Agent 與外部世界互動的事實標準。就像 HTTP 統一了 web 通訊，MCP 正在統一 Agent-to-Tool 的介面。LobeHub 押注 MCP 是正確的戰略選擇。
-
從 LobeChat 到 LobeHub 的演化路徑值得研究 — 單人對話工具 → 多 Agent 協作平台 → 企業級工作空間，這個產品演化路徑與 AWS 案例研究中 client-side → server-side 的架構遷移相呼應。每一步都是因為前一步的架構假設被打破（client-side 無法支撐多 Agent 並行、單人對話無法表達團隊協作需求）。
與其他專案的關聯¶
- Anthropic Harness Design（
harness-design-long-running-apps.md）：LobeHub 的 description 直接使用 "agent harness" 一詞，其 Supervisor + Executor 模式與 Anthropic 的 Planner-Generator-Evaluator 三角互為對照。LobeHub 是通用平台，Anthropic Harness 是特定工作流，但架構思想一致。 - LangGraph State API（
langgraph-state-api.md）：LobeHub 的 Agent Groups 中 context 隔離原則，類似 LangGraph 的多 Schema 模式（input/output/private state）。兩者都在解決同一問題：多 Agent 之間如何分享必要資訊同時防止狀態污染。 - CrewAI（
crewai.md）：CrewAI 和 LobeHub 都實現了多 Agent 角色扮演協作，但 CrewAI 是框架（給開發者寫 code），LobeHub 是平台（給使用者拖拉設定）。CrewAI 更靈活，LobeHub 更易用。 - Everything Claude Code（
everything-claude-code.md）：LobeHub 的 Skills 市集概念與 Claude Code 的 skills 系統類似，都是將 Agent 能力模組化。但 LobeHub 走的是平台市集路線（39K+ MCP servers），Claude Code 走的是本地 skill 檔案路線。