AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年10月24日
用于创建、调度和协作 AI Agent 的开源工作平台。
LobeHub 把多个 AI Agent 集中到一个工作空间中,帮助用户创建 Agent、安排任务并查看结果。项目支持多种模型与 Agent 相关能力,定位是让人和 Agent 持续协作。
推荐指数
功能覆盖面广、社区规模大,适合想自建多 Agent 工作台的开发者。
近 7 天
+823
新增 Star
总 Star 排名
#45
雷达追踪的 3,931 个 AI 仓库中
创建于
2023
2023年5月21日
核心亮点
1多 Agent 管理
以 Agent 作为工作单元,集中管理不同任务和协作角色。
2任务调度
README 将招聘、安排和汇报 AI 团队列为核心能力。
3模型生态
仓库主题覆盖 OpenAI、Claude、Gemini、DeepSeek 和 GLM 等模型方向。
4知识与扩展
项目主题包含知识库、MCP、Skills 和 Agent 协作等扩展方向。
5支持自部署
README 提供 Vercel、Docker 等自托管部署入口。
适用场景
个人 AI 工作台
例如:把写作、资料整理和编程辅助分别交给不同 Agent 管理。
团队任务协作
例如:为研究、开发和汇报设置不同 Agent,再集中查看工作结果。
模型能力实验
例如:在同一个界面中尝试不同模型和 Agent 配置。
私有化部署
例如:使用 Docker 在自己的环境中部署一套 Agent 工作空间。
它是怎么工作的
第 1 步
创建 Agent
根据任务定义不同的 Agent,并为其配置相应能力。
第 2 步
组织协作
将多个 Agent 放入统一工作空间,减少在不同工具之间切换。
第 3 步
安排任务
按照项目描述为 Agent 分配和调度工作。
第 4 步
查看汇报
通过 Agent 的结果和汇报了解任务进展。
快速上手
- 1
选择部署方式
README 提供 Vercel、Zeabur、Sealos、阿里云和 Docker 等部署入口。
- 2
配置环境变量
按 README 的 Environment Variable 部分填写运行所需配置。
- 3
准备模型密钥
按 README 的 Obtain OpenAI API Key 部分准备模型服务密钥。
- 4
创建并使用 Agent
进入 LobeHub 后创建 Agent,再根据任务进行协作和调度。
适合谁
- 想自建 AI Agent 工作台的开发者
- 需要管理多个模型或多个 Agent 的个人用户
- 希望通过 Docker 或云平台部署 AI 工具的团队
- 正在探索 MCP、Skills 和 Agent 协作的开发者
不太适合
- 只需要一次性调用单个模型接口的简单项目
- 不希望配置模型服务或维护自托管系统的用户
成熟度
- 活跃度仓库有 83428 个 Star,最近推送时间为 2026-10-23,README 也明确说明项目仍在持续开发。
- 文档README 提供功能说明、自托管部署、环境变量、本地开发和生态入口,但具体命令在给出的内容中不完整。
- 社区项目拥有 16013 个 Fork、1158 个公开 Issue,并提供 Discord、反馈和贡献入口。
- 上手难度README 提供多种部署路径,但自托管仍需要准备环境变量和模型 API Key。
使用前注意
- · 仓库许可证字段为 NOASSERTION,正式使用前应进一步确认许可证条款。
- · 使用模型能力通常需要配置对应服务的 API Key,可能产生调用费用。
- · 项目处于持续开发状态,公开 Issue 数量较多,升级时需要关注兼容性变化。
- · 自托管时应妥善保护环境变量和模型密钥。
