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。

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。

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。

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？

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。

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 。

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 。

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。

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。

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。

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。

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：

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；

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。

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。

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！” 。

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。

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 。

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；

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。

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。

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。

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。

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。

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。

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。

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。

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。