> 📌 **项目地址**：[lobehub/lobehub](https://github.com/lobehub/lobehub) | ⭐ 80,046 颗星 | 🔧 TypeScript | 📜 未标注
## 项目在做什么
LobeHub 不是一个聊天界面。它的定位是 AI Agent 编排平台。你配置一批“代理”（Agent），每个代理有独立的角色、工具和调度规则。这些代理能 7×24 小时运行，相互协作，你只需要下指令、审核结果。
GitHub 上 80046 个 star 说明很多人觉得“现有 AI 工具只能一问一答”不够用。LobeHub 改变了用户身份：你不是提问者，是“首席代理操作员”。你负责雇佣（配置代理）、调度（安排任务）、报告（监控产出）。不需要自己一直在线。
项目用 TypeScript 写，前端框架灵活。README 提供了中英文版本，对国内用户友好。整体文档风格更像产品官网，不是随手写的仓库 README，图标和排版都统一。
## 四个核心理念
项目 README 里定义了四个关键词：Operator、Create、Collaborate、Evolve。
**Operator：代理是工作单元**
每个代理不是聊天记录，它有自己的系统提示、工具集、执行逻辑。你把任务丢给它，它独立执行，然后汇报结果，等待下一轮指令。例如一个代理专门清洗 CSV 数据，另一个做文本摘要。
**Create：代理是创建单元**
你可以自己造代理。LobeHub 提供了一套创建流程，让你定义角色、工具体系、调度参数。不是只能消费别人做好的代理，你能设计专属的流水线。
**Collaborate：新的协作网络**
代理之间能通信。代理 A 的输出直接成为代理 B 的输入，形成自动流水线。举个例子：数据采集代理 -> 数据清洗代理 -> 内容生成代理 -> 质量审核代理，一条链跑完。
**Evolve：人与代理共同演进**
代理可以记录你的偏好，你也可以持续调整代理的逻辑。不是一次配置永久运行，而是一个持续优化的过程。比如你发现某个代理输出总加废话，就修改 prompt，下次它就不加了。
## 部署方式
README 明确给出一键云部署和 Docker 自主部署两种路径。
**一键云部署**：支持 Vercel、Zeabur、Sealos、阿里云。以 Vercel 为例，项目首页有“Deploy with Vercel”按钮，点一下就行，不需要你自己的服务器。适合快速试用。
**Docker 自主部署**：适合数据敏感或需要定制环境的团队。README 中“Self Hosting”章节有详细说明，包括端口映射、环境变量配置等。具体命令和参数请直接看 README，这里不编造。
**环境变量**：需要配置各类 LLM 的 API Key（OpenAI、Anthropic 等），以及外部存储挂载、代理调度参数等。README 里的“Environment Variable”章节写得很清楚。
## 生态与插件
README 单独列出了“Ecosystem”和“Plugins”章节。有插件系统意味着你可以扩展功能，比如接入新的模型、工具或数据源。插件不是项目内置的，但社区可以贡献。
另外项目还提供了本地开发指南（`⌨️ Local Development`），开发者可以贡献代码。贡献指南和赞助信息也都有明确位置。
## 我的建议
LobeHub 适合“持续运营”场景。你每天都要跑数据清洗、批量生成内容、多个模型对比输出，这时代理编排就有价值。如果只是偶尔用 AI 写段文案，现成的 ChatGPT 就够了。
部署前想清楚：自备 API Key 是刚需。你需要自己的 OpenAI 或其他服务商密钥，成本得自己算。
项目还在活跃开发中。README 里写了“currently under active development”，遇到问题可以去 GitHub Issues 反馈。做生产环境部署前，建议先看 Changelog，确认没有破坏性更新。
想上手的话，从 Vercel 一键部署开始，本地跑通了再迁移到 Docker。别一上来就搞大规模代理编排，先徒手调一个代理的角色定义和执行逻辑，理解这套流程再说。