惭愧，我才真正看懂这个 AI 开源产品。
AI产品阿颖 · 人工智能
原创 阿颖 2026-11-05 19:57 北京 惭愧惭愧，我才真正看懂 LobeHub 这个产品。 虽然之前经常在开源社区看到有人提起这个项目，DeepSeek 官方在展示模型能力的时候，也好几次用这个产品作为演示平台。 但我之前一直是沿着 Codex 的惯性思路理解这款产品，下载过好几次，始终没有 Get 到它究竟想解决什么问题。 直到上周末，DeepSeek Harness 团队发布了一篇关于 Super Agent 的设计探索。我看到不少人讨论，这不就是 LobeHub 一直在做的事情吗？ 如果大家没看 Super Agent，我觉得也别焦虑，这玩意其实就是 Personal Agent......换了个潮流的新名字。 我也是昨天才恍然大悟。 先给大家看一下，这是 LobeHub 的 GitHub 仓库，已经有 8 万多 Star 了，也是一个由中国开发者发起的开源项目。 作为一个产品经理，我一直很认同张小龙的一个观点，设计就是分类。 所以，要理解 LobeHub，我想先从它的产品结构说起。 我们先拿 ChatGPT 来做个对比。 左侧最上面是新聊天，每次新建聊天，就会产生一个新的会话，也就是我们经常说的 Session。 下面是项目。比如截图中有两个项目，一个是 wechat，一个是 AI Maker Summit。项目可以简单理解成一个带有共享上下文的文件夹。 我们可以把相关的聊天、文件和资料放到一起，方便管理。 接着再看下 LobeHub。 你会发现，它的产品结构完全不一样。 首先，左侧最重要的位置变成了任务，下面还有文档等功能。左下角增加了助理入口，右侧下方还有未读消息，方便查看任务的最新进展。 我说一下自己的理解，不一定完全准确，没有和官方团队求证过。 LobeHub 最重要的设计之一是用任务替代了 Session，毕竟 Session 这玩意严格讲，仍然还是过于繁琐。 就像 DeepSeek 在 Super Agent 那篇文章中就提到的：现在主流的 Agent 设计，单任务的上限取决于模型能力，多任务的上限取决于人的注意力。 什么意思呢？ 现在 Codex、Claude Code 已经能够独立完成很多复杂任务，但如果我们同时运行十几个甚至几十个 Session，就得不停地切换窗口、检查进度，还要记住每个 Session 的上下文。 Agent 的能力越来越强，人却成了多任务执行的瓶颈。 所以，DeepSeek 的设想是让人摆脱对 Session 的管理。Session 应该成为系统内部的实现细节，不应该再成为用户的认知负担。 过去很多 AI 产品都采用聊天界面，某种程度上延续了早期大模型以对话为中心的交互方式。 但用户真正关心的是自己的任务、项目和目标。 至于系统内部调用了多少次模型、创建了多少个 Session，或者由哪些 Agent 执行，其实都不需要用户操心。 而 LobeHub 这个产品，很早之前就这么做了，只是它没 DeepSeek 那么大的影响力。 DeepSeek 现在干啥都有些明星效应，其实，我觉得 Super Agent 也没那么邪乎，几乎都是最近 Agent 的新趋势。 哎，话说回来，这也侧面说明创业公司真的还是应该重视宣传。酒香不怕巷子深的时代过去了。 LobeHub 把任务当成最小的原子单元后，很多问题就迎刃而解了。我截个图，这是我刚创建的一个任务： 这样理解就自然多了。 因为我们找 AI，本质上还是以任务为单位。 说白了，我们找它，就是希望它帮我们做成一件具体的事。 不知道大家有没有用过一些任务管理工具。比如我们团队很早以前用过 Teambition，当时大家协作的方式就是创建任务、指派任务，再由同事去完成。 现在其实也一样，只不过以前是把任务派给同事，现在是把任务交给 Agent 去执行。 创建完任务之后，LobeHub 会继续澄清需求。 比如，交付物是单个的 HTML 文件，还是完整的工程项目？ 它会通过选项的方式让我确认。 再往后，它会自己把这些信息整理成一份更完整的任务描述。就像下面截图这样。 而且我可以直接修改。 比如，它写的是带人物模型的球员做投篮动作，我一看就知道这不准确。 因为我真正想表达的，不是一个人在投篮，而是两个人在对打，有进攻，也有防守。 最打动我的，是下面截图里的这个交互。 任务开始运行之后，LobeHub 会自动生成一份验收清单，明确这个任务需要满足哪些条件，才算真正完成。 我记得今年六七月份的时候，大家特别喜欢讨论 Loop Engineering。最近好像没那么热了，但这个理念其实非常重要。 它有个核心的思想，就是我们给 AI 下达任务的时候，除了告诉它要做什么，还得明确什么样的结果才算成功。 这样 AI 才能在执行过程中，不断检查自己的工作，发