Agent 的单体能力这一年涨得飞快,写代码、查资料、做总结,样样能打。但多数人用起来还是那个老样子:开一个对话,交代任务,拿结果,关掉。换下一个任务,再开一个对话,之前聊过的上下文自己想办法续上。
同时开四五个会话,人的注意力先崩。任务一多,Agent 反而成了新的负担。
DeepSeek Harness 团队发过一篇《Super-agent 设计探索,迈向更自主的 Agent 系统》,讲的就是怎么让 Agent 系统从「单次对话工具」变成「持续干活的团队」。公众号作者苍何照着这个思路,用开源的 LobeHub 在自己的工作里跑通了一整套,这篇文章把两边的内容合起来讲透。
30 秒速答
- Super-agent 是什么:多个 Worker 并行执行、各自独立上下文,Watchdog 监控异常,任务是连续、持久往前滚的,不困在单次对话
- 核心问题:普通多 Agent 架构里人仍是瓶颈——任务堆着等人确认,人一忙整条线停
- 工具:LobeHub,开源(80k+ star),前身 LobeChat,2025 年转型 Agent 平台
- 玩法:1 个主管 Agent 派活 + 多个执行 Agent 干活,本地 Codex、Claude Code 都能拉进团队
- 前置条件:国内调海外模型 API 直连不畅,先解决网络,见下一节
开始之前:网络环境
LobeHub 本身开源免费,但真正干活要调模型 API。想让主管用 Claude 规划、执行 Agent 用 Codex 跑代码,GPT、Claude 这些 API 国内直连都不通畅。
没解决网络的先看科学上网教程,从客户端到节点一条龙。已经能访问官网、但终端里的 Claude Code、Codex 频繁连接超时的,问题多半在终端不走系统代理,排查方法写在 Claude Code 教程里,Codex 安装指南里也有对应一节。
网络不通就开工,Agent 跑到一半卡死,损失的是整段任务上下文,不只是几秒钟的等待。
一、Super-agent 到底想解决什么
DeepSeek 那篇文章的出发点很直白:过去一年 Agent 单体越来越强,但都困在单次的对话里。切换对话要主动记忆上下文,同时进行的 Session 一多,人就跟不上了。
它的解法是一套分工结构:具体工作由多个 Worker 并行执行,各自保留独立上下文,按需连接实际的工具环境。已有任务的后续消息,沿订阅通道直接送到对应 Worker,少绕一遍 Router。底下用数据库保存会话状态,外部一个 Watchdog 监控异常和执行进展。
这几部分配合起来,系统可以同时接活、持续执行,出了问题还能恢复工作。整篇文章浓缩下来就四个词:连续、高效、主动、持久。
另一个值得注意的形态是 Personal Agent:在个人助手场景下持续观察信息流、协助处理事务,具备全局感知的上下文。这类场景是 Super-agent 最先落地的土壤。
二、你搭的多 Agent 架构,为什么卡住了
很多人(包括苍何自己)都试过搭多 Agent 架构,openclaw、hermes 火的时候跟风搭过复杂的一套,最后发现一个共同问题:系统里做信息筛选和决策的,还是人。
一个典型死法:搭一个搜集热点的 Agent,把每日热点丢给团队 Agent,然后等人确认这些热点做不做选题。热点少的时候还行,量一大,人的精力根本顾不过来——搜集本身变得没意义,整条线卡在等人点头上。
人成了瓶颈,这不叫自主,也不叫主动。判断 Super-agent 是不是真跑起来了,就看一点:主管不在、你不在的时候,工作有没有机会自己往前滚。
三、LobeHub:从聊天工具到 Agent 平台
自己从零搭一套 Super-agent 对没技术背景的人太重。GitHub 上已经长出了成熟方案,LobeHub 是其中一个。
它的前身叫 LobeChat,最早一批用 GPT 的人基本都听说过,2025 年改名为 LobeHub,从聊天工具转型成 Agent 平台,现在 80k 以上的 star。开源地址在 github.com/lobehub/lobehub。
最有说服力的一件事:LobeHub 团队已经用 LobeHub 持续开发和迭代 LobeHub 自己。看一个真实案例——
主管 Agent Nasa 发现一个问题:LobeHub 原本支持给任务单独指定模型,但只能在网页上操作,Agent 通过工具或命令行创建任务时缺这个入口。想让一个模型负责规划、另一个模型执行,就卡在这里。
Nasa 查清问题后创建任务 T-1149,分派给基于 Claude Code 的执行 Agent Dario,任务里写明现状、要补齐的入口和验收要求。Dario 交付了 PR #21852:给内置任务工具和命令行补上指定模型的能力,交付记录附带修改说明、测试结果、验收报告,还有需要部署后继续验证的部分。这条 PR 已经合并。
有意思的地方在于:Agent 这次补上的能力,恰好是让后续 Agent 分工执行更顺畅的能力。自己跑通自己的流程,再让流程帮自己跑得更快——「持久」该有的样子。
四、搭自己的团队:1 个主管,6 个执行
苍何的实践是拿它维护自己的内容网站。先把想要的分工和协作方式告诉构建助手,搭一个产品研发群:1 名主管 Agent,6 名执行 Agent,角色、规则、流程一次配好。除了 LobeHub 自带的 Agent,还把本地的 Codex、Claude Code 接了进来,让团队能用上实际项目里的工具。
第一次实操是全站内容审查。主管把任务交给内容主编:对照官方资料检查代码仓库和线上页面,整理问题证据、修改建议与验收标准。为什么先找主编——这轮要判断的是信息有没有过时、结论有没有来源、哪些页面值得优先更新,主编被设定为默认只读的审查职责;需要本地验证或改文件时,再交给有开发环境的 Codex、Claude Code,最后安排 Reviewer 独立复核。
分工的依据就一条:每个成员的职责、工具和执行环境。主管派活时必须把四样东西一起交过去:目标、输入材料、允许修改的范围、验收要求。少一样,下一个成员就接不住。
五、本地环境怎么接
顺着 LobeHub 的开源实现看,CLI 连接方式是 lh connect 连接设备网关,收到执行请求后在本机启动对应的 Agent 运行流程。请求里包含 Agent 类型、工作目录、提示词和话题标识——云端分派的工作,就这样落到具体机器和具体目录上。设备连接的实现代码在仓库 apps/cli 目录里。
所以接入本地 Codex、Claude Code 的顺序是:先确保本机 CLI 能正常用(装法和排障见 Claude Code 教程、Codex 安装指南),再通过桌面端或 CLI 连接器接入设备,给执行成员配好环境和工作目录。
能力边界也要清楚:能否读写文件、运行命令、推送代码,取决于本机文件权限、CLI 执行限制,以及 Git 和 GitHub 的登录授权状态。云端派活只是指令,真权限在你本机。
六、派活前把规矩立好
这是整套实践里最值得抄的部分。执行者开工前必须先做三件事:读仓库的 AGENTS.md,检查 git status、当前分支和基线 commit;已有未提交修改要保留;多人同时写代码用独立 worktree 隔离,无法隔离就先串行。
授权范围分级写死:允许改文件、允许 push、允许提 PR、允许合并和发布,分别说明。典型的一次委派卡片里写明了目标仓库、基线 commit、涉及文件、主编检查到的问题、官方资料链接,以及「可以提交 PR,但不合并、不发布」的边界——主管交给执行者的,是一份可以独立执行的工作说明,不是一句「你去改一下」。
交付也有硬要求:带回文件修改摘要、实际运行的命令与结果、commit 和 PR 链接。Reviewer 要复核具体版本,后面又提交了新 commit 就要检查受影响部分,没跑过的测试、没验证过的页面必须写出来。LobeHub 还开源了一套 Acceptance 验收工具:把需求拆成检查项,附上产品截图、录屏和日志汇总成报告,人逐项接受或提修改意见。
下面这张真实验收页能直观看到它长什么样:需求被拆成 C1-C5 六个检查项,每项挂着可点击核验的证据入口(T-2 任务运行状态、报告链接、CLI 盘点原始记录),C5 因为云端发布被登录状态阻塞标黄待处理——该验收的验收,该打回的打回,界面上按钮就这三个:

七、委派与 Task:什么时候用哪个
内容审查暴露出网站最大的问题是时效性——官方有新消息没及时同步,信息就慢一拍。这次改完,下次更新还得有人盯。于是下一步是配自动巡检:主管分析需求后,内容比对交给内容主编,定时巡检交给 Lobe 助手,后续按设定时间自动发起检查。
这项巡检建成了独立的 T-2 Task,北京时间每天 9 点执行,任务页里留着每轮运行记录,主管、Lobe 助手与内容主编的交接评论都在下面。
什么时候直接委派、什么时候建 Task,判断标准很清晰:当前群聊里已经明确的工作,用委派卡片交给对应 Agent;反复执行、跨天保留进度的工作,用独立 Task。每轮执行有自己的话题记录,一次话题归档后,后续巡检仍按计划继续。要管理更多依赖和复核轮次时,优先放进可持续跟踪的任务里。
上下文交接也有具体落点:长报告保存在 Agent Documents,链接贴进任务评论;代码变更留在仓库和 PR;后续巡检从评论里的检查进度、未解决项和报告链接接着查。前一步的产物,变成下一步的输入。
八、真实的翻车现场
这套系统不是稳态运行的神器,翻车记录反而最有参考价值。
第一起:内容主编要归档巡检报告,打不开预期的父文档,工具返回 Document not found 和 Parent not found。它的处理是把本轮报告暂存在自己的 Agent Documents,把链接和阻塞原因写回任务评论,说明预期归档位置没更新。主管随后的调整:后续轮次先用任务评论保存检查进度、去重线索和未解决项,再尝试建立可用的归档位置。
注意这个细节——文件存好了、链接传过去了、接手的人能读到,是三个需要分别确认的环节,一个都不能想当然。
第二起:Lobe 助手尝试设置独立 Verify,写入后再次查询却显示 not configured。它转而配置任务 Review,设置 autoRetry=true、maxIterations=2。但首轮没有独立判定单,所以不能据此认定已经复核通过。
PR 被打回、依赖变化、执行失败的处理也提前约定了:失败原因和证据留在原任务,修复后提交新版本,按新 commit 复核;上游结论变化时重新检查受影响的下游工作;缺权限或需要扩大范围时,先报告阻塞,由主管协调或回来找人确认。
九、入口放进微信,任务自己跑
任务入口不必守在 LobeHub 的界面里,可以接进平时用的聊天工具。苍何把它接入了微信,在微信里让它找 X 上最近一周用 opus 5.5 做视频的优秀案例,收到需求后它分配子代理开始搜索——想到一个调研问题,微信里就能交办下去。
更大的一次任务是短视频选题调研:分析抖音上 AI 工具、AI 效率、AI 编程相关作品,结合评论区整理真实需求。Lobe 把调研拆成两条线,创建子助理并行检索,右侧面板实时显示运行中的任务和本机 CPU、内存、磁盘占用,点开子助理能看到执行过程和输出。
两条线完成后汇总成分析报告:账号体量、视频数据、内容深度、标题和评论反馈,再往下梳理选题策略、推荐的视频结构和要避开的坑,最后还整理出一份实战手册,从冷启动、选题到脚本撰写、拍摄和复盘。整个任务跑了大约一小时,交到手里的既有分析结果,也有下一步可以直接动手的内容。
「主动」在这套系统里有了可执行的 definition:什么时候检查、遇到什么情况介入、可以处理到哪一步、哪些地方需要回来找人确认。条件不讲清楚,主动就是添乱;讲清楚了,每轮执行留了证据,才能逐步把持续跟进交出去。
十、核心能力是项目管理
实践下来感受最深的一点:前一步做完,工作有机会接着往下走。网站审查发现的问题接到了实际修改和 PR;担心内容过时,接到了自动巡检;调研完成,接到了可执行的手册。单个 Agent 再强,困在单次对话里,工作就断在对话边界;有了主管分派和任务衔接,任务才有机会自己往下滚。
用了一段时间之后,对 Agent 的理解会变。一开始以为用 Agent 是把自己替换掉,后来发现根本不是:重复的、靠信息量驱动的执行确实可以交出去,剩下的反而是更需要你的部分——判断值不值得做、结果有没有达标、下一步往哪走。
能把 Agent 用好的人,核心能力可能不是会写提示词,而是懂目标拆解、懂验收标准、懂推动迭代。
说白了,这一套本质就是项目管理。只不过你管的这个团队,全是 AI。
常见问题
Super-agent 是什么?
DeepSeek Harness 团队提出的更自主的 Agent 系统设计。多个 Worker 并行执行、各自保留独立上下文,按需连接工具环境,外部 Watchdog 监控异常和进展,数据库保存会话状态。目标是连续、高效、主动、持久,让任务不困在单次对话里,能持续往前滚。
LobeHub 免费吗?
开源免费。GitHub 仓库 lobehub/lobehub 有 80k 以上 star,前身是聊天工具 LobeChat,2025 年转型为 Agent 平台。自己搭建使用不收费,但背后调用的模型 API 按各厂商计费。
不会写代码能用 LobeHub 搭 AI 团队吗?
网页端建群组、配角色规则可以纯界面操作。但想让本地 Codex、Claude Code 进团队干活,命令行基础绕不开,协作规则里的 git 分支、PR、worktree 这些概念也需要大致看懂,完全不碰代码会比较吃力。
国内能用 LobeHub 吗?
能,开源项目可以自己部署。但调 GPT、Claude 这类海外模型 API 国内直连不畅,先解决网络环境再开工,否则 Agent 跑一半卡在超时上,损失的是整段任务。
主管 Agent 和执行 Agent 差在哪?
主管负责拆需求、分派任务、定验收标准,不亲自干活;执行 Agent 各自有明确的职责、工具和运行环境,只接主管划清范围的工作。分工依据就是每个成员能干什么、在哪个环境里干。
任务什么时候用委派、什么时候建 Task?
当前群聊里已经明确的工作,用委派卡片直接交给对应 Agent;反复执行、跨天保留进度的工作(比如每日巡检)用独立 Task,每轮执行有自己的话题记录,进度和未解决项都能接续。
写在最后
这套实践里最值钱的不是 LobeHub 这个工具,而是那几条派活规矩:目标、范围、验收一起交,交付物和复核标准提前写死,翻车时证据留在原任务。这些本来就是项目管理里百年沉淀下来的东西,换到全 AI 团队一样成立。
工具怎么选、各主流 AI 编程 Agent 怎么对比,看 AI 编程 Agent 横评;想先了解各家大模型的基础差异,从 AI 工具指南入手。