在当前人工智能助手的发展阶段，大多数产品仍然采用单一 Agent 模式 —— 用户与一个 Agent 进行一对一交互，这种模式虽然简单直接，但难以满足复杂任务场景的需求。当任务涉及多步骤协作、需要不同专业能力的组合，或者要求多个 Agent 并行处理时，单一 Agent 的局限性便显现出来。LobeHub 作为一款多 Agent 协作工作空间平台，提出了 “Agents as the Unit of Work” 的核心理念，将 Agent 从传统的工具属性提升为具备协作能力的工作单元，这一设计思路为多 Agent 系统的工程实践提供了有价值的参考。
从单 Agent 到多 Agent 工作单元的设计转变
传统 AI 助手的架构本质上是一种响应式交互模式 —— 用户发送请求，Agent 处理并返回结果，这种模式类似于传统的客户端 - 服务器架构，Agent 在整个流程中处于从属地位。LobeHub 的设计理念则完全不同，它将每一个 Agent 都视为一个独立的工作单元，具备自己的上下文、记忆和专业能力，用户不再是单纯地调用 Agent 完成单一任务，而是像一个团队管理者那样，协调多个 Agent 共同完成复杂项目。
这种转变带来了一系列工程层面的挑战。首先是上下文隔离与共享的问题：在单一 Agent 模式下，所有对话上下文都属于同一个会话；而在多 Agent 模式下，不同 Agent 需要维护各自的上下文，同时又需要在必要时共享信息。其次是任务分发与编排的问题：当用户提交一个复杂任务时，系统需要判断应该由哪些 Agent 协作完成，每个 Agent 负责哪个子任务，以及如何汇总各 Agent 的产出。最后是状态一致性与同步的问题：多个 Agent 并行工作时，需要确保它们对任务状态的理解是一致的，任何一个 Agent 的输出都可能影响其他 Agent 的后续决策。
LobeHub 通过引入 Agent Groups 的概念来解决这些问题。在 LobeHub 的工作空间中，用户可以创建包含多个 Agent 的团队，每个 Agent 被赋予特定的角色和能力，例如 “文案编辑 Agent” 负责内容撰写和润色，“代码审查 Agent” 负责技术评审，“数据分析 Agent” 负责信息整理。当用户提交任务时，系统会根据任务性质自动选择合适的 Agent 组合，或者由用户手动指定参与协作的 Agent 清单。这种设计既保留了单一 Agent 的专注性，又获得了多 Agent 协作的灵活性。
Agent Groups 的团队编排机制
Agent Groups 是 LobeHub 实现多 Agent 协作的核心抽象。一个 Group 可以包含多个 Agent，每个 Agent 在组内承担不同的角色，扮演类似真实团队中不同职能成员的角色。工程实现上，LobeHub 为每个 Group 维护了一个共享的任务上下文，当某个 Agent 完成其负责的子任务后，其输出会自动写入共享上下文，其他 Agent 可以读取这些内容作为自己工作的输入。这种设计类似于流水线模式，但与传统的固定流水线不同，Agent Groups 支持动态的任务分发和迭代式的协作。
具体而言，LobeHub 的团队编排机制包含以下几个关键特性。第一个特性是并行协作能力：当任务可以分解为相互独立的部分时，多个 Agent 可以同时处理各自的子任务，系统会等待所有 Agent 完成后统一汇总结果。第二个特性是迭代优化能力：当一个 Agent 的输出需要另一个 Agent 进行改进时，系统支持将输出传递给下一个 Agent 进行二次处理，形成类似人类工作中的 “修改 - 审核” 循环。第三个特性是上下文传递机制：LobeHub 设计了显式的上下文边界控制，每个 Agent 只能访问其角色所需的上下文信息，既保证了信息的适量供应，又避免了上下文过载导致的性能问题。
在具体实现参数方面，LobeHub 建议每个 Group 的 Agent 数量控制在三到五个之间，这考虑了协作效率与认知负荷的平衡。当 Agent 数量过少时，多 Agent 协作的优势不明显；当 Agent 数量过多时，上下文传递的开销和任务分发的复杂度会显著增加。此外，每个 Agent 的上下文窗口大小需要根据其角色进行差异化配置，负责内容创作的 Agent 可能需要更大的上下文窗口来保持连贯性，而负责特定领域审查的 Agent 则可以使用较小的窗口来提高响应速度。
工作空间与项目管理的企业级设计
LobeHub 将多 Agent 协作进一步延伸到企业级应用场景，通过 Workspace、Project、Schedule 和 Pages 等概念，构建了一套完整的工作空间管理体系。Workspace 是团队级别的共享空间，所有成员都可以在 Workspace 中创建和加入 Agent Group，查看团队成员创建的资源，这种设计解决了企业场景下的协作透明度问题 —— 在传统工具中，团队成员往往不知道其他人正在使用什么 AI 助手，也无法复用他人创建的 Agent 配置。
Project 是组织工作的逻辑单元，一个 Project 可以包含多个相关的 Agent Group 和会话记录。这种设计借鉴了项目管理软件的最佳实践，将 Agent 协作与人类工作流程进行了对齐。用户可以为 Project 设置不同的状态（如进行中、已完成、已归档），系统会根据 Project 状态自动管理相关资源的生命周期。Schedule 功能则允许用户预先配置 Agent 的运行时间表，某些周期性任务可以完全自动化执行，无需人工干预，这在需要定时生成报告、数据汇总等场景中尤为有用。
Pages 是 LobeHub 的一个创新设计，它允许用户在单一界面内与多个 Agent 进行协作。每个 Page 维护了多个 Agent 的会话线程，用户可以在不同 Agent 之间切换，或者让多个 Agent 同时关注同一个主题。当一个 Agent 产出内容后，用户可以立即将其分享给另一个 Agent 进行后续处理，整个过程在同一个 Page 内完成，无需创建多个独立的会话。这种设计极大地降低了多 Agent 协作的认知负担，用户不再需要在多个窗口之间切换。
个人记忆与白盒记忆的可信设计
多 Agent 系统的一个核心挑战是如何让 Agent 理解用户的偏好和习惯，从而提供更加个性化的服务。LobeHub 引入了 Personal Memory 机制来解决这个问题。与传统 AI 助手采用的全局记忆不同，LobeHub 的记忆系统是白盒化的 —— 用户可以查看、编辑和删除 Agent 保存的任何记忆内容。这种设计基于一个重要的工程理念：在 AI 系统中，透明度是建立用户信任的前提，如果用户不知道 Agent 记住了什么，就无法真正信任 Agent 的决策。
Personal Memory 的实现采用了结构化的记忆存储方式。Agent 不会将所有交互内容都记入记忆，而是根据预设的规则提取高价值信息，例如用户的表达偏好、专业领域背景、常用的工作流程等。这些记忆被组织为可读的文本形式，用户可以像查看文档一样查看 Agent 对自己的了解程度。当用户发现 Agent 的某些理解不准确时，可以直接编辑记忆内容进行纠正，这种人机协作的闭环设计让 Agent 能够持续学习和适应。
在工程实践层面，LobeHub 建议记忆系统的更新采用 “确认 - 写入” 模式，即 Agent 在将新信息写入记忆前，先以建议的形式呈现给用户，用户确认后再正式写入。这种设计有两个好处：一是避免了无效记忆的堆积，二是让用户始终保持对记忆系统的控制权。记忆的生命周期管理也是重要的工程考虑，LobeHub 采用分层存储策略，热数据（近期频繁访问的记忆）保持在内存中，温数据（不太常用但仍有价值的记忆）存储在数据库中，冷数据（早期的、可能已过时的记忆）则可以归档或删除。
MCP 插件生态与 Agent 能力的扩展
LobeHub 支持通过 MCP（Model Context Protocol）协议连接外部工具和服务，这为 Agent 能力的扩展提供了标准化的路径。目前 LobeHub 的插件市场已收录超过 40 个各类插件，覆盖了搜索、购物、视频处理、SEO 优化等场景。这些插件以标准化的方式接入 Agent 的能力体系，Agent 在执行任务时可以按需调用插件，实现与外部世界的交互。
MCP 插件的工程设计值得借鉴的一点是其动态加载机制。LobeHub 在启动时并不预先加载所有插件，而是根据当前会话的需求按需加载。这种设计既降低了系统的启动开销，又避免了插件冲突的可能性。插件的版本管理也采用了语义化版本控制，确保不同版本的插件能够与不同版本的 LobeHub 兼容。此外，LobeHub 为插件开发提供了完整的 SDK，开发者可以使用 TypeScript 快速构建新的插件，这种开发者友好的生态建设策略是多 Agent 平台可持续发展的重要基础。
在企业部署场景下，LobeHub 支持自托管部署，可以通过 Vercel、Zeabur、Sealos、阿里云或 Docker 等多种方式部署。环境变量的配置相对简洁，核心需要配置的只有 API Key 等必要参数。数据库支持方面，LobeHub 同时支持本地 CRDT 数据库和远程 PostgreSQL，前者适合注重数据隐私的个人用户，后者适合需要多人协作的企业场景。这种灵活的部署选项降低了企业的采纳门槛，也是 LobeHub 在工程实践层面的重要竞争优势。
总体而言，LobeHub 通过将 Agent 作为工作单元的设计理念，成功构建了一个支持多 Agent 协作、团队编排和个人演进的工作空间平台。其工程实践的核心价值在于：Agent Groups 提供了灵活的任务分发和协作机制，Workspace 体系支撑了企业级的团队协作需求，Personal Memory 实现了可信的个性化服务，MCP 生态则保障了能力的可持续扩展。这些设计经验对于构建下一代多 Agent 系统具有重要的参考意义。
资料来源：GitHub lobehub/lobehub
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。