Jednou větou si postavte AI tým: Open-source platforma pro spolupráci Agentů sráží laťku pro one-man startupy úplně k zemi

Vaše nejdražší náklady nejsou mzdy, ale fakt, že máte sami k dispozici jen 16 hodin bdělosti denně.

Zvládnout jednu práci jako jeden člověk je hranice. Zvládnout tři práce? Buď musíte najmout lidi (a platit je z vlastní kapsy), nebo musíte zkrátit polovinu zakázek – přes tuhle bariéru se one-man firmy posledních deset let nedostaly.

V roce 2026 je řešení jiné: nahraďte zaměstnance Agenty. Kompletní AI tým, který si sám rozdělí úkoly, vzájemně si předává výstupy a 24/7 pracuje na vašem lokálním stroji. Jeden open-source projekt jménem LobeHub (81,5k hvězdiček na GitHubu, 340+ přispěvatelů) už tuto cestu úspěšně otevřel. Jak ho postavit, jak přes něj přijímat zakázky a jak z něj udělat vaše zaměstnance, to si teď rozebereme do detailu.

1. Nejdřív se podívejme na čísla: 80 tisíc hvězdiček nepřišlo jen tak

Tenhle projekt začal jako LobeChat, open-source klient pro ChatGPT. Během jednoho roku se sám přestavěl na LobeHub a z chatovacího nástroje se stal platforma pro spolupráci Agentů. Repozitář se přesunul z lobehub/lobe-chat na lobehub/lobehub a pozice se změnila na „Chief Agent Operator“ (hlavního operátora Agentů – představte si ho jako „ředitele provozu“, jenž místo lidí řídí AI Agenty).

V uživatelském rozhraní vidíte organizační schéma agentů – každý Agent má své jméno, jasně definovanou roli a dokáže přijímat úkoly.

Projekt AutoGPT (186k hvězdiček na GitHubu) sice odstartoval závod už dávno, ale v roce 2026 se karta úplně obrátila. Oborové konsenzus je jasný: jeden Agent prostě nestačí, budoucnost patří týmům agentů. Související projekty jako Mem0 (62,9k hvězdiček, specializace na paměť) a RAGFlow (86k hvězdiček, specializace na znalostní báze) letos taky explodovaly. Celý ekosystém směřuje přesně třemi směry: „týmová spolupráce, dlouhodobá paměť a možnost privátního nasazení“.

Hlavní konkurenční výhoda LobeHub spočívá v tom, že vám to všechno nabídne jako jeden balík. Vestavěná znalostní báze, marketplace s 10 000+ dovednostmi (standardní pluginy založené na protokolu MCP), sjednocená správa napříč modely a privátní nasazení jedním kliknutím přes Docker. Jakmile to nainstalujete, už nikdy nebudete muset složitě poskládat čtyři nebo pět různých nástrojů – všechno běží z jednoho řídicího panelu.

2. Jak to vlastně funguje: 4 režimy spolupráce agentů

Skupiny agentů (Agent Groups) jsou skutečně největší hodnota tohoto řešení – práci, na kterou by si jeden Agent ani neškrtnul, tu řeší integrované řízení celého týmu. Oficiálně existují 4 režimy spolupráce, seřazené od těch nejvíce využívaných:

① Sériový režim (Sequential) — pro 80 % úkolů: Agent A napíše text a předá ho Agentu B k úpravě, ten ho po dolazení předá Agentu C na formátování. Práce probíhá v řadě, každý krok lze zkontrolovat a případně zastavit.

② Paralelní režim (Parallel) — pro 10 % hromadných úkolů: Jeden úkol se rozdělí na N částí, na kterých N agentů pracuje současně, a na závěr se výsledky sloučí. Ideální pro dávkové zpracování – třeba když chcete najednou vygenerovat 30 názvů produktů nebo napsat popisy ke 100 produktovým fotkám.

③ Iterativní režim (Iterative) — pro menšinu obsahu vyžadující opakované broušení: Jeden agent píše, druhý v roli editora text hodnotí a pokud nedosáhne nastavené metriky, musí se to napsat znovu. Použijte ho na práce typu „kvalita před rychlostí” – třeba když ladíte virální titulky pro Pinterest nebo píšete hloubkové články pro blog.

④ Debatní režim (Debate) — pro menšinu úkolů vyžadujících více úhlů pohledu: Více agentů debatuje nad stejným tématem (třeba „stojí tenhle produkt vůbec za to koupit?”) a jeden Moderator shrne rozdílné názory i shodu. Skvělé pro recenze produktů a výzkumné reporty.

Reálné využití: stavíte web se SaaS nástroji a každý den potřebujete aktualizovat popisy funkcí, ceníky a recenze pro 50 produktů. S nastaveným pipeline režimem první Agent stáhne data, druhý Agent napíše českou verzi, třetí Agent anglickou verzi a čtvrtý Agent optimalizuje SEO klíčová slova. Dřív to byla celodenní práce pro jednoho člověka, dneska stejný workflow odběhne za 30 minut.

Třetí nejlevnější rána: lokální Docker nasazení, modely měníte jak chcete

Spousta lidí se zasekne na tom, že „neunesou velké modely“. Řešení od LobeHub je změnit jen frontend, modely běží přes API.

Docker nastartuje službu jedním příkazem (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub, jakmile máte nainstalovaný Docker Desktop, stačí to vložit do terminálu a je hotovo), v prohlížeči otevřete localhost:3210 a hned můžete používat. Veškeré výpočty probíhají na straně cloudových modelů, lokálně běží jen UI. Takže i když máte MacBook Air s 8G RAM, v klidu to rozjedete.

Modely můžete libovolně kombinovat. Oficiální doporučená kombinace z ukázky je:

• Gemini 2.5 Pro: Dlouhý kontext (na úrovni milionů tokenů), ideální pro zpracování rozsáhlých dokumentů.
• Kimi (kontext 2M): Vynikající pro práci s čínštinou, ideální pro analýzu čínských materiálů.
• DeepSeek V4 Flash: Extrémně levný (podle aktuálního kurzu k srpnu 2026 zhruba 1 RMB/M token na vstup, 2 RMB/M token na výstup; oficiální ceník v USD je $0.14/$0.28 za 1M), ideální pro hromadné úlohy.

Jediná kompletní úloha „překladu + přepisu“ vás vyjde na méně než 3 feně. Sto úloh denně = 3 RMB. Tohle je reálná cenová struktura „brání AI zakázek“ — klientovi účtujete 1500, náklady na AI činí 30, a zbylých 1470 je vaše hrubá marže.

Zakázky zahrnují klientské smlouvy nebo interní data? LobeHub podporuje i plně privátní nasazení (on-premise). Znalostní báze běží na vektorovém vyhledávání PGVector (najde pasáže s „podobným významem“, ne jen shodu klíčových slov). Znalostní báze a historie konverzací zůstávají zcela lokální, citlivá data neopustí váš stroj — ale samotné odvozování (inference) stále probíhá přes cloudové LLM API. To je hranice, kterou musíte znát.

Čtyři: 3 typy zakázek, které můžete brát, s ceníkem formou měsíčního poplatku

Dnes můžete brát tyto 3 typy zakázek, s ceníkem formou měsíčního poplatku:

Scénář 1: Správa obsahu a operace (měsíční poplatek 3000–8000 RMB)

Klienti jsou malí a střední e-shopy. Týdně potřebují 5 příspěvků na Pinterest a Reddit, 3 texty pro TikTok a 2 články na blog. Postavte si pipeline pomocí Agent Groups: Agent pro výběr témat → Agent pro copywriting → Agent pro formátování → Agent pro vizuály (obvykle napojený na API pro generování obrázků jako Midjourney nebo Imagen, jeden obrázek stojí pár halířů). Jeden člověk obslouží 5 klientů, denně věnuje 2 hodiny kontrole kvality a zbytek nechá odběhat Agenty samotné. Náklady na API činí 200–500 RMB měsíčně, teoretická hrubá marže se může vyšplhat na 15 000 – 40 000 RMB.

Scénář 2: Denní reporty o sledování konkurence (měsíční poplatek 1 500 – 3 000 RMB)

Denně scrapeujte ceny, stav zásob a novinky z 20 webů konkurence, automaticky je zapisujte do Google Sheets a v 9:00 je přesně posílejte e-mailem do schránky klienta. Využijte paralelní režim pro hromadné scrapování, zásadní změny vyhlašujte samostatným alarmem. Jeden člověk dokáže současně obsluhovat více než deset klientů.

Scénář 3: Outsourcing AI zákaznické podpory (měsíční poplatek 2 000 – 5 000 RMB)

Největší bolestí hlavy malých značek na Amazonu nebo TikTok Shop je noční zákaznická podpora. Připojte dotazy zákazníků přes IM gateway od LobeHub (podporuje Telegram, Discord a další komunikační kanály) a automaticky je rozdělte příslušným Agentům podle typu problému. Vy spíte, e-shop dál přijímá objednávky.

Společný jmenovatel těchto tří scénářů: cena zakázky pokrývá náklady na API více než padesátkrát. V byznysu s AI zakázkami prodáváte čas.

Pět: Postavíte si to ještě dnes večer

Pokud chcete jen funkční minimální verzi, držte se těch tří kroků:

První krok: Spusťte službu. Nainstalujte Docker Desktop (k dispozici pro Mac i Win, instalace jedním kliknutím z oficiálních stránek) a spusťte docker run -d -p 3210:3210 --name lobehub lobehub/lobehub. V prohlížeči otevřete http://localhost:3210. Pokud je port 3210 obsazený, nahraďte ho -p 3211:3210.

Druhý krok: Vytvořte tři Agenty. První bude „výzkumník“ (připojený k Gemini 2.5 Pro, stará se o čtení dlouhých dokumentů), druhý „copywriter“ (připojený k Claude nebo GPT, generuje obsah) a třetí „recenzent“ (připojený k levnému modelu jako DeepSeek V4 Flash, opravuje překlepy a kontroluje fakta). Rozdělení rolí mezi tři modely zabrání tomu, aby jeden drahý model dělal veškerou práci. API klíče k modelům získáte na oficiálních webech: Google AI Studio pro Gemini, OpenAI pro GPT, DeepSeek Platform pro DeepSeek – všechny začínají s bezplatným kreditem.

Krok třetí: Spusťte svůj první workflow. Vytvořte Agent Group a pomocí režimu pipeline tyto tři agenty spojte do jedné řady. Úkol popište přirozeným jazykem: „Přečti tento PDF, který nahrávám, napiš 800znakové čínské shrnutí, vypiš 3 klíčové body a nakonec mi vymysli 5 nadpisů pro Pinterest a Reddit.“

Jakmile celá sekvence proběhne, uvidíte, jak každý agent odvádí svou práci, předává žezlo dalšímu a nakonec doručuje finální výsledek. Pokud jste s výstupem spokojeni, tento workflow si uložte a příště ho rovnou znovu použijete.

Když zvládnete tento krok, už jste o krok napřed před 90 % lidí – většina totiž uvízne na fázi „mám to nainstalované, ale nevím, co s tím“. Nejprve rozjeďte jeden funkční workflow, a teprve pak řešte braní zakázek.

Hranice této cesty: AI není člověk, nepoužívejte ji jako zaměstnance

Když už mluvíme o postupu, musíme zmínit i hranice. Jsou 3 čáry, které byste neměli překročit – AI dokáže přijmout jen rutinní a procesní zakázky; jakmile tyto limity překročíte, čeká vás nekonečné předělávání.

Za prvé, AI nemůže plně nahradit lidské úsudek. Agent je skvělý v tom, že „odmaká proces od začátku do konce“, ale neumí rozhodnout, „zda se tenhle projekt vůbec vyplatí brát“. Strategický směr zakázek, oceňování a odhad rizik – to je a vždycky bude vaše zodpovědnost.

Za druhé, chybí bezproblémová integrace napříč systémy. LobeHub má sice IM bránu, e-mail i databázi, ale napojení na interní ERP klienta, Microsoft Teams nebo Salesforce rozhodně nefunguje „out of the box“. Složitější integrace vyžadují dodatečný vývoj. Sám jsem kdysi převzal outsourcing zákaznické podpory pro řetězec restaurací – klient trval na napojení na jejich vlastní CRM. Projekt se nakonec musel úplně zrušit, protože odhadovaný třítýdenní vývoj se protáhl na osm týdnů.

Za třetí, AI umí s naprostou samozřejmostí plkat nesmysly. Jakákoliv faktická data, která vám Agent vygeneruje, musí před předáním klientovi zkontrolovat člověk. Agent si vymyslí neexistující jména zákazníků a smyšlené ceny produktů, a přitom to prezentuje tak uvěřitelně, že to vypadá jako fakt. Když jsem poprvé použil skupinový chat Agentů pro hodnocení produktů, tři Agenti se navzájem „shodli na názorech“ a všech pět doporučení, které na konci vyšly, bylo pro úplně stejnou značku – žádný skutečný multi-pohled tam nebyl. Těch 5–10 minut lidské kontroly jako pojistka se nedá ušetřit. Když je přeskočíte, čekají vás přepracování a totální kolaps reputace.

Když si tyto tři věci nastavíte do hlavy, můžete brát zakázky, na které se ostatní neodváží. V byznysu s AI zakázkami je největší nedostatek dodavatelů, kteří skutečně chápou, kde jsou hranice. Lidí, kteří jen plácajou hubou, je všude plno.

Jedna věc, kterou můžete udělat ještě dnes: Běžte na GitHub, najděte lobehub/lobehub a dejte mu hvězdičku. Pak se vraťte k sobě, spusťte Docker příkaz, postavte svou první Agent Group, načtěte do ní poslední dokument, který jste napsali, a nechte ji vygenerovat 5 titulků pro různé platformy – do 10 minut uvidíte, jestli ten nástroj za to vůbec stojí. To je mnohem reálnější než honit další „novou AI koncepci“.