Mit einem Satz ein komplettes AI-Team rekrutieren: Open-Source-Agent-Kollaborationsplattform senkt die Hürde für Ein-Personen-Unternehmen auf ein absolutes Minimum

Deine teuersten Kosten sind nicht die Gehälter, sondern die Tatsache, dass du selbst nur 16 Stunden am Tag wach bist.

Eine Person, die eine Aufgabe erledigt – das geht gerade noch. Drei Aufgaben gleichzeitig? Entweder du stellst Leute ein (und zahlst sie aus eigener Tasche) oder du schickst die Hälfte deiner Aufträge ins Nirwana. Genau hier sind Ein-Personen-Unternehmen in den letzten zehn Jahren immer wieder gescheitert.

2026 sieht das anders aus: Agents ersetzen Mitarbeiter. Ein komplettes AI-Team, das sich selbst Aufgaben zuteilt, sich gegenseitig Ergebnisse abliefert und 24/7 bei dir lokal durcharbeitet. Ein Open-Source-Projekt namens LobeHub (81,5k Stars auf GitHub, 340+ Mitwirkende) hat diesen Weg bereits freigeräumt: Wie du das aufbaust, wie du Aufträge annimmst und wie du diese Agents als deine Mitarbeiter einsetzt – das kriegen wir jetzt im Detail auseinander.

1. Erstmal die harten Fakten: 80k Stars kommen nicht von ungefähr

Das Projekt startete ursprünglich als LobeChat, ein Open-Source-Client für ChatGPT. Innerhalb eines Jahres haben sie das ganze Ding zu LobeHub umgebaut und sich von einem reinen Chat-Tool zu einer Agent-Kollaborationsplattform hochgestuft. Das Repo ist von lobehub/lobe-chat zu lobehub/lobehub migriert, die Positionierung wurde auf “Chief Agent Operator” umgestellt (stell dir das wie einen “COO” vor – nur dass er keine Menschen, sondern AI-Agent managt).

Was du in der UI siehst, ist das Organigramm eines Agenten-Teams: Jeder Agent hat einen Namen, klare Aufgaben und kann Aufträge empfangen.

Ein weiteres Projekt auf GitHub, AutoGPT (186k Stars), war zwar früher dran, aber der Trend für 2026 hat sich bereits gedreht – der Branchenkonsens lautet: Ein einzelner Agent reicht nicht mehr, Agenten-Teams sind die Zukunft. Auch Begleitprojekte wie Mem0 (62,9k Stars, spezialisiert auf Memory) und RAGFlow (86k Stars, spezialisiert auf Wissensdatenbanken) sind dieses Jahr durchgestartet. Das gesamte Ökosystem steuert rasant auf drei Säulen zu: „Team-basiert, mit Gedächtnis und privat hostbar“.

Der Burggraben von LobeHub ist, all das als Komplettpaket zu liefern: integrierte Wissensdatenbank, ein Marktplatz mit über 10.000 Skills (standardisierte Plugins basierend auf dem MCP-Protokoll), zentrales Multi-Modell-Routing und Ein-Klick-Privat-Deployment via Docker. Nach der Installation musst du nicht mehr vier oder fünf verschiedene Tools mühsam zusammenflicken – alles läuft über eine einzige Konsole.

2. Wie die Sache wirklich arbeitet: 4 Kollaborationsmodi für Agenten

Die Agent Groups sind der wahre Hebel für den Wert – was ein einzelner Agent nicht schafft, löst das System, indem es eine ganze Team-Koordination unter die Haube packt. Offiziell gibt es 4 Kollaborationsmodi, hier geordnet nach ihrer praktischen Nutzungshäufigkeit:

① Fließband-Modus (Sequential) – für 80 % der Tasks: Agent A schreibt, übergibt an Agent B zur Überarbeitung, und das Ergebnis geht an Agent C fürs Layout. Serielle Abarbeitung – jeder Schritt lässt sich prüfen und abfangen.
② Parallel-Modus – für 10 % der Batch-Tasks: Eine Task wird in N Teile zerlegt, N Agenten arbeiten gleichzeitig, am Ende werden die Ergebnisse zusammengeführt. Ideal für Batch-Processing – z. B. 30 Produkt-Titel auf einmal generieren oder 100 Bildbeschreibungen parallel schreiben.
③ Iterativer Modus – für die wenigen Inhalte, die反复 poliert werden müssen: Ein Agent schreibt, ein anderer agiert als Editor und vergibt Punkte; bei Unterschreitung des Schwellenwerts wird neu geschrieben. Perfekt für Jobs, bei denen Qualität zählt, nicht Geschwindigkeit – etwa das Optimieren viraler Pinterest-Titel oder das Schreiben tiefgehender Blog-Beiträge.
④ Debatten-Modus – für die wenigen Tasks, die多视角 erfordern: Mehrere Agenten debattieren dieselbe Frage (z. B. „Lohnt sich dieses Produkt wirklich?“), ein Moderator fasst Dissens und Konsens zusammen. Geeignet für Produkt-Reviews und Recherche-Berichte.

Ein realer Use-Case: Du baust eine SaaS-Tool-Website und musst täglich die Feature-Beschreibungen, Preise und Nutzerbewertungen von 50 Produkten aktualisieren. Im Pipeline-Modus zieht der erste Agent die Daten, der zweite schreibt die chinesische Version, der dritte die englische und der vierte optimiert die SEO-Keywords. Früher hat ein Mensch dafür einen ganzen Tag gebraucht – heute läuft der Workflow in 30 Minuten durch.

3. Der günstigste Schnitt: Lokales Docker-Deployment, Modelle einfach wechseln

Viele hängen an dem Gedanken: „Ich kann große Modelle gar nicht lokal ausführen.“ LobeHub löst das Problem, indem nur das Frontend ausgetauscht wird, die Modelle über die API laufen.

Mit einer einzigen Docker-Zeile startest du den Service (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub – sobald Docker Desktop installiert ist, einfach ins Terminal kopieren und fertig), du öffnest localhost:3210 im Browser und kannst sofort loslegen. Die gesamte Berechnung passiert in der Cloud bei den großen Modellen, lokal läuft nur die UI. Selbst mit einem MacBook Air mit 8 GB RAM kannst du das problemlos zum Laufen bringen.

Modelle lassen sich beliebig mixen. Die offiziell empfohlene Kombination ist:

• Gemini 2.5 Pro: Langer Kontext (Millionen-Token-Reichweite), ideal für das Auswerten umfangreicher Dokumente.
• Kimi (2M-Kontext): Extrem stark bei der Verarbeitung chinesischer Texte, ideal für die Analyse chinesischsprachiger Quellen.
• DeepSeek V4 Flash: Billig (nach aktuellem Wechselkurs Stand 08/2026 ca. 1 RMB / 1 Mio. Token Input, 2 RMB / 1 Mio. Token Output; offizielle Preisgebung in USD: $0,14/$0,28 pro 1 Mio.), ideal für Massenverarbeitung.

Ein kompletter Task aus „Übersetzung + Umschreiben“ kostet dich weniger als 3 Cent. 100 Tasks pro Tag = 3 RMB. Das ist die reale Kostenstruktur beim „AI-Auftragsbusiness“: Du quoted den Auftrag für 1.500, die KI-Kosten liegen bei 30, die restlichen 1.470 sind deine brutto Margin.

Laufen die Aufträge über Kundenverträge oder interne Daten? LobeHub lässt sich auch komplett On-Premise deployen. Die Wissensdatenbank nutzt dann Vektor-Suche via PGVector (findet inhaltlich „sinnverwandte“ Absätze, nicht nur exakte Keyword-Treffer). Wissensdatenbank und Chat-Historie bleiben zu 100 % lokal, sensible Daten verlassen nie deine eigene Maschine – nur die Inferenz läuft weiterhin über die Cloud-LLM-API. Das ist eine Grenze, die du kennen musst.

4. Drei Auftragstypen, die du sofort annehmen kannst – abgerechnet als monatliches Retainer

Hier sind die 3 Auftragsarten, die du heute sofort annehmen kannst, abgerechnet als monatlicher Retainer:

Szenario 1: Content-Management als Dienstleistung (monatlicher Retainer: 3.000–8.000 RMB)

Die Kunden sind kleine und mittlere E-Commerce-Händler. Jede Woche brauchen sie 5 Pinterest-Posts, 3 TikTok-Skripte und 2 Newsletter-Artikel. Baue dir mit einer Agent-Groups-Pipeline einfach einen Stack: Themen-Agent → Copywriting-Agent → Layout-Agent → Bild-Agent (hängt in der Regel an Bildgenerierungs-APIs wie Midjourney oder Imagen – ein Bild kostet nur ein paar Cents). Du betreust 5 Kunden im Alleingang, investierst täglich 2 Stunden in das Qualitätsmanagement – den Rest erledigen die Agents vollautomatisch. Die API-Kosten liegen bei 200 bis 500 RMB pro Monat, die theoretische Bruttomarge lässt sich auf 15.000 bis 40.000 RMB treiben.

Szenario 2: Daily Competitor-Monitoring (Monatsgebühr 1.500–3.000 RMB)

Crawl täglich die Preise, den Lagerbestand und die Neuheiten von 20 Wettbewerber-Websites, schreibe sie automatisch in Google Sheets und schicke um Punkt 9 Uhr morgens die E-Mail ins Postfach deines Kunden. Nutze den Parallel-Modus fürs Batch-Crawling und löse bei entscheidenden Veränderungen einen separaten Alert aus. So bedienst du problemlos ein Dutzend Kunden gleichzeitig.

Szenario 3: AI-Kundenservice-Outsourcing (Monatsgebühr 2.000–5.000 RMB)

Der größte Schmerzpunkt für kleine Marken auf Shopify oder Amazon ist der Kundenservice in der Nacht. Nutze die IM-Gateway-Funktion von LobeHub (unterstützt Telegram, Discord, WeChat und Enterprise WeChat), um Kundenanfragen abzufangen und sie automatisch nach Fragestellung an den passenden Agent weiterzuleiten. Du schläfst – dein Shop macht weiter Umsatz.

Die Gemeinsamkeit bei all drei Szenarien: Der Auftragspreis deckt die API-Kosten um mehr als das 50-Fache. In diesem Business mit AI-Aufträgen verkaufst du reine Zeit.

5. Das baust du noch heute Abend auf

Wenn du nur die minimalistischste Version zum Laufen bringen willst, folge diesen drei Schritten:

Schritt 1: Service starten. Installiere Docker Desktop (gibt es für Mac/Win, One-Click auf der offiziellen Website), und führe dann docker run -d -p 3210:3210 --name lobehub lobehub/lobehub aus. Öffne http://localhost:3210 im Browser. Falls der Port 3210 belegt ist, wechsle auf -p 3211:3210.

Schritt 2: Drei Agenten erstellen. Einen „Researcher“ (gebunden an Gemini 2.5 Pro, liest lange Dokumente), einen „Writer“ (gebunden an Claude oder GPT, generiert Inhalte) und einen „Reviewer“ (gebunden an ein günstiges Modell wie DeepSeek V4 Flash, korrigiert Tippfehler und prüft Fakten). Diese Rollenverteilung auf drei Modelle verhindert, dass ein teures Modell die gesamte Arbeit erledigt. Die API-Keys für die Modelle beantragst du auf den jeweiligen offiziellen Websites: Google AI Studio für Gemini, OpenAI für GPT, DeepSeek Platform für DeepSeek – alle starten mit einem kostenlosen Kontingent.

Schritt 3: Deinen ersten Workflow starten. Erstelle eine Agent Group und vernetze drei Agenten im Pipeline-Modus. Beschreibe die Aufgabe in natürlicher Sprache: „Lies dieses von mir hochgeladene PDF, schreibe eine 800-Wörter-Zusammenfassung auf Chinesisch, liste 3 Kernpunkte auf und gib mir am Ende 5 Titel für Pinterest und Reddit.“

Wenn der gesamte Durchlauf fertig ist, siehst du, wie jeder der drei Agenten seine Arbeit erledigt, die Schnittstellen übergibt und am Ende das fertige Ergebnis liefert. Wenn du mit dem Output zufrieden bist, speichere diesen Workflow – beim nächsten Mal kannst du ihn direkt wiederverwenden.

Hast du diesen Schritt erst einmal gemeistert, bist du bereits 90 % aller Leute voraus – die meisten scheitern daran, dass sie die Tools zwar installiert haben, aber keine Ahnung haben, was sie damit anfangen sollen. Lass zuerst einen einzigen Workflow fehlerfrei durchlaufen, bevor du darüber nachdenkst, Aufträge anzunehmen.

Die Grenzen dieses Weges: KI ist kein Mensch – behandle sie nicht wie einen Angestellten

Wenn wir über den Weg sprechen, müssen wir auch über die Grenzen sprechen. Es gibt 3 rote Linien, die du nicht überschreiten darfst – bei Aufträgen, die du mit KI annimmst, gilt: Du kannst nur standardisierte, prozessbasierte Jobs übernehmen. Wer die Linie überschreitet, landet bei Endlos-Reklamationen.

Erstens: KI kann dein Urteilsvermögen nicht vollständig ersetzen. Agenten sind darauf spezialisiert, „Prozesse abzuarbeiten“, nicht darauf einzuschätzen, „ob man diese Aufgabe überhaupt annehmen sollte“. Die strategische Ausrichtung bei Aufträgen, die Preisgestaltung und die Risikobewertung – das bleibt am Ende des Tages immer deine Aufgabe.

Zweitens: Keine nahtlose systemübergreifende Integration. LobeHub bringt zwar IM-Gateway, E-Mail und Datenbank mit, aber mit den internen ERP-Systemen der Kunden, Microsoft Teams oder Salesforce funktioniert das nicht out of the box. Komplexe Integrationen erfordern Eigenentwicklung. Ich selbst hatte mal ein Outsourcing-Projekt für den Kundenservice einer Restaurantkette am Haken – die wollten ihr selbst entwickeltes CRM anbinden. Das Projekt musste am Ende begraben werden: Statt der geplanten 3 Wochen Entwicklungszeit zog sich alles über 8 Wochen hin.

Drittens: KI halluziniert mit größter Überzeugung. Faktische Inhalte, die dir ein Agent ausspuckt, musst du vor der Lieferung an den Kunden zwingend einmal manuell prüfen. Er erfindet nicht existierende Kundennamen und fingierte Produktpreise – und schreibt sie so nieder, als wären sie echt. Als ich zum ersten Mal den Gruppenchat-Modus mit mehreren Agents für ein Produkt-Review genutzt habe, haben sich 3 Agents gegenseitig in ihren „Meinungen“ bestätigt – am Ende bestanden alle 5 Empfehlungen aus ein und derselben Marke. Von echten Multi-Perspektiven keine Spur. Diese 5–10 Minuten menschlicher Qualitätskontrolle am Ende lassen sich nicht einsparen: Wer hier spart, riskiert Nachbesserungen und den totalen Reputationsverlust.

Wer diese drei Regeln verinnerlicht, schnappt sich Aufträge, vor denen andere zurückschrecken. Im AI-Auftragsbusiness fehlt es nicht an Leuten, die lautstarke Parolen schreien – es fehlt an Dienstleistern, die die echten Grenzen der Technologie verstehen.

Eine Sache, die du noch heute tun kannst: Geh auf GitHub, suche nach lobehub/lobehub und vergib einen Star. Kehre dann zu deinem lokalen System zurück, feuere den Docker-Befehl ab und richte deine erste Agent Group ein. Fütter sie mit einem Dokument, das du kürzlich verfasst hast, und lass sie 5 Titel für verschiedene Plattformen ausspucken – innerhalb von 10 Minuten wirst du sehen, ob sich dieses Tool wirklich lohnt. Das ist um Längen praxisnäher, als dem nächsten „neuen AI-Konzept“ hinterherzujagen.