استخدام یک تیم هوش مصنوعی با یک جمله: پلتفرم متن‌باز همکاری Agent، نوار راه‌اندازی کسب‌وکار تک‌نفره را به کفِ زمین می‌کشد

گران‌ترین هزینه شما حقوق و دستمزد نیست؛ این واقعیت است که شما خودتان فقط ۱۶ ساعت در روز بیدار هستید.

تنها بودن و انجام یک کار، نهایتِ ظرفیت شماست. اما اگر بخواهید سه کار را همزمان پیش ببرید، یا باید نیرو استخدام کنید (یعنی از جیب خودتان پول بدهید) و یا نیمی از پروژه‌ها را لغو کنید — کسب‌وکارهای تک‌نفره در ده سال گذشته دقیقاً همین‌جا گیر کرده‌اند.

راه‌حل سال ۲۰۲۶ متفاوت است: استفاده از Agentها به جای کارمند. یک تیم کامل هوش مصنوعی که خودشان بین کار تقسیم وظایف می‌کنند، خروجی‌ها را به یکدیگر تحویل می‌دهند و ۲۴ ساعته و ۷ روز در هفته روی سیستم محلی شما کار می‌کنند. یک پروژه متن‌باز به نام LobeHub (با ۸۱.۵ هزار Star در GitHub و بیش از ۳۴۰ مشارکت‌کننده) این مسیر را هموار کرده است: چگونه بسازید، چگونه سفارش بگیرید و چگونه از آن به عنوان کارمند استفاده کنید — در ادامه کالبدشکافی می‌کنیم.

اول، نگاهی به اعداد بیندازیم: ۸۰ هزار Star بیهوده به دست نیامده است

این پروژه در ابتدا LobeChat نام داشت؛ یک کلاینت متن‌باز برای ChatGPT. در عرض تنها یک سال، خود را بازطراحی کرده و به LobeHub تبدیل شد و از یک ابزار چت ساده به یک پلتفرم همکاری Agent ارتقا یافت. مخزن از lobehub/lobe-chat به lobehub/lobehub منتقل شد و جایگاه آن به “Chief Agent Operator” (مدیر ارشد Agent — می‌توانید آن را به عنوان «مدیر عملیات» در نظر بگیرید، با این تفاوت که نیروهای تحت مدیریت، انسان نیستند بلکه Agentهای هوش مصنوعی هستند) تغییر یافت.

آنچه در رابط کاربری می‌بینید، یک نمودار ساختار سازمانیِ Agentهاست؛ هر Agent نام، وظیفه و توانایی دریافت ماموریت مخصوص به خود را دارد.

پروژه دیگری در GitHub به نام AutoGPT (با ۱۸۶ هزار Star) زودتر به میدان آمد، اما روند سال ۲۰۲۶ تغییر کرده است — اتفاق نظر در صنعت این است: یک Agent تنها کافی نیست، تیمِ Agentها آینده است. پروژه‌های مکملی مثل Mem0 (با ۶۲.۹ هزار Star، متخصصِ حافظه) و RAGFlow (با ۸۶ هزار Star، متخصصِ پایگاه دانش) نیز امسال همه با هم منفجر شدند و کل اکوسیستم به سمت «تیمی‌شدن، حافظه‌دار شدن و قابلیت استقرار خصوصی» حرکت می‌کند.

خَندقِ رقابتی (Moat) LobeHub این است که همه این‌ها را یک‌جا بسته‌بندی می‌کند: پایگاه دانش داخلی، بازارِ بیش از ۱۰,۰۰۰ مهارت (پلاگین‌های استاندارد مبتنی بر پروتکل MCP)، هماهنگی یکپارچه چندمدلی و استقرار خصوصی با یک کلیک در Docker. بعد از نصب، دیگر نیازی نیست چهار-پنج ابزار را کنار هم بچینید؛ همه چیز در یک پنل کنترل اجرا می‌شود.

۲. واقعاً چطور کار می‌کند: ۴ الگوی همکاری Agent

بخش Agent Groups دقیقاً همان جایی است که ارزش واقعی محصول نهفته است — کاری که یک Agent از پسش برنمی‌آید، با گنجاندن هماهنگی تیمی انجام می‌شود. ۴ الگوی همکاری رسمی وجود دارد که به ترتیب میزان استفاده مرتب شده‌اند:

① الگوی خطی (Sequential) — برای ۸۰٪ وظایف از این روش استفاده کنید: Agent A می‌نویسد و تحویل Agent B می‌دهد تا ویرایش کند، بعد به Agent C می‌رسد تا صفحه‌آرایی انجام دهد. تحویل به‌صورت زنجیره‌ای؛ هر مرحله قابل بازبینی و قابل توقف است.

② الگوی موازی (Parallel) — برای ۱۰٪ از وظایف دسته‌ای: یک کار به N قسمت تقسیم می‌شود، N تا Agent همزمان کار می‌کنند و در نهایت نتایج ادغام می‌شوند. مناسب برای پردازش دسته‌ای — مثلاً تولید همزمان ۳۰ عنوان محصول یا نوشتن توضیحات ۱۰۰ تصویر کالا.

③ الگوی تکرارشونده (Iterative) — برای آن دسته از محتواهایی که نیاز به صیقل دادن مکرر دارند: یک Agent می‌نویسد، Agent دیگری به‌عنوان ویراستار نمره می‌دهد و اگر به آستانه مورد نظر نرسد، بازنویسی می‌شود. برای کارهایی مثل اصلاح عنوان‌های وایرال در Pinterest+Reddit یا نوشتن مقالات عمیق در Quora که «کیفیت مهم‌تر از سرعت است» از این روش استفاده کنید.

④ الگوی مناظره (Debate) — برای وظایف معدودی که نیاز به چند زاویه دید دارند: چند Agent پیرامون یک موضوع مناظره می‌کنند (مثلاً «آیا این محصول واقعاً ارزش خرید دارد؟»)، یک Moderator (میزبان) اختلاف‌ها و توافقات را جمع‌بندی می‌کند. مناسب برای نقد و بررسی محصول و گزارش‌های تحقیقاتی.

یک کاربرد واقعی: فرض کن یک سایت ابزار SaaS راه انداخته‌ای و هر روز باید توضیحات امکانات، قیمت‌گذاری و نظرات کاربران را برای ۵۰ محصول به‌روز کنی. با حالت خط‌تولید (Pipeline)، اولین Agent داده‌ها را می‌کشد، دومین Agent نسخه فارسی را می‌نویسد، سومین Agent نسخه انگلیسی را تولید می‌کند و چهارمین Agent کلمات کلیدی SEO را بهینه می‌کند. کاری که قبلاً یک نفر باید یک روز کامل برایش وقت می‌گذاشت، حالا با یک گردش کار (Workflow) در ۳۰ دقیقه انجام می‌شود.

۳. ارزان‌ترین ضربه: استقرار محلی با Docker، تعویض آزادانه مدل

خیلی‌ها در «نمی‌تونم مدل‌های بزرگ را اجرا کنم» گیر می‌کنند. راه‌حل LobeHub این است: فقط فرانت‌اند را عوض می‌کنیم و مدل از طریق API کار می‌کند.

با یک خط دستور در Docker سرویس را بالا بیاورید (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub، بعد از نصب Docker Desktop کافی است آن را در ترمینال کپی کنید و تمام)، سپس در مرورگر localhost:3210 را باز کنید و استفاده کنید. تمام پردازش‌ها در مدل‌های بزرگ ابری انجام می‌شود و سیستم محلی شما فقط رابط کاربری (UI) است. بنابراین حتی اگر یک MacBook Air با ۸ گیگابایت رم دارید، باز هم به‌راحتی اجرا می‌شود.

مدل‌ها را می‌توانید با هم ترکیب کنید. ترکیب پیشنهادی در مثال رسمی این است:

• Gemini 2.5 Pro: دارای زمینه بلند (در سطح میلیون توکن)، مناسب برای پردازش اسناد ضخیم و طولانی
• Kimi (زمینه ۲ میلیون توکن): پردازش زبان چینی فوق‌العاده قوی، مناسب برای تحلیل منابع و داده‌های چینی
• DeepSeek V4 Flash: بسیار ارزان (طبق نرخ ارز در آگوست ۲۰۲۶، حدوداً معادل ۱ یوان RMB برای ورودی به ازای هر ۱M توکن و ۲ یوان RMB برای خروجی به ازای هر ۱M توکن قیمت‌گذاری شده است؛ قیمت‌گذاری رسمی بر اساس دلار $0.14/$0.28 per 1M است)، مناسب برای وظایف انبوه

یک کارِ کامل «ترجمه + بازنویسی»، هزینه‌اش به کمتر از ۳ سِنت هم نمی‌رسد. اجرای ۱۰۰ وظیفه در روز = فقط ۳ دلار. این ساختار هزینه واقعی «پروژه‌گردانی با AI» است — برای پروژه ۱۵۰۰ دلار می‌گیرید، هزینه AI فقط ۳۰ دلار است، و ۱۴۷۰ دلارِ باقی‌مانده تماماً سود خالص شماست.

پروژه‌ها شامل قراردادهای مشتری یا داده‌های داخلی می‌شوند؟ LobeHub از استقرار کاملاً خصوصی (Private Deployment) هم پشتیبانی می‌کند و پایگاه دانش از طریق جستجوی برداری PGVector انجام می‌شود (یعنی می‌تواند قطعاتی با «معنای مشابه» را پیدا کند، نه فقط تطبیق کلمات کلیدی). پایگاه دانش و تاریخچه گفتگو کاملاً به‌صورت محلی ذخیره می‌شوند و داده‌های حساس از دستگاه شما خارج نمی‌شوند — اما پردازش هوش مصنوعی همچنان از طریق API ابری LLM انجام می‌شود؛ این یک مرزی است که باید از آن آگاه باشید.

چهارم، ۳ نوع پروژه‌ای که می‌توانید بپذیرید، با مدل قیمت‌گذاری حق‌الزحمه ماهانه

۳ نوع پروژه‌ای که همین امروز می‌توانید بپذیرید، با مدل حق‌الزحمه ماهانه:

سناریو ۱: مدیریت و تولید محتوا (حق‌الزحمه ماهانه ۳۰۰۰ تا ۸۰۰۰ یوان RMB)

مشتریان شما فروشگاه‌های اینترنتی کوچک و متوسط هستند؛ آن‌ها هر هفته به ۵ پست در Pinterest+Reddit، ۳ متن ویدیویی در TikTok و ۲ مقاله برای وبلاگ داخلی‌شان نیاز دارند. با راه‌اندازی یک خط لوله مبتنی بر Agent Groups این زنجیره را می‌سازید: Agent انتخاب موضوع ← Agent نویسنده ← Agent صفحه‌آرایی ← Agent تصویرساز (که معمولاً به APIهای تولید تصویر مثل Midjourney یا Imagen وصل می‌شود و هزینه هر تصویر فقط چند سنت است). شما به‌تنهایی ۵ مشتری را قبول می‌کنید، روزی ۲ ساعت برای کنترل کیفیت وقت می‌گذارید و بقیه کارها را Agentها خودشان انجام می‌دهند. هزینه API ماهانه ۲۰۰ تا ۵۰۰ یوآن است و از نظر تئوری می‌توانید به حاشیه سود ۱۵ هزار تا ۴۰ هزار یوآن برسید.

سناریو ۲: گزارش روزانه پایش رقبا (ماهانه ۱۵۰۰ تا ۳۰۰۰ یوآن)

هر روز قیمت‌ها، موجودی انبار و محصولات جدید ۲۰ وب‌سایت رقیب را استخراج کنید و به‌طور خودکار در Google Sheet وارد کنید، سپس ساعت ۹ صبح دقیقاً به صندوق ورودی مشتری ایمیل زده شود. با حالت موازی (Parallel) به‌صورت دسته‌جمعی داده‌ها را بکشید و برای تغییرات حساس، هشدار جداگانه‌ای تنظیم کنید. یک نفر می‌تواند همزمان بیش از ده مشتری را مدیریت کند.

سناریو ۳: برون‌سپاری پشتیبانی مشتری با AI (ماهانه ۲۰۰۰ تا ۵۰۰۰ یوآن)

بزرگ‌ترین سردرد برندهای کوچک در فروشگاه‌های اینترنتی و فروشگاه‌های Amazon، پشتیبانی مشتری در ساعات شب است. با استفاده از قابلیت دروازه IM در LobeHub (که از Telegram، Discord، WeChat و Enterprise WeChat پشتیبانی می‌کند) سوالات مشتریان را دریافت کنید و بر اساس نوع مسئله، به‌طور خودکار به Agent مربوطه ارجاع دهید. شما خوابیده‌اید، اما فروشگاه در حال ثبت سفارش است.

نقطه مشترک این سه سناریو: قیمت پیشنهادی هر سفارش، حداقل ۵۰ برابر هزینه API را پوشش می‌دهد. در کسب‌وکار پذیرش سفارش‌های AI، چیزی که می‌فروشید «زمان» است.

۵. همین امشب می‌توانید راه‌اندازی‌اش کنید

اگر فقط یک نسخه مینیمال و قابل اجرا می‌خواهید، این سه مرحله را طی کنید:

مرحله اول: راه‌اندازی سرویس. Docker Desktop را نصب کنید (برای Mac و Win موجود است، با یک کلیک از سایت رسمی)، سپس docker run -d -p 3210:3210 --name lobehub lobehub/lobehub را اجرا کنید. در مرورگر http://localhost:3210 را باز کنید. اگر پورت 3210 اشغال بود، آن را به -p 3211:3210 تغییر دهید.

مرحله دوم: ساخت سه Agent. یک «پژوهشگر» (متصل به Gemini 2.5 Pro، مسئول خواندن اسناد طولانی)، یک «نویسنده» (متصل به Claude یا GPT، مسئول تولید محتوا) و یک «بازبین» (متصل به یک مدل ارزان‌قیمت مانند DeepSeek V4 Flash، مسئول اصلاح غلط‌های املایی و بررسی صحت اطلاعات). این تقسیم نقش‌ها بین سه نوع مدل، از کار کشیدن یک مدل گران‌قیمت برای تمام کارها جلوگیری می‌کند. کلیدهای API مدل‌ها را از سایت رسمی هر شرکت درخواست کنید: Google AI Studio برای Gemini، OpenAI برای GPT و DeepSeek Platform برای DeepSeek؛ همه آن‌ها با یک سقف رایگان شروع می‌شوند.

گام سوم: اجرای اولین گردش کار (Workflow). یک Agent Group بسازید و با حالت خط لوله (Pipeline) سه Agent را به هم متصل کنید. وظیفه را با زبان طبیعی توصیف کنید: «این PDF که آپلود کرده‌ام را بخوان، یک خلاصه ۸۰۰ کلمه‌ای به زبان چینی بنویس، ۳ نکته کلیدی را فهرست کن و در نهایت ۵ عنوان برای Pinterest+Reddit به من بده.»

پس از اجرای کل سیستم، خواهید دید که هر سه Agent چطور کار خود را انجام می‌دهند، خروجی‌ها را به هم پاس می‌دهند و در نهایت نتیجه را تحویل می‌دهند. اگر از خروجی راضی بودید، این گردش کار را ذخیره کنید تا دفعه بعد مستقیماً از آن استفاده کنید.

با طی کردن این مرحله، شما جلوتر از ۹۰٪ افراد هستید — بیشتر افراد در همان مرحله «ابزار را نصب کرده‌ام اما نمی‌دانم با آن چه کار کنم» گیر می‌کنند. اول یک گردش کار را کامل اجرا کنید، بعد به دنبال گرفتن پروژه باشید.

مرزهای این مسیر: هوش مصنوعی انسان نیست، با آن مثل کارمند رفتار نکنید

وقتی از مسیر حرف زدیم، باید از مرزها هم بگوییم. ۳ خط قرمز وجود دارد که نباید از آن‌ها عبور کنید — کارهایی که با هوش مصنوعی برمی‌دارید باید کاملاً فرآیندی و استاندارد باشند؛ اگر از این خط عبور کنید، نتیجه کار اصلاح و مرجوع می‌شود.

اول: هوش مصنوعی نمی‌تواند جایگزین تصمیم‌گیری انسان شود. Agentها در «اجرای فرآیندها» مهارت دارند، نه در اینکه تصمیم بگیرند «آیا اصلاً باید این کار انجام شود یا نه». تمام مسیر گرفتن پروژه‌ها، تعیین قیمت‌ها و ارزیابی ریسک‌ها، در نهایت باز هم وظیفه خود شماست.

دوم، یکپارچه‌سازی بی‌درنگ میان‌سیستمی ممکن نیست. LobeHub درگاه IM، ایمیل و پایگاه داده دارد، اما با ERP داخلی مشتری، WeChat Enterprise و Salesforce به‌صورت آماده‌به‌کار هماهنگ نمی‌شود. یکپارچه‌سازی‌های پیچیده نیازمند توسعه ثانویه است. خودم یک پروژه برون‌سپاری پشتیبانی مشتریان برای یک رستوران زنجیره‌ای قبول کردم؛ آن‌ها می‌خواستند به CRM اختصاصی خودشان متصل شویم و در نهایت مجبور شدم پروژه را رها کنم — برنامه‌ریزی ۳ هفته‌ای توسعه به ۸ هفته کشیده شد.

سوم، هوش مصنوعی «با جدیت کامل مزخرف می‌گوید». محتوای واقع‌نما که Agent به شما تحویل می‌دهد، حتماً باید یک‌بار توسط انسان بازبینی شود تا برای مشتری ارسال شود. او نام‌های مشتریان ناموجود و قیمت‌های ساخته‌شده محصول را کاملاً واقعی می‌نویسد — اولین باری که با حالت گروهی Agent برای بررسی محصول استفاده کردم، ۳ Agent با یکدیگر «موافقت کردند» و هر ۵ پیشنهاد خروجی‌شان فقط یک برند بود؛ اصلاً دیدگاه چندگانه واقعی نبود. این ۵ تا ۱۰ دقیقه پشتیبانی انسانی را نمی‌توان حذف کرد؛ اگر حذف کنید، یعنی بازکاری و فروپاشی اعتبار.

اگر این سه نکته را بدانید، می‌توانید سفارش‌هایی را بپذیرید که دیگران جرات نمی‌کنند — در صنعت پذیرش سفارش با AI، کمبود اصلی پذیرندگانی هستند که مرزها را واقعاً می‌فهمند؛ شعار دادن‌ها همه‌جا هست.

یک کار که همین امروز می‌توانی انجام دهی: به GitHub برو و lobehub/lobehub را جستجو کن و به آن Star بده. بعد به سیستم محلی‌ات برگرد، دستور Docker را اجرا کن، اولین Agent Group خودت را بساز، یکی از آخرین مستنداتی که نوشتی را به آن بده و ازش بخواه ۵ عنوان برای ۵ پلتفرم مختلف تولید کند — در کمتر از ۱۰ دقیقه خواهی فهمید که این ابزار واقعاً ارزش استفاده دارد یا نه. این کار هزار بار عملی‌تر و واقعی‌تر از تعقیبِ «کونسپت جدید بعدیِ هوش مصنوعی» است.