Egyetlen mondattal toborozz egy AI csapatot: a nyílt forráskódú Agent együttműködési platform a földig viszi az egyszemélyes cég küszöbét

A legdrágább költséged nem a bér, hanem az, hogy neked naponta mindössze 16 ébren töltött órád van.

Egy ember egy munkát végez, ennyit bír. Három munkát ellátni vagy embereket kell felvegyél (te fizetsz), vagy le kell mondd a megrendelések feléről – az elmúlt tíz évben az egyszemélyes cégek pont ezen akadtak el.

2026-ban más a megoldás: Agentekkel helyettesíted a munkavállalókat. Egy komplett AI csapat, ami maga osztja be a feladatokat, egymásnak adja át a munkát, és a helyi gépeden 7×24-ben dolgozik. Egy LobeHub nevű nyílt forráskódú projekt (GitHubon 81,5k Star, 340+ közreműködő) már bejárta ezt az utat: hogyan építsd fel, hogyan vegyél át megbízásokat és hogyan használd „alkalmazottként”, azt lent lépésről lépésre szétszedjük.

1. Először is a méretek: 80 ezer Star nem jön magától

Ez a projekt eredetileg LobeChat néven indult, mint egy nyílt forráskódú ChatGPT kliens. Egy év alatt teljesen átalakította magát LobeHubbá, a chateszközből Agent együttműködési platformmá lépett elő. A repository lobehub/lobe-chat helyről lobehub/lobehub helyre költözött, a pozíció pedig „Chief Agent Operator”-ra (azaz Fő Agent Operátorra – értsd úgy, mint egy „operatív igazgatót”, csak nem embereket, hanem AI Agenteket menedzsel) módosult.

A felületen egy Agent szervezeti diagramot látsz: minden Agentnek neve van, megvan a saját feladatköre, és képes feladatokat fogadni.

A GitHubon egy másik projekt, az AutoGPT (186k Star) korábban indult, de 2026 trendjei már megváltoztak – az iparág közmegegyezése a következő: egyetlen Agent nem elég, a jövő az Agent-csapatoké. Az olyan kiegészítő projektek, mint a Mem0 (62.9k Star, kifejezetten memóriakezelésre fókuszál) és a RAGFlow (86k Star, tudásbázis-kezelésre specializálódott) idén is robbanásszerűen nőttek. Az egész ökoszisztéma három fő irányba halad: „csapatosodás, memóriakezelés és privát telepíthetőség”.

A LobeHub versenyelőnye (áról pedig úgy érdemes beszélni, mint egy igazi „árokról”) az, hogy mindezt egyetlen csomagban kínálja: beépített tudásbázis, több mint 10 000 készséget tartalmazó piactér (az MCP protokollra épülő szabványos bővítmények), több modell egységes ütemezése, valamint egykattintásos privát telepítés Docker segítségével. A telepítés után többé nem kell négy-öt különböző eszközt összecsapni, minden egyetlen vezérlőpulton fut.

II. Hogyan dolgozik valójában: 4 Agent együttműködési mód

Az Agent-csoportok jelentik a rendszer igazi értékét – azt a munkát, amit egyetlen Agent nem tud elvégezni, egy egész csapat beosztásával oldják meg. Hivatalosan 4 együttműködési mód létezik, a használat gyakorisága szerinti sorrendben:

① Soros (Sequential) mód – az esetek 80%-ában ezt használd: az A Agent megírja, átadja a B Agentnek, aki csiszolja, majd a C Agent formázza. Soros leadás: minden lépésnél ellenőrizhetsz és szükség esetén megállíthatsz.

② Párhuzamos (Parallel) mód – a tömeges feladatok 10%-ánál: egy feladatot N darabra bontasz, N Agent dolgozik rajta egyszerre, a végén egyesíted az eredményt. Kiváló batch-feldolgozásra – például 30 termékcím generálására vagy 100 termékkép leírásának egyszerre történő megírására.

③ Iteratív (Iterative) mód – a kevés, de sok csiszolást igénylő tartalomnál: az egyik Agent ír, a másik szerkesztőként pontoz; ha nem éri el a küszöbértéket, újraírja. A Pinterest+Reddit víruscímeinek hegesztésére vagy a hosszú, mély elemző cikkek írására való – „minőség a sebesség helyett” típusú feladatokra.

④ Vita (Debate) mód – a ritka, több perspektívát igénylő feladatoknál: több Agent vitatkozik ugyanarról a témáról (például „megéri-e ezt a terméket megvenni”), egy Moderator (vezető) összegzi a nézeteltéréseket és a konszenzust. Termékértékelésekre és kutatási jelentésekre ideális.

Egy valós felhasználási eset: építesz egy SaaS eszközoldalt, ahol naponta 50 termék funkcióleírását, árazását és felhasználói értékeléseit kell frissíteni. Egy futószalag-modellben az első Agent lekéri az adatokat, a második Agent megírja a kínai verziót, a harmadik Agent angolra fordít, a negyedik Agent pedig optimalizálja az SEO kulcsszavakat. Ami korábban egy ember egy teljes napnyi munkája volt, azt most egyetlen workflow 30 perc alatt megcsinálja.

3. A legolcsóbb mozzanat: Helyi Docker telepítés, a modelleket szabadon cserélgetheted

Sokan elakadnak annál, hogy „nem fut nálam a nagy nyelvi modell”. A LobeHub megoldása: csak a felületet cseréled, a modell API-n keresztül fut.

Egyetlen Docker paranccsal elindítod a szolgáltatást (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub, miután a Docker Desktop telepítve van, csak másold be a terminálba és kész), a böngészőben megnyitod a localhost:3210 címet, és már használhatod is. Az összes számítás a felhőben lévő nagy modellnél történik, a helyi gépeden csak az UI fut. Így még egy 8 GB memóriás MacBook Air is gond nélkül elbírja.

A modelleket lehet keverni. A hivatalos példák által ajánlott kombináció:

• Gemini 2.5 Pro: Hosszú kontextus (millió token szintű), vastag dokumentumok feldolgozására tökéletes.
• Kimi (2M kontextus): Kiválóan bánik a karakteres nyelvekkel, a kínai nyelvű anyagok elemzéséhez ideális.
• DeepSeek V4 Flash: Golyóolcsó (a 2026-08-as árfolyamon kb. 1 RMB/M token bemenet, 2 RMB/M token kimenet; a hivatalos dolláros ár $0.14/$0.28 per 1M), tömeges feladatokra optimalizált.

Egy komplett „fordítási + átírási” feladat kevesebb mint 3 centbe kerül. Napi 100 feladat lefuttatása = 3 RMB. Ez az „AI alapú rendelésfelvétel” valódi költségstruktúrája: a megbízásra 1500-at számolsz fel, az AI költsége 30, a maradék 1470 a te tiszta hasznod.

A projektek ügyfélszerződéseket vagy belső adatokat is érintenek? A LobeHub támogatja a teljesen privát, saját szerveren történő telepítést is, a tudásbázis PGVector vektoros keresést használ (képes megtalálni a „jelentésben hasonló” bekezdéseket is, nemcsak a kulcsszavakat egyezteti). A tudásbázis és a beszélgetési előzmények 100%-ban helyileg tárolódnak, az érzékeny adatok nem hagyják el a gépedet – de a tényleges következtetés (inference) továbbra is a felhő alapú LLM API-n keresztül fut. Ezt a határt fontos észben tartanod.

4. Három olyan megbízás, amit azonnal elvállalhatsz – fix havidíjas árazással

Íme a 3 ma is elérhető megbízási típus, amelyeket havidíjas modellben érdemes áraznod:

1. forgatókönyv: Tartalommenedzsment (havidíj: 3000–8000 RMB)

Az ügyfelek kis- és középvállalkozások az e-kereskedelemben: hetente 5 Pinterest-poszt, 3 TikTok-kampányszöveg és 2 blogcikk kell nekik. Építesz egy Agent Groups folyamatot: téma-ügynök → író-ügynök → formázó-ügynök → képkészítő ügynök (általában Midjourney/Imagen API-kkal, egy kép pár fillérbe kerül). Egy ember 5 ügyfelet tart el, naponta 2 órát minőség-ellenőrzéssel tölt, a többi időben az ügynökök maguktól pörögnek. Az API-költség havi 200–500 RMB, az elméleti bruttó nyereség elérheti a 15 000–40 000 RMB-t.

2. forgatókönyv: Versenytájékoztató napi riport (havi díj 1500–3000 RMB)

Napi 20 versenytárs weboldalának árát, készletét és újdonságait lekaparod, automatikusan beírod egy Google Sheetbe, reggel 9-kor pontosan e-mailben a megrendelő inboxába küldöd. Párhuzamos módban tömegesen kaparod le, a kritikus változásokat külön riasztással jelzed. Egy ember egyszerre több tucat ügyfelet is el tud futtatni.

3. forgatókönyv: AI ügyfélszolgálat kiszervezése (havi díj 2000–5000 RMB)

A kis márkák Amazon-üzleteinek legnagyobb fejfájása az éjszakai ügyfélszolgálat. A LobeHub IM-átjáró funkciójával (támogatja a Telegramot, a Discordot, a WeChatet és a vállalati WeChatet) fogadod az ügyfelek kérdéseit, és a probléma típusa alapján automatikusan a megfelelő ügynökhöz irányítod. Te alszol, a bolt közben fogadja a rendeléseket.

A három forgatókönyv közös pontja: a megbízás ára több mint 50-szerösen fedezi az API költségeket. Az AI megbízásoknál egyet árulsz: az időt.

5. Még ma este felépítheted

Ha csak a legkisebb, már működőképes verzió kell, kövesd ezt a három lépést:

Első lépés: Szolgáltatás indítása. Telepítsd a Docker Desktopot (Macre és Winre is van, a hivatalos oldalról egy kattintással), majd futtasd ezt: docker run -d -p 3210:3210 --name lobehub lobehub/lobehub. Nyisd meg a böngészőben: http://localhost:3210. Ha a 3210 port foglalt, cseréld le a -p 3211:3210 portra.

Második lépés: Hozz létre három Agentet. Egy „kutatót” (Gemini 2.5 Pro-val, a hosszú dokumentumok olvasásáért felel), egy „írót” (Claude vagy GPT mögé kötve, a tartalomgenerálásért felel), és egy „lektorolót” (egy olcsó modellhez kötve, mint a DeepSeek V4 Flash, amely a gépelési hibák javításáért és a tényellenőrzésért felel). A három modell szereposztásával elkerülöd, hogy egyetlen drága modell végezze el az összes munkát. A modellek API-kulcsait a szolgáltatók hivatalos oldalain igényelheted: a Google AI Studio adja a Gemini-t, az OpenAI a GPT-t, a DeepSeek Platform pedig a DeepSeek-et – mindegyiknél ingyenes kerettel indulhatsz.

Harmadik lépés: Futtasd le az első workflow-t. Hozz létre egy Agent Groupot, és pipeline módban fűzz össze három Agentet. A feladatot természetes nyelven írd le: „Olvasd el ezt a feltöltött PDF-et, írj egy 800 karakteres kínai nyelvű összefoglalót, emelj ki 3 fő pontot, és a végén adj 5 Pinterest-címet.”

Ha végigfut a teljes folyamaton, látni fogod, ahogy a három Agent külön-külön elvégzi a saját feladatát, átadja a stafétabotot, és a végén leadja az eredményt. Ha elégedett vagy a kimenettel, mentsd el ezt a workflow-t, legközelebb egyenesen újra felhasználhatod.

Ha ez a lépés már fut, máris magad mögött hagytad a mezőny 90%-át – a legtöbben ott akadnak el, hogy „telepítették, de nem tudják, mihez kezdjenek vele”. Először működtesd egy workflow-t végig, aztán gondolkodj elrendelések vállalásán.

Az út határai: az AI nem ember, ne alkalmazottként használd

Miután átvettük a lehetséges útvonalakat, beszéljünk a határokról. 3 vonalat soha ne lépj át – az AI által vállalt munkák csak a folyamatokra jellemző, sablonos feladatok lehetnek, ha átléped a határt, az azonnali javítást jelent.

Először: nem helyettesíti teljesen a döntéshozatalt. Az Agent abban jó, hogy „végigfuttassa a folyamatot”, de nem abban, hogy „megítélje, egyáltalán el kell-e végezni ezt a feladatot”. Minden felvett megbízás irányítása, az árazás és a kockázatértékelés végül is a te dolgod marad.

Másodszor: nincs zökkenőmentes, rendszerközi integráció. A LobeHub rendelkezik IM-átjáróval, e-mail- és adatbázis-modulokkal, de az ügyfelek belső ERP-rendszereivel, a Slackkel vagy a Salesforce-szal nem működik „out-of-the-box”. Az összetett integrációk másodlagos fejlesztést igényelnek. Magam is elvállaltam egy étteremlánc ügyfélszolgálati kiszervezését, a partner a saját, házon belül fejlesztett CRM-jéhez akarta csatlakoztatni a rendszert – végül az egész projektet fel kellett adnunk. A tervezett 3 hetes fejlesztés 8 hétre nyúlt.

Harmadszor: az AI hajlamos „hitelesen kitalálni tényeket”. Az Agent által generált tényalapú tartalmat kötelező emberi ellenőrzésen átfuttatni, mielőtt az ügyfél elé kerül. Nem létező ügyfélneveket és kitalált termékárak olyan meggyőzően tud megadni, mintha valósak lennének. Amikor először használtam az Agent csoportos csevegési módját termékbemutatókhoz, 3 Agent „kölcsönösen jóváhagyta egymás álláspontját”, az 5 ajánlás pedig egy és ugyanazon márkára mutatott – a sokszínű, több nézőpontú értékelés egy szóval sem hangzott el. Ezt az 5–10 perces emberi ellenőrzést nem szabad kihagyni: ha lecsapod, garantált a visszaküldés és a hírnévromlás.

Ha ez a három szabály kristálytiszta, olyan megbízásokat is el tudsz vállalni, amelyektől mások visszariadnak. Az AI-megbízások piacán a legnagyobb hiány a határokat valóban ismerő szolgáltatókból van – a szlogeneket skandálókból viszont bőven akad.

Egy dolog, amit még ma megtehetsz: menj a GitHubra, keresd meg a lobehub/lobehub-t, és kattints a Star gombra. Aztán térj vissza a helyi környezetedbe, futtasd le a Docker parancsot, építsd fel az első Agent Groupodat, töltsd be a legutóbb írt dokumentumodat, és kérd meg, hogy generáljon 5 címet különböző platformokra – 10 percen belül meglátod, hogy ez az eszköz megéri-e a ráfordított időt. Sokkal kézzelfoghatóbb, mint a következő “új AI koncepció” után koslatni.