Satu Ayat Merekrut Pasukan AI: Platform Kolaborasi Agen Sumber Terbuka Telah Menurunkan Had Pasukan Satu Orang ke Aras Paling Rendah

Kos paling mahal anda bukan gaji, tetapi hakikat bahawa anda hanya mempunyai 16 jam sehari dalam keadaan sedar.

Buat seorang diri, paling banyak pun satu kerja sahaja. Kalau nak buat tiga kerja, sama ada anda ambil pekerja (anda kena keluarkan modal), atau anda potong separuh daripada pesanan — selama sedekad, perniagaan satu orang (solopreneur) tergantung di titik ini.

Penyelesaian pada tahun 2026 adalah berbeza: Gantikan pekerja dengan Agen. Satu pasukan AI yang lengkap, boleh membahagikan tugas sendiri, berinteraksi antara satu sama lain untuk menyerahkan hasil kerja, dan beroperasi 7×24 di peranti tempatan anda. Satu projek sumber terbuka bernama LobeHub (81.5k bintang di GitHub, 340+ penyumbang) telah berjaya membuka jalan ini: cara untuk membina, cara untuk menerima pesanan, dan cara menggunakannya seperti pekerja anda — kami akan kupas satu persatu di bawah.

1. Lihat saiz pasaran dulu: 80 Ribu Bintang Bukan Datang Bergolek

Projek ini pada asalnya dikenali sebagai LobeChat, sebuah klien ChatGPT sumber terbuka. Dalam masa setahun, ia telah menstruktur semula dirinya menjadi LobeHub, meningkat daripada sekadar alat sembang kepada Platform Kolaborasi Agen. Repositori berpindah daripada lobehub/lobe-chat ke lobehub/lobehub, dan penempatan jenama ditukar kepada “Chief Agent Operator” (Ketua Pegawai Agen — anda boleh anggap ia sebagai “Pengarah Operasi”, cuma yang diuruskan bukan manusia, tetapi Agen AI).

Apa yang anda lihat dalam UI ialah carta organisasi Agent, setiap satu ada nama, ada pembahagian tugas, dan boleh terima tugasan.

Satu lagi projek di GitHub, AutoGPT (186k Star) mula bergerak awal, tapi trend 2026 dah berubah — konsensus industri sekarang: satu Agent tak cukup, pasukan Agent barulah masa depan. Projek sokongan seperti Mem0 (62.9k Star, khusus untuk memori) dan RAGFlow (86k Star, khusus untuk pangkalan pengetahuan) juga meletup tahun ini. Seluruh ekosistem sedang bergerak ke arah tiga hala utama: “berpasukan, bermemori, boleh deploy secara persendirian”.

Parit pertahanan (moat) LobeHub ialah ia bungkus semua ini sekali gus: pangkalan pengetahuan terbina dalam, pasaran 10,000+ kemahiran (plugin standard berasaskan protokol MCP), penjadualan berbilang model secara seragam, dan deploy persendirian satu klik via Docker. Selepas pasang, anda tak perlu lagi himpunkan empat-lima alat berasingan, semua benda berjalan dalam satu konsol.

2. Macam mana ia sebenarnya buat kerja: 4 Mod Kolaborasi Agent

Agent Groups ialah bahagian yang paling bernilai — kerja yang satu Agent tak mampu buat, ia masukkan penjadualan pasukan ke dalamnya. Ada 4 mod kolaborasi rasmi, disusun ikut yang paling kerap digunakan:

① Mod Aliran Berurusan (Sequential) — Gunakan ini untuk 80% tugas: Agent A habis menulis, hantar pada Agent B untuk sunting, lepas tu hantar pada Agent C untuk layout. Penghantaran secara berurutan, setiap langkah boleh disemak dan dihalang.

② Mod Selari (Parallel) — Gunakan untuk 10% tugas pukal: Satu tugas dipecahkan kepada N bahagian, N Agent buat serentak, akhir sekali cantumkan hasil. Sesuai untuk pemprosesan pukal — contohnya jana 30 tajuk produk serentak, atau tulis 100 penerangan gambar produk serentak.

③ Mod Beriterasi (Iterative) — Untuk minoriti kandungan yang perlu digilap berulang kali: Satu Agent menulis, Agent lain jadi editor beri markah; kalau tak capai ambang, tulis semula. Gunakan ini untuk kerja yang “utamakan kualiti bukan kelajuan” seperti ubah tajuk viral di Pinterest+Reddit, atau tulis artikel mendalam di blog.

④ Mod Debat (Debate) — Untuk minoriti tugas yang perlukan pelbagai perspektif: Pelbagai Agent berdebat atas isu yang sama (contohnya “produk ni patut ke beli atau tak”), satu Moderator ringkaskan perselisihan dan persetujuan. Sesuai untuk ulasan produk, laporan kajian.

Satu kes penggunaan sebenar: Anda bina sebuah tapak alat SaaS, dan perlu kemas kini perkenalan fungsi, harga, serta ulasan pengguna untuk 50 produk setiap hari. Gunakan mod pipeline: Agent pertama menarik data, Agent kedua menulis versi Bahasa Mandarin, Agent ketiga menulis versi Inggeris, Agent keempat pelarikan kata kunci SEO. Dulu seorang pekerja perlu habiskan satu hari penuh, kini satu workflow siap dalam 30 minit.

Tiga, Potongan Paling Murah: Penyebaran Docker Tempatan, Tukar Model Sesuka Hati

Ramai orang tergagal dengan “Saya tak mampu jalankan model besar”. Penyelesaian LobeHub adalah tukar frontend sahaja, model guna API.

Satu arahan Docker untuk naikkan perkhidmatan (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub, lepas pasang Docker Desktop, justa tampal ke terminal dan siap), buka pelayar ke localhost:3210 terus boleh guna. Semua pengiraan berlaku di sebelah model awan, tempatan hanyalah UI. Jadi walaupun anda guna MacBook Air ingatan 8GB, anda masih boleh jalankannya.

Model boleh diadun. Gabungan yang disyorkan oleh contoh rasmi ialah:

• Gemini 2.5 Pro: Konteks panjang (jutaan token), sesuai untuk membaca dokumen tebal
• Kimi (Konteks 2M): Pemprosesan bahasa Cina sangat kukuh, sesuai untuk analisis bahan berbahasa Cina
• DeepSeek V4 Flash: Murah (mengikut kadar pertukaran semasa Ogos 2026, lebih kurang RMB ¥1/M token untuk input, ¥2/M token untuk output; harga rasmi dalam USD $0.14/$0.28 setiap 1M), sesuai untuk tugasan pukal

Satu tugasan penuh “terjemahan + parafrasa” kosnya tak sampai 3 sen. Lari 100 tugasan sehari = kos 3 ringgit. Inilah struktur kos sebenar untuk “menerima kerja AI” — kau quote kerja tu 1500, kos AI cuma 30, baki 1470 tu semua untung kasar kau.

Kerja yang kau terima melibatkan kontrak pelanggan atau data dalaman? LobeHub juga menyokong deployment privat sepenuhnya, pangkalan pengetahuan guna pengambilan vektor PGVector (boleh cari perenggan yang “maksudnya hampir sama”, bukan sekadar padanan kata kunci). Pangkalan pengetahuan dan sejarah perbualan dilokalkan sepenuhnya, data sensitif tak akan keluar dari peranti kau — tapi proses inference masih guna API LLM awan, ini satu sempadan yang kau kena tahu.

4. 3 Jenis Kerja Yang Boleh Kau Terima, Harga Ikut Yuran Bulanan

3 jenis kerja yang boleh kau terima hari ini, harga ikut yuran bulanan:

Senario 1: Pengurusan Kandungan Outsourcing (Yuran bulanan 3000-8000 RMB)

Klien anda ialah peniaga e-dagang PKS. Setiap minggu mereka perlu siarkan 5 catatan di Pinterest+Reddit, 3 skrip video pendek untuk TikTok, dan 2 artikel blog. Gunakan saluran Agent Groups untuk bina satu set: Agent Pemilihan Topik → Agent Penulisan → Agent Susun Atur → Agent Imej (biasanya sambungkan API janaan imej seperti Midjourney atau Imagen; kos satu imej hanya beberapa sen). Satu orang ambil 5 klien, luangkan 2 jam sehari untuk kawalan kualiti, baki masa biar Agent berjalan automatik. Kos API bulanan sekitar RMB 200–500, dan secara teori margin kasar boleh capai RMB 15,000–40,000.

Senario 2: Laporan Harian Pemantauan Pesaing (Yuran bulanan RMB 1,500–3,000)

Setiap hari kikis harga, stok dan produk baharu dari 20 laman web pesaing, tulis automatik ke dalam Google Sheet, dan hantar e-mel tepat pukul 9 pagi ke peti masuk klien. Guna mod selari untuk kikis secara pukal, dan keluarkan amaran berasingan untuk perubahan utama. Satu orang boleh urus lebih sedozen klien serentak.

Senario 3: Outsourcing Khidmat Pelanggan AI (Yuran bulanan RMB 2,000–5,000)

Sakit kepala paling besar untuk kedai jenama kecil di Amazon dan TikTok Shop ialah khidmat pelanggan waktu malam. Gunakan fungsi gerbang IM LobeHub (menyokong Telegram, Discord, WeChat, dan Enterprise WeChat) untuk terima pertanyaan klien, dan hantar automatik kepada Agent berkenaan mengikut jenis masalah. Anda tidur, kedai masih menerima pesanan.

Persamaan ketiga-tiga senario ini: Harga sebutan bagi setiap projek menampung kos API sebanyak 50 kali ganda atau lebih. Dalam bisnes mengambil tempahan AI ini, apa yang kau jual sebenarnya adalah masa.

5. Boleh Dibina Malam Ini Juga

Kalau kau nak versi paling ringkas yang terus boleh beroperasi, ikut tiga langkah ini:

Langkah 1: Mulakan perkhidmatan. Pasang Docker Desktop (Ada versi Mac/Win, pemasangan satu klik dari laman sesawang rasmi), kemudian jalankan docker run -d -p 3210:3210 --name lobehub lobehub/lobehub. Buka pelayar dan akses http://localhost:3210. Kalau port 3210 telah digunakan, tukarkan kepada -p 3211:3210.

Langkah 2: Bina tiga Agent. Satu “Penyelidik” (guna Gemini 2.5 Pro, bertanggungjawab baca dokumen panjang), satu “Penulis” (guna Claude atau GPT, bertanggungjawab jana kandungan), dan satu “Pemeriksa” (guna model murah macam DeepSeek V4 Flash, bertanggungjawab perbaiki salah eja dan semak fakta). Pembahagian peranan antara tiga model ini mengelakkan satu model yang mahal buat semua kerja. API key setiap model boleh dimohon di laman sesawang rasmi masing-masing: Google AI Studio untuk Gemini, OpenAI untuk GPT, DeepSeek Platform untuk DeepSeek. Semuanya menyediakan kuota percuma untuk bermula.

Langkah Ketiga: Jalankan aliran kerja pertama anda. Wujudkan satu Agent Group, gunakan mod pipeline untuk menyambungkan tiga Agent ini secara berurutan. Huraikan tugas menggunakan bahasa semula jadi: “Baca PDF yang saya muat naik ini, tulis ringkasan berbahasa Cina sepanjang 800 patah perkataan, senaraikan 3 poin teras, dan akhir sekali beri saya 5 tajuk gaya Pinterest.”

Setelah keseluruhan proses selesai dijalankan, anda akan nampak ketiga-tiga Agent melakukan tugas masing-masing, menyerahkan tugasan antara satu sama lain, dan akhirnya menyerahkan hasil akhir. Jika outputnya memuaskan, simpan aliran kerja ini supaya boleh diguna semula terus untuk kali seterusnya.

Sebaik sahaja anda berjaya melepasi langkah ini, anda sudah mendahului 90% orang — kebanyakan orang tergagal pada fasa “sudah pasang tapi tak tahu nak buat apa”. Selesaikan satu aliran kerja dulu, baru fikir pasal nak ambik job.

Batasan laluan ini: AI bukan manusia, jangan layan macam pekerja

Selesai cerita pasal laluan, kena cerita pasal batasannya. Ada 3 garisan merah yang jangan dilanggar — kerja-kerja freelance AI yang boleh diterima semuanya adalah kerja berasaskan proses, kalau melanggar garisan ini, maksudnya kerja tambah baik tanpa henti.

Pertama, ia tak boleh gantikan penilaian sepenuhnya. Agent memang mahir “menjalankan tugas mengikut proses”, tapi tak mahir menilai “patut ke tak patut buat benda ni”. Arah, harga sebut harga, dan penilaian risiko untuk setiap job yang anda ambil, akhirnya masih tanggungjawab anda.

Kedua, tiada integrasi tanpa jurang merentasi sistem. LobeHub ada gateway IM, e-mel, dan pangkalan data, tapi ia tidak serasi terus “out-of-the-box” dengan ERP dalaman pelanggan, Salesforce, atau platform pemesejan korporat tempatan. Integrasi rumit memerlukan pembangunan tersuai. Saya pernah ambil satu projek outsourcing khidmat pelanggan untuk rangkaian restoran; pihak pelanggan mahu sambungkan terus dengan CRM buatan mereka sendiri. Akhirnya projek tu terpaksa diabortkan—jangkaan pembangunan 3 minggu berlarutan jadi 8 minggu.

Ketiga, AI akan “bercakap penuh yakin tapi memutar-belitkan fakta”. Apa-apa kandungan fakta yang Agent berikan, mesti ada semakan manusia sekali sebelum serahkan kepada pelanggan. Dia akan tulis nama pelanggan yang tak wujud, harga produk yang direka-reka, tapi nampak macam betul-betul realistik. Pertama kali saya guna mod group chat Agent untuk buat ulasan produk, 3 Agent saling “setuju antara satu sama lain”, dan 5 cadangan yang dihasilkan kesemuanya brand yang sama—bukan betul-betul pelbagai perspektif. 5-10 minit semakan manual ni tak boleh dipendekkan; kalau dipendekkan, ia bermakna kerja ulang alik, reputasi tergadai.

Kalau anda faham tiga perkara ni, anda boleh ambil kerja yang orang lain tak berani ambil—dalam industri ambil kerja berasaskan AI, yang paling kurang ialah pengambil kerja yang betul-betul faham had keupayaan; orang yang hanya pandai berteriak slogan ada di mana-mana.

Satu perkara yang boleh anda buat hari ini: Pergi ke GitHub, cari lobehub/lobehub, dan tekan Star. Kemudian kembali ke peranti anda, jalankan arahan Docker, bina Agent Group pertama anda, masukkan satu dokumen yang anda tulis baru-baru ini, dan biarkan ia menghasilkan 5 tajuk untuk platform berbeza — dalam 10 minit, anda akan nampak sama ada alat ini benar-benar berbaloi untuk digunakan. Ia jauh lebih praktikal daripada terus mengejar “konsep AI” baharu seterusnya.