ایک جملے میں AI ٹیم بھرتی کریں: اوپن سورس ایجنٹ تعاون پلیٹ فارم نے ون پرسن کمپنی کا دہلیز زمین تک گرا دیا

آپ کی سب سے مہنگی لاگت تنخواہ نہیں ہے، بلکہ یہ ہے کہ آپ کے پاس دن میں صرف 16 گھنٹے جاگنے کے لیے ہیں۔

ایک شخص ایک کام کرے، یہ تو极限 (limit) ہے۔ تین کام کرنا چاہیں، تو یا تو لوگوں کو نوکری پر رکھیں (آپ پیسے دیں) یا آدھے آرڈر کاٹ دیں — پچھلے دس سالوں سے، ون پرسن کمپنی اسی مقام پر اٹکائی ہوئی ہے۔

2026 کا حل مختلف ہے: ملازمین کی جگہ ایجنٹس (Agents) استعمال کریں۔ ایک پوری AI ٹیم جو خود کام تقسیم کر سکتی ہے، آپس میں کام ڈیلیور کر سکتی ہے، اور آپ کے مقامی سسٹم پر 7×24 کام کرتی ہے۔ LobeHub نامی ایک اوپن سورس پروجیکٹ (GitHub پر 81.5k Star اور 340+ کنٹریبیوٹرز) نے اس راستے کو پہلے ہی کھوڑ کر نکال لیا ہے: اسے کیسے سیٹ اپ کریں، آرڈر کیسے لیں، اور اسے ملازم کی طرح کیسے استعمال کریں — نیچے تفصیل سے سمجھائے گئے ہیں۔

1۔ پہلے پلیٹ فارم دیکھیں: 80 ہزار Star ایسے ہی نہیں ملتے

یہ پروجیکٹ شروع میں LobeChat کہلاتا تھا، جو ChatGPT کا ایک اوپن سورس کلائنٹ تھا۔ ایک سال میں اس نے خود کو LobeHub میں تبدیل کر لیا، ایک چیٹ ٹول سے اپ گریڈ ہو کر ایجنٹ تعاون پلیٹ فارم (Agent Collaboration Platform) بن گیا۔ ریپوزیٹری lobehub/lobe-chat سے lobehub/lobehub منتقل ہوئی، اور اس کی پوزیشننگ بدل کر “Chief Agent Operator” کر دی گئی (آپ اسے “آپریشنز ڈائریکٹر” سمجھ سکتے ہیں، فرق صرف اتنا ہے کہ مینج ہونے والے انسان نہیں بلکہ AI ایجنٹس ہیں)۔

UI میں آپ کے سامنے Agent کا ایک آرگنائزیشن چارٹ ہوتا ہے—ہر Agent کا اپنا نام ہے، اپنا کام ہوتا ہے، اور وہ کام لینے کے قابل ہوتا ہے۔

GitHub پر ایک اور پراجیکٹ AutoGPT (186k Star) بہت پہلے میدان میں اترا تھا، لیکن 2026 کا رجحان اب بدل چکا ہے—صنعت کا اب اس پر اتفاق ہے کہ: اکیلا Agent کافی نہیں، Agent کی ٹیم ہی مستقبل ہے۔ Mem0 (62.9k Star، میموری کے ماہر)، RAGFlow (86k Star، نالج بیس کے ماہر) جیسے معاون پراجیکٹس بھی اس سال دھماکے کی طرح ابھرے ہیں، اور پورا ایکو سسٹم “ٹیم کی شکل، میموری کی صلاحیت، اور پرائیویٹ ڈپلائمنٹ” کی طرف بڑھ رہا ہے۔

LobeHub کی سب سے بڑی طاقت یہ ہے کہ یہ سب کچھ ایک ہی پیکیج میں دے دیتا ہے: بلٹ ان نالج بیس، 10,000+ اسکلز مارکیٹ (MCP پروٹوکول پر مبنی معیاری پلگ انز)، ملٹی ماڈل یونیفائیڈ شیڈولنگ، اور Docker کے ذریعے ون کلک پرائیویٹ ڈپلائمنٹ۔ اسے انسٹال کرنے کے بعد آپ کو چار پانچ مختلف ٹولز جوڑنے کی ضرورت نہیں، سب کچھ ایک ہی کنسول میں چل جاتا ہے۔

2۔ یہ دراصل کام کیسے کرتا ہے: Agent کے 4 تعاون کے ماڈلز

Agent Groups ہی وہ مقام ہے جہاں اس کی اصل قدر ہے—جو کام ایک اکیلا Agent نہیں کر سکتا، یہ اس کے لیے ٹیم شیڈولنگ کو سسٹم میں شامل کر دیتا ہے۔ آفیشل طور پر 4 تعاون کے ماڈلز ہیں، استعمال کی بنیاد پر سب سے زیادہ استعمال ہونے والے کو پہلے رکھتے ہوئے ترتیب یہ ہے:

① ترتیب وار ماڈل (Sequential) — 80% کام اسی سے کریں: Agent A لکھنے کے بعد Agent B کو پلے دیتا ہے، B بہتر بنانے کے بعد Agent C کو دیتا ہے جو فائنل فارمیٹ کرتا ہے۔ یہ سلسلہ وار نظام ہے — ہر مرحلے پر جائزہ اور روک سکتے ہیں۔

② متوازی ماڈل (Parallel) — 10% بلک کام کے لیے: ایک کام کو N حصوں میں تقسیم کریں، N ایجنٹس بیک وقت کام کریں، پھر نتائج یکجا کر دیں۔ بلک پروسیسنگ کے لیے بہترین — جیسے ایک ساتھ 30 پروڈکٹ ٹائٹلز بنانا یا 100 پروڈکٹ امیجز کی تفصیل لکھنا۔

③ تکرار ماڈل (Iterative) — مکرر پالش والے کاموں کے لیے: ایک Agent لکھتا ہے، دوسرا Agent ایڈیٹر کے طور پر نمبر دیتا ہے، اگر معیار کی حد نہ پوری لگے تو دوبارہ لکھا جاتا ہے۔ Pinterest+Reddit پر وائرل ہونے والے ٹائٹلز کو بہتر بنانے یا Quora پر گہری تجزیاتی پوسٹ لکھنے جیسے “معیار اول، رفتار بعد” والے کاموں کے لیے استعمال کریں۔

④ بحث ماڈل (Debate) — کثیر النظر والے کاموں کے لیے: متعدد ایجنٹس ایک ہی موضوع پر بحث کرتے ہیں (مثلاً “کیا یہ پروڈکٹ خریدنے کے قابل ہے”)، ایک Moderator اختلافات اور اتفاق رائے کو یکجا کرتا ہے۔ پروڈکٹ ریویوز اور ریسرچ رپورٹس کے لیے موزوں ہے۔

ایک حقیقی استعمال کیس: آپ ایک SaaS ٹول سائٹ بناتے ہیں، جس میں روزانہ 50 پروڈکٹس کے فیچرز، قیمت اور صارفین کے ریویوز اپڈیٹ کرنے ہوتے ہیں۔ پائپ لائن ماڈل استعمال کریں: پہلا Agent ڈیٹا کھینچتا ہے، دوسرا Agent چینی ورژن لکھتا ہے، تیسرا Agent انگریزی ورژن لکھتا ہے، اور چوتھا Agent SEO کلیدی الفاظ بہتر بناتا ہے۔ پہلے یہ کام ایک شخص کو پورا دن لگتا تھا، اب ایک ورک فلو صرف 30 منٹ میں مکمل ہو جاتا ہے۔

3۔ سب سے سستی چال: مقامی Docker ڈپلائمنٹ، ماڈل آسانی سے بدلیں

بہت سے لوگ اس نقطہ پر اٹک جاتے ہیں کہ “میرے پاس بڑے ماڈلز چلانے کی گنجائش نہیں”۔ LobeHub کا حل یہ ہے: صرف فرنٹ اینڈ بدلیں، ماڈلز API کے ذریعے استعمال کریں۔

Docker کے ایک کمانڈ سے سروس اپ چل جاتی ہے (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub، Docker Desktop انسٹال کرنے کے بعد اسے ٹرمینل میں پیسٹ کر دیں اور کام مکمل)، براؤزر میں localhost:3210 کھولیں اور فوراً استعمال شروع کر دیں۔ تمام کمپیوٹنگ کلاؤڈ پر بڑے ماڈلز کی طرف ہوتی ہے، مقامی سطح پر صرف UI ہوتا ہے۔ لہذا خواہ آپ کے پاس 8GB RAM والا MacBook Air ہی کیوں نہ ہو، یہ باآسانی چل جائے گا۔

ماڈلز کو ملا کر بھی استعمال کیا جا سکتا ہے۔ آفیشل مثال میں تجویز کردہ کمبینیشن یہ ہے:

• Gemini 2.5 Pro: لمبا چھوٹ (ملین ٹوکنز تک)، بھاری دستاویزات پڑھنے کے لیے بہترین۔
• Kimi (2M Context): چینی زبان کی پروسیسنگ میں بہترین، چینی مواد کی تجزیہ کے لیے موزوں۔
• DeepSeek V4 Flash: انتہائی سستا (اگست 2026 کے موجودہ تبادلہ ریٹ کے مطابق تقریباً RMB 1/M token ان پٹ، RMB 2/M token آؤٹ پٹ؛ سرکاری قیمت $0.14/$0.28 فی 1M)، بڑے پیمانے پر کاموں کے لیے بہترین۔

ایک مکمل “ترجمہ + ری رائٹ” ٹاسک کی لاگت 3 فی (RMB) سے بھی کم ہے۔ ایک دن میں 100 ٹاسک چلانا = RMB 3۔ یہی “AI سے کام لینے” کی اصل لاگت کا ڈھانچہ ہے — کلائنٹ سے RMB 1500 کا بل بھیجو، AI کی لاگت RMB 30 آتی ہے، اور باقی RMB 1470 آپ کا خالص منافعہ ہے۔

اگر کام میں کلائنٹ کے معاہدے یا اندرونی ڈیٹا شامل ہوں؟ LobeHub مکمل پرائیویٹ ڈپلائمنٹ کی سہولت بھی دیتا ہے۔ اس کا نالج بیس PGVector ویکٹر سرچ استعمال کرتا ہے (جو صرف کلیدی الفاظ میچ کرنے کے بجائے “ہم معنی” پیراگراف تلاش کر سکتا ہے)۔ نالج بیس اور چیٹ ہسٹری مکمل طور پر لوکل رہتی ہے، حساس ڈیٹا آپ کے ڈیوائس سے باہر نہیں جاتا — لیکن انفرنس اب بھی کلاؤڈ LLM API کے ذریعے ہوتا ہے، یہ ایک ایسی حد ہے جس سے آپ کو واقف ہونا چاہیے۔

چار: وہ 3 اقسام کے کام جو آپ لے سکتے ہیں، ماہانہ فیس کے حساب سے

آج کے دور میں وہ 3 اقسام کے کام جو آپ لے سکتے ہیں، ماہانہ فیس کے حساب سے:

منظرنامہ 1: کنٹینٹ مینجمنٹ اور آپریشنز (ماہانہ فیس RMB 3000-8000)

کلائنٹس چھوٹے اور درمیانے درجے کے ای کامرس کاروبار ہیں، جن کو ہر ہفتے Pinterest اور Reddit پر 5 پوسٹس، TikTok کے لیے 3 اسکرپٹس، اور 2 نیوز لیٹر/بلاگ آرٹیکلز کی ضرورت ہوتی ہے۔ Agent Groups پائپ لائن کے ذریعے ایک سسٹم سیٹ اپ کریں: ٹاپک سلیکشن ایجنٹ → رائٹنگ ایجنٹ → فارمیٹنگ ایجنٹ → امیج جنریشن ایجنٹ (عام طور پر Midjourney یا Imagen جیسی امیج جنریشن API استعمال کرتے ہیں، جس کی ایک تصویر کی لاگت صرف چند سینٹس آتی ہے)۔ ایک شخص 5 کلائنٹس لے سکتا ہے، روزانہ صرف 2 گھنٹے کوالٹی کنٹرول پر دیتا ہے، باقی وقت ایجنٹس خود کام چلاتے ہیں۔ API کی ماہانہ لاگت 200-500 RMB ہے، اور نظریاتی طور پر مجموعی منافع 15,000 سے 40,000 RMB تک ہو سکتا ہے۔

منظرنامہ 2: مقابلاء کی نگرانی کی ڈیلی رپورٹ (ماہانہ فیس 1,500-3,000 RMB)

روزانہ 20 مقابلاء کی ویب سائٹس کی قیمتیں، اسٹاک، اور نئی مصنوعات کا ڈیٹا اکٹھا کر کے خود بخود Google Sheets میں درج کریں، اور صبح 9 بجے کلائنٹ کے ان باکس میں ای میل بھیجیں۔ پیرالیل موڈ میں بلک ڈیٹا کھینچیں، اور اہم تبدیلیوں کے لیے الٹرٹ بھیجیں۔ ایک شخص ایک ساتھ درجنوں کلائنٹس کا کام سنبھال سکتا ہے۔

منظرنامہ 3: AI کسٹمر سروس آؤٹسورسنگ (ماہانہ فیس 2,000-5,000 RMB)

چھوٹے برانڈز کی Amazon اور eBay اسٹورز کے لیے سب سے بڑا دردِ سر رات کا کسٹمر سروس ہے۔ LobeHub کے IM گیٹ وے فنکشن کا استعمال کریں (جو Telegram، Discord، WeChat، اور Enterprise WeChat کو سپورٹ کرتا ہے) تاکہ کلائنٹس کے سوالات وصول کیے جا سکیں، اور سوال کی نوعیت کے حساب سے خود بخود متعلقہ ایجنٹ کو تفویض کیا جائے۔ آپ سو رہے ہوتے ہیں، اور آپ کا اسٹور آرڈرز لے رہا ہوتا ہے۔

ان تینوں مناظر کی مشترکہ بات یہ ہے: ایک آرڈر کی قیمت API کے اخراجات کا 50 گنا یا اس سے زیادہ ہوتی ہے۔ AI فری لانسنگ کے کاروبار میں، آپ دراصل اپنا وقت بیچتے ہیں۔

پانچ: آج رات ہی سیٹ اپ کر لیں

اگر آپ کو صرف ایک چلنے والا بنیادی ورژن چاہیے، تو ان تین مراحل پر عمل کریں:

پہلا قدم: سروس اپ اینڈ چلانا۔ Docker Desktop انسٹال کریں (Mac اور Win دونوں کے لیے دستیاب ہے، سرکاری ویب سائٹ سے ایک کلک میں)، پھر یہ چلائیں docker run -d -p 3210:3210 --name lobehub lobehub/lobehub۔ براؤزر میں کھولیں http://localhost:3210۔ اگر پورٹ 3210 پہلے سے استعمال میں ہے، تو اسے -p 3211:3210 پر تبدیل کر دیں۔

دوسرا قدم: تین ایجنٹس بنانا۔ ایک “ریسرچر” (Gemini 2.5 Pro سے جڑا ہوا، لمبے دستاویزات پڑھنے کا کام)، ایک “رائٹر” (Claude یا GPT سے جڑا ہوا، مواد تیار کرنے کا کام)، اور ایک “ریویور” (سستے ماڈل جیسے DeepSeek V4 Flash سے جڑا ہوا، جو ٹائپنگ کی غلطیاں درست کرنے اور حقائق چیک کرنے کا کام سنبھالے گا)۔ تینوں ماڈلز کے درمیان کام کی یہ تقسیم اس بات کو یقینی بناتی ہے کہ آپ کو ہر کام کے لیے ایک مہنگے ماڈل پر انحصار نہیں کرنا پڑے گا۔ ماڈلز کی API کیز سرکاری ویب سائٹس سے حاصل کریں: Google AI Studio سے Gemini کے لیے، OpenAI سے GPT کے لیے، اور DeepSeek Platform سے DeepSeek کے لیے؛ ان سب میں شروعات کے لیے مفت کریڈٹس دستیاب ہیں۔

تیسرا قدم: اپنا پہلا ورک فلو چلائیں۔ ایک Agent Group بنائیں، اور پائپ لائن موڈ کے ذریعے تین Agents کو آپس میں جوڑیں۔ ٹاسک کو قدرتی زبان میں یوں بیان کریں: “میرے اپ لوڈ کیے گئے اس PDF کو پڑھیں، 800 الفاظ پر مشتمل ایک چینی خلاصہ لکھیں، 3 بنیادی نکات کی فہرست بنائیں، اور آخر میں مجھے Pinterest اور Reddit کے لیے 5 عنوانات دیں۔”

پورا سسٹم چلنے کے بعد آپ دیکھیں گے کہ تینوں Agents اپنا اپنا کام کر رہے ہیں، ایک دوسرے سے ہاتھ ملا رہے ہیں، اور آخر میں نتائج فراہم کر رہے ہیں۔ اگر آؤٹ پٹ مطمئن ہو، تو اس ورک فلو کو محفوظ کر لیں تاکہ اگلی بار براہ راست دوبارہ استعمال کیا جا سکے۔

یہ مرحلہ کامیاب کرنے کے ساتھ ہی آپ 90% لوگوں سے آگے نکل چکے ہیں — کیونکہ اکثریت یہیں اٹک جاتی ہے کہ “سب کچھ انسٹال تو کر لیا، مگر کیا کریں؟”۔ پہلے ایک ورک فلو کامیاب کریں، پھر آرڈر لینے کے بارے میں سوچیں۔

اس راستے کی حد: AI انسان نہیں ہے، اسے اپنا ملازم نہ بنائیں

راستہ بتانے کے بعد حدیں بھی واضح کرنا ضروری ہے۔ 3 لکیریں ہیں جن سے آگے نہ بڑھیں — AI کے ذریعے لینے والے کام صرف وہی ہو سکتے ہیں جو پروسیس پر مبنی ہوں، حد سے بڑھنا مطلب ری ورک (دوبارہ درستگی) کا حکم۔

پہلا: یہ فیصلہ سازی کا مکمل متبادل نہیں ہو سکتا۔ Agent اس بات میں مہارت رکھتا ہے کہ “پروسیس کے مطابق کام چلائے”، نہ کہ اس میں کہ “کیا واقعی یہ کام کرنا چاہیے؟”۔ آرڈر لینے کی سمت، قیمتیں طے کرنا، اور خطرات کا جائزہ لینا — یہ سب کچھ بالآخر آپ کی ذمہ داری ہے۔

دوسرا، کراس سسٹم میں بلا روک ٹوک انٹیگریشن ممکن نہیں۔ LobeHub میں IM گیٹ وے، ای میل اور ڈیٹا بیس سب کچھ موجود ہے، لیکن یہ کلائنٹس کے اندرونی ERP، WeChat Work اور Salesforce کے ساتھ باکس سے باہر نکلتے ہی فوری طور پر کام نہیں کرتا۔ پیچیدہ انٹیگریشن کے لیے سیکنڈری ڈویلپمنٹ درکار ہوتی ہے۔ میں نے خود ایک چین ریسٹورنٹ کا کسٹمر سروس آؤٹ سورسنگ پروجیکٹ لیا تھا، انہیں اپنے خودکار تیار کردہ CRM سے منسلک ہونا تھا، آخر کار اس پروجیکٹ کو ترک کرنا پڑا — متوقع 3 ہفتوں کی ڈویلپمنٹ 8 ہفتوں تک پھیل گئی۔

تیسرا، AI “مکمل سنجیدگی سے بکواس بکتا ہے”۔ Agent آپ کو جو حقیقی مواد دیتا ہے، اسے کلائنٹ کے حوالے کرنے سے پہلے انسان کی جانچ ضروری ہے۔ یہ غیر موجود کلائنٹ کے نام اور گھڑی ہوئی پروڈکٹ کی قیمتیں بالکل حقیقی انداز میں لکھ دیتا ہے — میں نے پہلی بار Agent کے گروپ چیٹ موڈ کے ذریعے پروڈکٹ ریویو بنایا، 3 Agent نے ایک دوسرے کے نقطہ نظر سے “اتفاق” کیا، اور آؤٹ پٹ میں دیے گئے 5 تجاویز سب ایک ہی برانڈ کی تھیں، جو کہ حقیقی ملٹی پرسپیکٹو بالکل نہیں تھا۔ یہ 5-10 منٹ کا انسانی چیک بچایا نہیں جا سکتا، بچانے کا مطلب ری ورک ہے، اور ریپوٹیشن کا تباہ ہونا ہے۔

ان تین باتوں کو واضح رکھیں، تو آپ وہ آرڈر لے سکتے ہیں جو دیگر لینے سے ڈرتے ہیں — AI آرڈر لینے کے اس کاروبار میں سب سے زیادہ کمی ان لوگوں کی ہے جو واقعی حدود کو سمجھتے ہیں، نعرے لگانے والے تو ہر جگہ بھرے پڑے ہیں۔

آج ہی کرنے کے قابل ایک کام: GitHub پر جائیں اور lobehub/lobehub تلاش کریں، پھر اسے Star کریں۔ اس کے بعد واپس آ کر مقامی سطح پر Docker کمانڈ چلائیں، اپنا پہلا Agent Group سیٹ اپ کریں، اپنی حالیہ ایک دستاویز اسے کھلائیں، اور اسے 5 مختلف پلیٹ فارمز کے لیے عنوانات بنوا کر دیکھیں — 10 منٹ میں آپ کو اندازہ ہو جائے گا کہ یہ ٹول استعمال کرنے کے قابل ہے یا نہیں۔ اگلے “AI کے نئے تصور” کے پیچھے بھاگنے سے یہ کہیں زیادہ ٹھوس ہے۔