Ein KI-Unternehmen mit 80.000 Stars hat beschlossen, die KI die Kontrolle über sich selbst übernehmen zu lassen.

Am 31. Oktober um 04:04 Uhr morgens hinterließ ein Konto namens lobehub-coder auf der GitHub-Seite des Open-Source-Projekts LobeHub einen Kommentar unter den Code-Prüfungsvorschlägen, die der Codex-Prüfroboter eingereicht hatte, mit dem Hinweis, dass das Problem bereits behoben sei.

In den folgenden 18 Minuten tauschten sich die Seiten mehrere Runden lang aus. Zuerst behob lobehub-coder zwei Probleme, die Codex zwei Tage zuvor aufgezeigt hatte. Unmittelbar danach stellte Codex drei neue Probleme vor, von denen er zwei behob. Beim letzten Punkt folgte er jedoch nicht der Anweisung, sondern antwortete, dass das Problem zwar bestehe, aber nach einer unabhängigen Bewertung die aktuelle Vorgehensweise akzeptabel sei, und erläuterte anschließend die Gründe einzeln.

Am gesamten Prozess war kein Mensch beteiligt. Zu diesem Zeitpunkt schliefen die meisten Mitarbeiter noch.

Der Code, über den die beiden KI diskutierten, stammte aus einem Merge-Request mit der Nummer #21852, den lobehub-coder in der frühen Morgenszeit des 29. Oktobers eingereicht hatte. Die Funktion, die er implementieren sollte, bestand darin, dass der Agent bei der Zuweisung von Aufgaben an andere Agents gleichzeitig festlegen kann, welches Modell die Gegenseite verwenden soll – genau wie ein Vorarbeiter, der bei der Arbeitsverteilung noch eine zusätzliche Anweisung gibt: Diese Angelegenheit hat keine Eile, überlassen Sie sie einem günstigeren Gerät zur Bearbeitung.

Der Code wurde von KI geschrieben, und das System, das dieser Code verbessern sollte, ist ausgerechnet das Aufgabenverteilungssystem, das die KIs selbst verwenden. Am Mittag des 1. November drückte ein menschlicher Ingenieur auf die Merge-Taste. Dies war der einzige menschliche Vorgang während des gesamten Prozesses von der Einreichung des Codes bis zu seiner endgültigen Aufnahme in den Hauptzweig.

LobeHub ist ein Open-Source-Projekt für eine kollaborative Agent-Plattform, das von chinesischen Entwicklern initiiert wurde und auf GitHub etwa 84.000 Sterne erhalten hat.

In den vergangenen mehr als acht Monaten hat dieses Unternehmen ständig mit sich selbst experimentiert und die Forschungs- und Entwicklungsarbeit an das selbst entwickelte Agent-System zur Organisation und Förderung übergeben. Der oben genannte Merge-Request ist nur eine ganz gewöhnliche tägliche Aufgabe davon.

Am selben Tag, an dem die beiden KIs hin und her diskutierten, veröffentlichte das DeepSeek Harness-Team einen langen Artikel mit dem Titel „Erkundung des Super-Agent-Designs“, in dem erörtert wurde, wie Agents langfristig online bleiben, Arbeiten aktiv übernehmen und untereinander zusammenarbeiten können.

Ein Satz im Artikel kann als der Kern des gesamten Werks betrachtet werden: „Die Obergrenze für Einzelaufgaben hängt von der Fähigkeit des Modells ab, die Obergrenze für Mehrfachaufgaben hängt von der Aufmerksamkeit des Menschen ab.“ DeepSeek hat festgestellt, dass eine Person im Grunde das Limit erreicht, wenn sie gleichzeitig 3 bis 5 Agents betreut. Um die Effizienz weiter zu steigern, müssen sich die Agents selbst organisieren, und der Mensch tritt bewusst in die zweite Reihe zurück.

Wir sind auf LobeHub aufmerksam geworden, nachdem wir diesen Artikel gelesen hatten. Damals wollten wir wissen, wie weit dieses Design in der Branche bereits fortgeschritten ist, und prüften daher die vorhandenen Produkte einzeln anhand der von DeepSeek aufgeführten Richtungen.

Die Designs, die dafür sorgen, dass Agents Aufgaben verteilen, Probleme auch ohne Erinnerung aktiv bearbeiten, im Gruppenchat nur wichtige Fortschritte melden und Agents dauerhaft in der Cloud verbleiben, während der Code auf dem lokalen Computer ausgeführt wird, sind größtenteils bereits in den von LobeHub veröffentlichten Produkten vorhanden und werden im eigenen Team täglich verwendet. Der Austausch um vier Uhr morgens ist ein Abbild dieser alltäglichen Praxis.

Nach Kenntnisstand hat dieses Team seit drei Monaten keinen Entwicklerserver mehr lokal gestartet. Für Programmierer ist das Starten des Dienstes auf dem eigenen Computer nach dem Schreiben des Codes, das Öffnen der Seite zur schrittweisen Überprüfung und die Bestätigung, dass das Programm normal läuft und die Wirkung den Erwartungen entspricht, eine Arbeit, die fast täglich Dutzende Male wiederholt wird. Das Team von LobeHub hat diese Angelegenheit jedoch vollständig an Agents übergeben.

Dies hat uns auch neugierig gemacht: Wenn KI beginnt, KI zu verwalten, wie viele Mitarbeiter braucht ein Softwareunternehmen, um die Arbeit zu koordinieren, und welche Rolle spielt der Mensch dabei?

01

Der Vorgesetzte ist ein Agent

In der Discord-Gruppe von LobeHub gibt es ein Mitglied namens Nasa, das der leitende Agent des gesamten Forschungs- und Entwicklungsteams ist. Der Merge-Request wurde ursprünglich von ihm initiiert. Die tägliche Arbeit von Nasa ähnelt stark der eines Projektmanagers: Er überprüft regelmäßig das Aufgaben-Board, ermittelt Angelegenheiten, deren Fortschritt behindert ist, untersucht bei neuen Problemen zuerst die Ursache gründlich, entscheidet dann, wem er sie zur Bearbeitung übergeben soll, und kehrt nach Abschluss der Aufgabe zur Gruppe zurück, um das Ergebnis zu melden.

Der Ausgangspunkt von #21852 ist genau das Problem, das Nasa gründlich untersucht hat. Er hat dieses Problem zu einer Aufgabe mit der Nummer T-1149 zusammengestellt und sie einem ausführenden Agent namens Dario zugewiesen, der auf Claude Code läuft.

Nasa hat noch mehrere solcher ausführenden Rollen unter sich, die auf verschiedenen Frameworks laufen und jeweils für einen Teil der Arbeit verantwortlich sind. Diese Aufteilung war nicht von Anfang an fertiggestellt. In der Anfangsphase konnten die Agent-Mitarbeiter nach Abschluss der Arbeit direkt in der Gruppe sprechen. Mehrere Agents meldeten sich abwechselnd, und der Gruppenchat wurde schnell von Nachrichten überflutet.

Das LobeHub-Team beschrieb diese Zeit als „voller Lärm“. Später legte das Team Regeln fest: Ein leitender Agent namens Nasa wurde eingerichtet, andere Agents berichten nur an Nasa, und Nasa kommuniziert einheitlich nach außen. Erst dann wurde die Gruppe wieder ruhig.

DeepSeek nennt diese Struktur in seinem Artikel eine Router/Worker-Doppelschichtarchitektur. Der ständig anwesende Router ist für die Kommunikation und Aufgabenverteilung verantwortlich, die Worker konzentrieren sich auf die Ausführung, und in der Gruppe werden nur Angelegenheiten besprochen, die von Menschen entschieden werden müssen. Die eine Seite wurde aus der Perspektive des Systemdesigns abgeleitet, die andere wurde im Lärm des Gruppenchats erprobt – die Schlussfolgerungen beider sind sehr ähnlich.

Doppelschichtarchitektur: Die Router-Schicht ist einheitlich für das Routing und die externe Interaktion verantwortlich, mehrere Worker-Sitzungen sind isoliert und führen Aufgaben parallel aus.

Neben der Berichtsbeziehung gibt es auch eine klare Aufgabenteilung zwischen den Agents von LobeHub. Nachdem der Design-Agent das Design fertiggestellt hat, erinnert er den Entwicklungs-Agent in der Gruppe an die Übergabe des gesamten Hintergrunds und führt die Frontendentwicklung nicht selbst durch, da die Arbeitsumgebung und die Werkzeuge des Entwicklungs-Agents besser für diese Angelegenheit geeignet sind. Was jeder Agent verantwortet und an wen er sich in welchen Situationen wenden soll, ist in einem freigegebenen Dokument festgelegt. Nachdem die Agents es gelesen haben, kennen sie ihre eigenen Pflichten.

Jede Aufgabe hat zwei Positionen: eine für den ausführenden Agent, eine für den Verantwortlichen. Der Verantwortliche kann ein Mensch oder ein anderer Agent sein. Bei LobeHub gibt es eine interne Aussage: Wenn die Fähigkeit des Agents schwach ist, sitzt der Mensch auf dem Fahrersitz; wenn die Fähigkeit des Agents stark ist, wechselt der Mensch auf den Beifahrersitz.

Ein weiterer Schlüssel für den reibungslosen Betrieb der Agent-Armee von LobeHub ist die Eigeninitiative. Gewöhnliche Chat-Assistenten reagieren erst, wenn der Mensch sie anspricht. Bei LobeHub heißt es dagegen, dass seine Agents ständig in der Arbeitsgruppe bleiben und relevante Angelegenheiten aktiv übernehmen, sobald sie davon hören.

Um dies zu überprüfen, haben wir eine neue Testgruppe in Feishu erstellt, bei der ein Redakteur mit seinem eigenen Konto einen Kollegen spielt, und dem leitenden Agent einen ausführenden Agenten zugewiesen, der für Themenauswahl verantwortlich ist und den Namen „Themenausführender“ erhält. Vor dem Test haben wir die Gruppen, die er überwacht, und seinen Verantwortungsbereich eingeschränkt, die beiden Schlüsselwörter „niemand sortiert“ und „niemand verfolgt“ festgelegt und festgelegt, dass er nach Erhalt der Arbeit automatisch Aufgaben erstellen, zuweisen und starten soll.

Nachdem alles vorbereitet war, sendete dieser Redakteur einen Satz in die Gruppe: „Die Themenliste dieser Woche ist noch niemand sortiert“, und fügte drei Kandidatenrichtungen an, ohne jemanden oder einen Roboter zu @erwähnen.

Ab dem Zeitpunkt, an dem dieser Satz gesendet wurde, erschien etwa 12 Sekunden später eine neue Aufgabe T-1 im System, und in weniger als 40 Sekunden erhielt die Gruppe die Antwort des Leiters, dass er die Aufgabe übernommen hat.

Der Leiter übergab die Aufgabe an den Themenausführenden. Der Ausführende führte in der ersten Runde 26 Schritte aus, und in weniger als 4 Minuten veröffentlichte die Gruppe das sortierte Ergebnis und den Link. Während des gesamten Prozesses erschienen nur zwei Nachrichten in der Gruppe: eine zur Übernahme der Aufgabe, eine zur Lieferung. Die vollständige Tabelle und der Ausführungsprozess verblieben auf der Aufgabenseite, und alle 4 systemeigenen Akzeptanzprüfungen wurden bestanden.

Um zu sehen, ob er auch Smalltalk als Arbeit betrachten und die Gruppenmitglieder stören würde, sagten wir erneut in der Gruppe: „Das Bücherregal bei mir zu Hause ist noch niemand sortiert.“ Er bemerkte nicht, dass dies der menschliche Humor war, und antwortete ernst: „Die Angelegenheit mit dem Bücherregal gehört nicht zum Themenauswahlprozess, keine Aufgabe erstellen.“

Derzeit ist die Empfindlichkeit der Pflichten dieses Agents auf 0,65 eingestellt. Schlüsselwörter und Teilnahmefrequenz können angepasst werden, aber die Wirkung nach der Anpassung wurde dieses Mal nicht rechtzeitig überprüft.

02

KI entwickelt KI

Die Verbindung zwischen LobeHub und DeepSeek reicht tatsächlich weiter zurück. Um das Frühlingsfest 2025 herum verwendeten die von DeepSeek veröffentlichten Versionen wie V3 und R1 LobeHub wiederholt, um die tiefgreifenden Denkfähigkeiten und Werkzeugaufruffähigkeiten des Modells zu demonstrieren.

Damals hieß LobeHub noch LobeChat, war gerade zwei Jahre alt und war eine Open-Source-Chat-O