コンテンツにスキップ
メインサイト ニュース コンソール

8万StarのOSS企業をAIが引き継ぐ:コーディング・タスク配分・バグ修正まで全代行

· 量子位
国内AI

Workerが足りなければマネージャーAgentが自ら採用!

文婷 発信元:凹非寺
量子位 | 公式アカウント QbitAI

1人のAI編集長が3人のAI編集者を率い、それぞれ最先端の基盤モデル、オープンソースプロジェクト、大手テック企業の人事動向を注視する。

私が企画の要件を編集長AgentのSiennaに投げると、瞬く間にタスクを分解し、割り振り、進捗確認から取りまとめまでを一気呵成に進めた。

わずか8分足らずで、6本の撮って出しのAI企画案が上がってきたのだ。

いや、お茶を淹れ終わる間もなく、1日分の企画業務があっという間に片付いてしまったというのか?!

半年前から、LobeHubチームは自社のAIコラボレーションプラットフォームを用いた開発を開始し、Agentにタスクの割り振り、コーディング、さらにはバグの調査・特定まで担当させてきた。

現在、AIはすでにLobeHubチームの開発フローにおける常駐メンバーとなっている。

FrontierHarnessが提供する30のソフトウェアエンジニアリングタスクにおいて、最適化された同社のAgent HarnessはKimi K3と連携して21のタスクを達成。通過率は**70%に達し、成功タスク1件あたりのコスト中央値は1.68ドル(約11.21人民元)**と、CodexやClaude Codeを凌駕した。

Image 3

驚くべきことに、DeepSeekが最近になってようやくSuper-Agentアーキテクチャの探索を進めているのに対し、LobeHubはすでに5月の時点で同様のヒューマン・マシン・コラボレーションのコンセプトを製品化し、さらにはオープンソースとして公開していたのだ!

現在、LobeHubチームはこの協調ワークフローを日常の開発業務に組み込んでおり、Agentが自律的にタスクを分解して割り振り、コードを書き、レビューや修正をサポートしている。

GitHubにおいて、LobeHubは現時点で8.44万Starを獲得している。

Image 4

では、LobeHubはいかにしてAgentを単独稼働からチーム連携へと導いたのか? その連携の精度はどれほどのものなのか? そして、実際の業務をどこまで推進できるのだろうか?

AIがAIを開発し、LobeHubが自身を開発する

AIがAIにタスクを割り振り、AIがAIのコードをレビューする。

このような協調作業の光景は、LobeHubの開発チームにとってすでに日常茶飯事となっている。

10月28日に提出されたある開発タスクを例に見てみよう。

当時、チームはタスク管理ツールおよびCLIに新機能を追加し、Agentがタスクを作成する際に呼び出すモデルを直接指定できるようにしたいと考えていた。

そこで彼らは、このタスクをマネージャーAgentのNasaに託した。

要件を受け取ったNasaは、迅速に「T-1149」という番号のタスクを作成し、該当するコーディングAgentのDarioに割り当てた。

オーダーを受け取ったDarioは、直ちにコーディングを開始。機能実装からテストコードの追加、実行結果の検証までを一気通貫で進め、最終的に標準的なPull Request(番号:#21852)をスムーズに作成した。

Image 5

△ Nasaのタスク割り当てログと、DarioによるPRの提出

だが、プロセスはこれで終わりではない。

コードが提出された直後、別のAI同僚が「品質チェック」に駆けつけた——今回登場したのはOpenAIのCodexコードレビューBotだ。

Codexは新しく提出されたコードを綿密に精査し、迅速にいくつかの最適化すべき欠陥を指摘した。

Darioはすぐさまこれに対応し、レビューのフィードバックに従ってコードを修正、テストケースを追加して再提出した。

このようにして、CodexとDarioは現実世界のソフトウェアエンジニアとコードレビュアーさながらに、一方が作成し、もう一方がアラを探すという形で、何巡ものイテレーションを重ねてブラッシュアップを行っていった。

最終的にこのPRは人間のレビューをパスし、LobeHubのメインブランチへとマージされた。完全自律型のAI開発協調パイプラインが正常に機能した瞬間である。

Image 6

Image 7

△ Codexによるレビューのフィードバック、Darioの修正履歴、PRのマージステータス

さらに興味深いのは、LobeHubのAgentは単一プロジェクト内のスタンドアロンな作業にとどまらず、自発的にプロジェクトの垣根を越え、他のAIと連携して問題解決に取り組み始めた点だ。

例えば、Agent-foundryプロジェクトにおいてlobe-uiコンポーネントライブラリにカスタムニュートラルカラーのサポートを追加する必要が生じたとする。従来のプロセスであれば、双方の開発者による煩雑な要件定義、スケジュール調整、バージョン通知を経なければならなかった。

しかし今回の実践では、2つのプロジェクトのAgent同士が自律的に直接連携を完了させた。

一方がインターフェースの要件を提示し、もう一方がコードの修正を進める。lobe-ui 6.0.1のリリースに伴い、アップストリームプロジェクト側にも依存関係の更新通知が自動で届き、新機能がシームレスに統合されたのだ。

Image 8

△ プロジェクト横断でのAgent間コミュニケーション履歴とコンポーネントのリリース履歴

かつてはリポジトリ間を人間が行き来して伝言係を務める必要があったが、今やAgent自らがアップストリームとダウンストリームの連携パイプラインを開通させている。

LobeHubチームもその効率化の恩恵を如実に享受している。ある開発メンバーによると、彼はすでにまるまる3か月間、ローカル環境で開発サーバー(Dev Server)を起動していないという。実際の体感値として、この協調モデルを導入したことで、総合的な開発効率は約3〜5倍向上したとのことだ。

自分たちで作り上げたAIが、自社システムのイテレーションに還元され、さらにはプロジェクトを跨いで他の自律型エージェントのスケジュール調整まで行うことで、部門間・工程間のコミュニケーションロスを効果的に解消している。

では、ここで疑問が生じる。

もしこのシステムをテック系メディアの編集者に預けたら、どのような化学反応が起きるのだろうか?

Image 9

そこで私は、LobeHubを使って自ら「AI編集部」を立ち上げてみることにした!

この協調メカニズムがソフトウェア開発の枠を超えて汎用的に機能するかを検証するため、馴染みのあるテック記事の取材・編集ワークフローをベースにAI編集チームを編成し、2ラウンドの実戦テストを課してみた:

  • ラウンド1:AI編集長が部下の編集者を統括して企画ネタを掘り起こし、完全な企画ブリーフィング資料を作成・提出する。
  • ラウンド2:提出されたブリーフィングの成果物をインプットとして次の工程へ直接流し込み、Agentを駆動させてインタラクティブな最新トレンドニュースページを構築する。

実証テストのスタートだ。

Image 10

実戦テスト1:AIに「量子位」の編集長をやらせてみる

まず、LobeHub上で小規模な取材・編集チームを立ち上げた:

企画編集長のSiennaが全体統括とタスクのオーケストレーションを担い、その配下に異なる強みを持つ3名のAI編集者を配置した:

  • Gemini 4 Argon:大手テック企業の人事異動や経営陣の動向をマーク。
  • Claude:オープンソースの「スカウト」として、GitHubコミュニティの有望プロジェクトを深掘り。
  • DeepSeek:技術フロンティアにフォーカスし、主要基盤モデルの重要リリースやアップデートを追跡。

Image 11

準備が整ったところで、Siennaに要件プロンプトを投げた:

「人事異動」「新モデルのリリース」「注目のオープンソースプロジェクト」の3つの軸から、記事化する価値のある最新動向をそれぞれ2本ずつ発掘してください。
ターゲット読者は、基盤モデルや具身知能(エンボディドAI)などの先端技術を日頃からフォローしており、毎日5〜10分で業界の価値ある情報を素早くインプットしたい専門層です。
速報性と情報密度を両立させ、ありきたりな内容、初歩的な解説、単なる企業PR記事は避けてください。
各ジャンル厳選2本、計6本とします。 各項目には、候補タイトル、情報の日付、主要な事実、推薦理由、検証可能な一次ソースのリンクを明記してください。

指示を出した後、私はプロセスへの介入を一切やめた。

Siennaは即座に大きな目標を3つのサブタスクへ分解し、担当のAI編集者へ並行して割り当てた。

驚くべきことに、所要時間は8分足らずで、3人のAI編集者が構造化された企画案とソースリンクを携えて次々と編集長へ報告を返してきた。

さらに際立っていたのは、Siennaのクオリティコントロール能力だ。

各メンバーからの報告に対し、Siennaは機械的にまとめるのではなく、1件ずつ基準に照らし合わせて検証した。情報源の信頼度が曖昧であったり、一次ソースへのリンクが欠けている項目については、自動的に受入基準の不備リストを作成。私の確認を取った上で、該当するAgentに「ソース基準の不備。再リサーチを命ず!」と直接リワークの指示を出したのだ。

Image 12

最終的に納品されたタスクダッシュボードは目を見張る完成度だった:

6本の最新トレンド動向をまとめた企画ブリーフィングが整然とリストアップされ、候補タイトル、タイムスタンプ、主要な事実、推薦ロジック、一次ソースがすべて揃っていた。さらに、3人の編集者のタスク実行報告書も添付され、人間による二次確認を推奨する重要ポイントまで明記されていた。

資料の提出後、私は人事動向を追尾していたAgentに不意に突っ込んだ質問を投げてみた:

「Tiboは最近結局どこに行ったの? なんでまだ投稿がないわけ?」

そのAgentは「ハルシネーション」を起こしたり「Tiboとは誰か」と聞き返したりすることなく、文脈のコンテキストに沿って素早く検索し、Tiboの配置転換のサイクルと公の行動履歴をロジカルに整理して回答した。それどころか、自発的に企画の切り口まで提案してきたのだ:

「Tiboと、最近彼のチームに加わったCat Wuを併せて取材・報道することをお勧めします。その方が反響が高まるはずです。」

タスクの割り振り、レビュー、集約ができるだけでなく、突発的な追加の問いかけにも対応し、業界の特性に応じた企画の派生案までプロアクティブに提案してくる——このAI協調メンバーたちは、すでに相当なビジネス理解力を備えていると言える。

実戦テスト2:資料提出直後、即座に次のWeb構築へバトンタッチ。現場での「オンデマンド採用」まで

企画ブリーフィングを受け取った後、私はSiennaにさらなる要求を投げた:

先ほど作成された企画ブリーフィングを直接流用し、フィルタリング、検索、一次ソースへのリンク遷移が可能な動的トレンドニュースWebページを開発すること。同時に、厳格な制約として「Webからの再スクレイピングは禁止し、前フェーズの取材・編集成果を完全に引き継ぐこと」を課した。

Image 13

当初は、Siennaが既存の人事や技術担当の編集Agentをそのまま使って作業を進めるだろうと考えていたが、そのタスクスケジューリングのロジックは予想を裏切るものだった:

内部評価の結果、現在の編集系Agentのスキルセットはフロントエンドエンジニアリングに適していないと判断したのだ。

Image 14

既存メンバーの能力がマッチしない? ならばその場でロールを動的に生成すればいい!

タスク開始からおよそ10分以内、Siennaは自律的に2人の新しいWorkerをインスタンス化した:

  • 「量子位ブリーフィングWeb開発」:フロントエンドのロジックとページ実装を専門に担当。
  • 「量子位Web独立QA」:成果物の品質検証と受入テストを専門に担当。

Image 15

新しく作成されたWorkerは、前ラウンドで出力された6件の構造化された企画データを直接マウントし、テキストのすり合わせ、Web構築、QA品質テストを手分けして推進した。人間のユーザーが再度コンテキストを入力し直す必要は一切ない。

瞬く間に構造化されたフロントエンド設定が先行して適用され、4項目の事前チェックをパス。開発Workerが即座にページのコードを書き出し、同時にQA Agentがレンダリングとレスポンシブ表示に関する2点の不具合を指摘。開発Workerはそのフィードバックをもとに素早くピンポイントの修正を完了させた。

最終的に、検索・フィルター機能を備えたニュースダッシュボードが無事生成され、全プロセスはおよそ30分で完了した。

Siennaはタスクの目標に応じて組織構造を動的に割り当て、スキルの不足を自律的に判断し、コンテキストを引き継ぐ能力をまざまざと見せつけた。この全プロセスを通じて、人間のユーザーは要所での確認と判断を下すだけで済んだのだ。

PCを閉じても、なぜこのAgentたちは動き続けられるのか?

なぜ動的に生成されたWorkerが、前フェーズのコンテキストとデータをシームレスに再利用できたのだろうか?

その核心は、**LobeHubが構築した統合共有ワークスペース(Shared Workspace)**にある。

システムは、最上位のゴール、タスクの進捗、成果物ファイル、受入ログを統一された状態管理の下に集約している。マネージャーAgentは既存のアセットをもとに後続のパイプラインをオーケストレーションでき、タスクを引き継いだWorkerも現在の工程におけるコンテキスト入力や成果物の仕様を正確に把握できるため、フェーズ間の情報分断を防ぐことができるのだ。

では、タスクの割り振り、動的採用、プロジェクト横断の連携を可能にする協調アーキテクチャは、水面下でどのように機能しているのか?

Image 16

そのコアメカニズムは主に以下の3つの要素で構成されている:

第1に、Agentのライフサイクルを単一の会話セッションウィンドウから切り離したこと。

LobeHubは、継続的なタスク推論を担うAgent Loop、会話のコンテキストを保持するSession、そしてツール呼び出しを行う実行サンドボックスをレイヤーごとに分離・分離(デカップリング)している。エンドユーザーがブラウザの画面を閉じたとしても、Agentのタスクが中断することはない。永続化された実行環境さえ維持されていれば、システムはバックグラウンドで状態ツリーを着実に進め、成果物を適切にアーカイブすることができる。

LobeHubチームが実施したクライアントデータの移行テストでは、Agent協調クラスタが2日3時間47分にわたってノンストップで稼働を継続。その間、自動的に60個のサブタスクを派生させ、56回のデータ移行処理を自律的に完遂させた。

Image 17

△ 長期Goalの実行ログ

第2に、統合状態ツリーを活用したマルチエージェントのリレー協調の担保。

作業目標、実行進捗、中間成果物を構造化してマッピングすることで、下流のAgentが上流の出力をシームレスに引き継ぐことを可能にし、「企画ブリーフィングの作成」から「ワンクリックでのトレンドWebアプリ構築」に至るマルチステージの複合パイプラインを安定してサポートする。

第3に、Acceptance(受入)マルチモーダル自動受入テスト体系の導入。

成果物の引き渡しフェーズにおいて、Agentはコードやテキストの結果を出力するだけでなく、E2Eテストケース、UIのスクリーンショット、動作検証の画面録画といったマルチモーダルな検証エビデンスを自動で添付する。

人間のスーパーバイザーはビジュアルインターフェース上で実際の結果を直感的に評価でき、不具合があれば直接アノテーションを付けてリファクタリングを指示できる。そして品質基準を満たした段階で正式なマージを承認する。第2ラウンドの実戦テストにおいても、Webのコードは事前に設定された各種バリデーションを完全に通過して初めて納品完了とマークされた。Agentによる自律的な高頻度イテレーションを維持しつつ、人間が常に最終的な受入と意思決定のコントロール権(Human-in-the-loop)を握り続ける仕組みを担保している。

Image 18

△ Acceptance 受入メカニズム

こうして、自律的な協調と厳格な品質管理を両立させたMulti-Agentワークフローが完全に閉ループとして確立された。

LobeChatからLobeHubへ:着実にAIを社内へと組み込んできた歩み

LobeHubのマルチエージェント協調能力は、一朝一夕に成し遂げられたものではない。

2023年、チームはAI対話クライアントであるLobeChatをオープンソースとして公開。その後、段階的にTool Calling(ツール呼び出し)、外部ナレッジベース検索、Agentワークフロープラグインを統合し、大規模言語モデルを単なるチャットウィンドウの枠組みから脱却させてきた。

2026年1月には、LobeHub 2.0がAgent Group(マルチエージェントクラスタ)と長期・短期記憶メカニズム(Memory)を正式にローンチし、スタンドアロンなインタラクションから集団協調へのシフトを推進。

同年5月、システムは**CAO(Chief Agent Officer:最高自律エージェント責任者)**によるオーケストレーション能力を導入し、目標の分解、人員の配置、異なるエンティティ間の協調をAIマネージャーが自律的に決定できるようになった。

Image 19

このアーキテクチャの思考は、最近業界で議論されているDeepSeek Super-Agent体系の潮流とも共鳴している。そしてLobeHubは、半年前の時点でこの人間とマシンの協調プロトタイプを製品として具現化し、完全にオープンソース化することで、開発者がセルフホスト可能なエンジニアリングのひな形を提供していたのだ。

さらに参考となるのは、同チームが組織の次元で進めてきた自律的イテレーションだ。自らAgentシステムを構築し、それを用いて自身のエンジニアリングを逆方向に支え、テストコードの作成、PRのレビューからリポジトリを跨いだタスクリレーに至るまで、本番の実業務環境へと真に溶け込ませている。

未来に向けて、LobeHubは**Self-Driving Organizations(自律駆動型組織)**という進化のビジョンを掲げている。

同社が定義するL1からL5の自動化ロードマップによれば、同社の研究開発中枢は現在すでにL3の協調フェーズへと全面的に突入しており、自律的なタスク割り当て、ドメインを越えたリレー、閉ループの受入検査を特徴とするL4レベルの自律型ビジネスモデルへと着実に歩みを進めている。

#国内AI#AI智能体#4Allapi.com

4All API チームによる投稿

原文リンク:https://www.qbitai.com/2026/11/508607.html

主流 AI モデル API をお探しですか?4All API は OpenAI / Anthropic / Google Gemini / Qwen / DeepSeek など数十種類のモデルを単一の API キーで呼び出せます。公式準拠の価格、エンタープライズ品質の通信路、5 分で接続完了。

4All API コンソールに登録 →