🌱 دِ پی اِم

آشنایی با LobeHub، ساختن برای آینده

زمان تقریبی مطالعه: 5 دقیقه

چکیده

چند روزی است که از LobeHub استفاده می‌کنم؛ یک محیط opensource برای ساختن یک Workspace شخصی با مدل‌های مختلف ai.

چیزی که برای من جذاب بود فقط یک Chat UI دیگر نبود؛ بلکه امکان ترکیب llm های مختلف، agent ها، mcp، حافظه، ابزارها و مدل‌های Local در یک محیط واحد بود.

شروع ماجرا؛ چرا دنبال یک محیط شخصی برای AI بودم؟

در سال های اخیر استفاده من از هوش مصنوعی تغییر کرده است.
قبلاً AI برای من فقط یک ابزار پرسش و پاسخ بود.
یک سؤال می‌پرسیدم، جواب می‌گرفتم و تمام.
اما کم‌کم تبدیل شد به بخشی از سیستم کاری من:

  • تحقیق
  • ایده‌پردازی
  • نوشتن
  • تحلیل محصول
  • یادگیری
  • ساخت نمونه اولیه
    و اینجا بود که یک مشکل جدی خودش را نشان داد.
    من از چند مدل مختلف استفاده می‌کردم:
  • Gemini
  • Qwen
  • DeepSeek
  • Z AI
  • مدل‌های Local
    هر کدام ویژگی خاص خودشان را داشتند.
    یکی برای تحلیل بهتر بود.
    یکی برای کدنویسی.
    یکی برای تولید محتوا.
    اما همه این‌ها جدا از هم بودند.

Quote

مشکل آینده AI کمبود مدل نیست؛ مشکل، مدیریت ارتباط ما با این مدل‌هاست.

مشکل بزرگ: Memory و Context

وقتی با یک AI کار می‌کنیم، چیزی که اهمیت پیدا می‌کند فقط قدرت مدل نیست.
چیزی که اهمیت پیدا میکند context است.
فرض کنید یک دستیار دیجیتال دارید که هر روز با شما کار می‌کند.
بعد از مدتی انتظار دارید بداند:

  • روی چه پروژه‌ای هستید
  • سبک کاری شما چیست
  • چه ابزارهایی استفاده می‌کنید
  • چه تصمیم‌هایی گرفته‌اید
    اما وقتی بین چند Chatbot مختلف جابه‌جا می‌شوید، این دانش پراکنده می‌شود.
    هر مدل یک جزیره جداست.

از Chatbot به Agent

وقتی با مفهوم agent آشنا شدم، دید من نسبت به AI تغییر کرد.
امروزه Agent دیگر فقط یک مدل پاسخ‌دهنده نیست.
بلکه یک سیستم است که می‌تواند:

  • هدف داشته باشد
  • ابزار داشته باشد
  • حافظه داشته باشد
  • workflow بسازد
    در واقع مسیر AI از:
    “یک مدل که جواب می‌دهد”
    به:
    “یک دستیار که کار انجام می‌دهد”
    در حال حرکت است.

این ابزار یا همون LobeHub چیست؟

این ابزار lobehub یک پلتفرم Open Source برای ساخت یک محیط شخصی کار با هوش مصنوعی است.
این پروژه امکان استفاده از مدل‌های مختلف، Agent Builder، اتصال ابزارها، پشتیبانی از مدل‌های Local و مدیریت قابلیت‌هایی مثل MCP را فراهم می‌کند.
درواقع LobeHub خودش یک مدل AI نیست.
بلکه یک لایه مدیریت و تجربه کاربری روی مدل‌هاست.
مثل یک سیستم‌عامل برای AIهای مختلف.

چرا LobeHub برای من جذاب شد؟

من دنبال سه ویژگی بودم:

  1. selfhosting
  2. آزادی انتخاب مدل
  3. کنترل روی داده‌ها
    الان LobeHub این امکان را می‌دهد که هم از مدل‌های Cloud استفاده کنید و هم مدل‌های Local خودتان را وارد کنید.
    یعنی می‌توانم:
    برای بعضی کارها از API استفاده کنم.
    برای بعضی کارهای دیگر مدل Local داشته باشم.

استفاده از MCP، وصل کردن AI به ابزارها

یکی از مهم‌ترین اتفاق‌های دنیای Agentها، mcp یا Model Context Protocol است.
ایده MCP این است که AI فقط متن تولید نکند.
بلکه بتواند با ابزارهای بیرونی ارتباط برقرار کند.
مثلاً:

  • GitHub
  • فایل‌ها
  • سرویس‌ها
  • APIها
  • ابزارهای کاری
    را بشناسد.
    تجربه روز اولی که با MCP اشنا شدم رو اینجا نوشتم یار خوب LLMها، MCP
    درواقه LobeHub از MCP Plugin و Marketplace پشتیبانی می‌کند و هدف آن ساده‌تر کردن اتصال Agentها به ابزارهای مختلف است.

Skills و Marketplace

در دنیای Agentها، قابلیت‌ها معمولاً به شکل skill اضافه می‌شوند.
یعنی شما می‌توانید به Agent خود توانایی‌های جدید بدهید.
مثلاً:

  • تحلیل داده
  • جستجو
  • کار با فایل‌ها
  • اتصال به سرویس‌ها
    داخل این برنامه یک Marketplace وجود دارد که باعث می‌شود اضافه کردن این قابلیت‌ها ساده‌تر شود و نیاز نباشد همه چیز را دستی نصب کنید. همچنین اگر کسی Skill منتشر کرده بود که به درد شما هم میخورد به سادگی و با یک کلیک میتونید شما هم نصب و استفاده اش کنید.

نصب LobeHub به صورت Local با Docker

یکی از دلایلی که LobeHub برای من جذاب شد، سادگی راه‌اندازی آن بود.
برای نصب Local نیاز دارید:

  • Docker
  • Docker Compose
    داشته باشید.

نصب Docker

در Ubuntu:

sudo apt update
sudo apt install docker.io docker-compose-plugin

دریافت LobeHub

یک فولدر بسازید:

mkdir lobehubcd lobehub

اجرای LobeHub با Docker Compose

فایل compose را آماده کنید و سرویس را اجرا کنید:

docker compose up -d

بعد از اجرا:

docker ps

را بزنید تا وضعیت سرویس را ببینید.

ورود به پنل

معمولاً از طریق:

http://localhost:3210

قابل دسترسی است.

اتصال API مدل‌ها

بعد از ورود:
Settings
→ Provider
→ API Key
می‌توانید مدل‌های مختلف را اضافه کنید.
برای مثال:

  • Gemini API
  • DeepSeek API
  • OpenAI Compatible API

اتصال مدل Local

اگر از ابزارهایی مثل Ollama استفاده کنید، می‌توانید مدل‌های Local را هم وارد کنید.
در این حالت معماری شما شبیه این می‌شود:

LobeHub
   |
   |
-----------------
|       |       |
Cloud  Local   Tools
AI     LLM     MCP

نسخه آنلاین

اگر علاقه‌ای به Self-host ندارید، می‌توانید از نسخه Cloud استفاده کنید.
برای شروع سریع کافی است یک حساب بسازید.

آینده AI شخصی

چیزی که از این تجربه گرفتم این است که آینده احتمالاً فقط رقابت بین مدل‌ها نیست.
موضوع اصلی personalai خواهد بود.
اینکه AI شما چه چیزی درباره شما می‌د`اند؟
چه ابزارهایی دارد؟
چگونه ساخته شده؟
و چطور با Workflow شما هماهنگ شده؟

نتیجه گیری

در نهایت LobeHub برای من فقط یک Chatbot جدید نبود.

چیزی که پیدا کردم یک قدم به سمت ساختن یک سیستم AI شخصی بود؛ جایی که مدل‌ها، ابزارها، حافظه و Agentها کنار هم قرار می‌گیرند.

شاید هنوز کامل‌ترین راه‌حل نباشد، اما مسیرش همان چیزی است که فکر می‌کنم آینده استفاده از AI خواهد بود.

منابع:

نمای گراف