LobeChat یکی از شناخته‌شده‌ترین رابط‌های متن‌باز برای ساخت یک محیط گفتگوی شخصی شبیه ChatGPT بود. این پروژه در سال ۲۰۲۶ با نام LobeHub و با تمرکز گسترده‌تر بر Agentهای هوش مصنوعی، حافظه شخصی، همکاری میان Agentها و اجرای وظایف ادامه پیدا کرد.

به همین دلیل ممکن است هنگام جست‌وجو با هر دو نام روبه‌رو شوید:

• LobeChat نام قدیمی و همچنان پرجست‌وجوی پروژه است.
• LobeHub نام فعلی پلتفرم و Repository رسمی آن است.

LobeHub را می‌توان روی سرور یا کامپیوتر شخصی نصب کرد و به ارائه‌دهندگان مختلف مدل‌های هوش مصنوعی متصل شد. این پلتفرم از آدرس جایگزین برای API سازگار با OpenAI پشتیبانی می‌کند؛ بنابراین می‌توان آن را مستقیماً به API درواره متصل کرد.

در این آموزش نسخه Self-hosted پلتفرم را با Docker Compose نصب می‌کنیم، مدل‌های درواره را به آن اضافه می‌کنیم و یک دستیار هوش مصنوعی شخصی می‌سازیم.

LobeChat چیست و چرا به LobeHub تغییر نام داد؟

LobeChat در ابتدا یک رابط گفتگوی تحت وب برای استفاده از مدل‌های مختلف هوش مصنوعی بود. کاربران می‌توانستند مدل‌های متنوع را در یک محیط واحد انتخاب کنند، دستیارهای سفارشی بسازند و گفتگوهای خود را مدیریت کنند.

در نسخه جدید، هدف پروژه از یک رابط چت فراتر رفته است. LobeHub تلاش می‌کند محیطی برای مدیریت Agentهای هوش مصنوعی ایجاد کند؛ Agentهایی که می‌توانند حافظه، دانش، ابزار، شخصیت و وظایف اختصاصی داشته باشند.

در معرفی رسمی سال ۲۰۲۶، تیم پروژه اعلام کرد LobeChat اولیه به LobeHub تبدیل شده و تمرکز آن از «گفتگو با مدل‌ها» به «کار و همکاری با Agentها» گسترش یافته است. معرفی رسمی LobeHub

در این مقاله برای پوشش جست‌وجوهای رایج، از هر دو نام LobeChat و LobeHub استفاده می‌کنیم؛ اما تمام مراحل نصب براساس نسخه جدید LobeHub هستند.

LobeHub چه کاربردی دارد؟

LobeHub را می‌توان برای کاربردهای مختلف استفاده کرد:

• ساخت جایگزین شخصی برای ChatGPT
• گفتگو با مدل‌های مختلف در یک رابط واحد
• ساخت Agent با دستور سیستمی اختصاصی
• ایجاد دستیار تولید محتوا
• ساخت دستیار برنامه‌نویسی
• مدیریت گفتگوها و موضوعات
• استفاده از فایل و پایگاه دانش
• اتصال ابزارهای MCP
• ساخت چند Agent برای وظایف متفاوت
• استفاده از مدل‌های ابری و محلی
• نگهداری حافظه و تنظیمات شخصی Agentها
• ساخت محیط گفتگوی داخلی برای تیم
• اتصال نسخه دسکتاپ به سرور Self-hosted

LobeHub خودِ مدل هوش مصنوعی نیست. این پلتفرم رابط، حافظه، Agent، ابزار و تنظیمات را مدیریت می‌کند و درخواست تولید پاسخ را برای مدل انتخاب‌شده ارسال می‌کند.

آیا LobeHub متن‌باز است؟

کد LobeHub به‌صورت عمومی در GitHub منتشر شده و نسخه Self-hosted دارد. بااین‌حال نسخه جدید پروژه از LobeHub Community License استفاده می‌کند و دیگر نباید آن را با مجوز قدیمی MIT پروژه LobeChat یکسان دانست.

برای استفاده شخصی و Self-hosting می‌توان نسخه جامعه را نصب کرد. اگر قصد بازفروش، ارائه سرویس تجاری مستقیم یا تغییر گسترده محصول را دارید، شرایط مجوز فعلی Repository را جداگانه بررسی کنید. مخزن رسمی LobeHub

چرا LobeHub برای کاربران ایرانی مناسب است؟

LobeHub را می‌توان روی زیرساخت تحت کنترل کاربر اجرا کرد. برای نصب نسخه Self-hosted الزام فنی به خرید مستقیم اشتراک خارجی وجود ندارد.

با اتصال LobeHub به درواره:

• هزینه استفاده از مدل‌ها به‌صورت ریالی پرداخت می‌شود.
• نیازی به خرید مستقیم اعتبار از چند Provider خارجی ندارید.
• از یک Base URL ثابت برای مدل‌های مختلف استفاده می‌کنید.
• می‌توانید فهرست مدل‌های در دسترس کاربران را کنترل کنید.
• تغییر مدل بدون تعویض رابط کاربری انجام می‌شود.
• اطلاعات برنامه، Agentها و گفتگوها روی زیرساخت شما ذخیره می‌شوند.
• می‌توانید در کنار مدل‌های ابری از مدل‌های محلی نیز استفاده کنید.

هنگام استفاده از مدل ابری، متن لازم برای پردازش به API مدل ارسال می‌شود. Self-hosted بودن رابط به‌تنهایی به معنی اجرای آفلاین مدل نیست.

تفاوت LobeHub با ChatGPT

LobeHub برای کاربری مناسب است که می‌خواهد کنترل بیشتری روی رابط، Providerها، مدل‌ها و اطلاعات برنامه داشته باشد. در مقابل، ChatGPT برای کاربری که نمی‌خواهد زیرساختی مدیریت کند، مسیر ساده‌تری دارد.

تفاوت LobeHub با LibreChat

LobeHub و LibreChat هر دو می‌توانند یک رابط چندمدلی Self-hosted ارائه دهند، اما تمرکز آن‌ها یکسان نیست.

اگر هدف اصلی شما ساخت یک رابط گفتگوی عمومی برای چند کاربر است، آموزش LibreChat را نیز مطالعه کنید.

اگر به Agentهای شخصی، حافظه، Marketplace، Knowledge Base و تجربه بصری Agent-first علاقه دارید، LobeHub انتخاب مناسب‌تری است.

معماری نسخه Self-hosted جدید LobeHub

نسخه کامل LobeHub فقط یک کانتینر ساده چت نیست و برای نگهداری اطلاعات به چند سرویس نیاز دارد:

LobeHub

رابط وب، منطق Agent، مدیریت گفتگو، Providerها و درخواست‌های مدل را اجرا می‌کند.

PostgreSQL

اطلاعات کاربران، Agentها، گفتگوها، تنظیمات و سایر داده‌های ساختاریافته را ذخیره می‌کند. نسخه مورد استفاده باید از Extensionهای موردنیاز مانند Vector Search پشتیبانی کند.

RustFS یا ذخیره‌ساز سازگار با S3

برای نگهداری فایل‌ها، تصاویر و اطلاعات مربوط به Knowledge Base استفاده می‌شود.

سرویس احراز هویت

نسخه Database برای جداسازی اطلاعات کاربران به سیستم احراز هویت نیاز دارد. اسکریپت رسمی نصب تنظیمات پایه موردنیاز را ایجاد می‌کند.

API درواره

درخواست‌های مدل زبانی از LobeHub به آدرس زیر ارسال می‌شوند:

https://api.darvareh.ir/v1

این معماری باعث می‌شود رابط، فایل‌ها و اطلاعات برنامه روی سرور شما باشند و فقط درخواست‌های مربوط به مدل به درواره ارسال شوند.

پیش‌نیازهای نصب

برای نصب کامل LobeHub به موارد زیر نیاز دارید:

• یک سیستم Linux یا macOS
• Windows به‌همراه WSL 2
• Docker
• Docker Compose
• حداقل ۴ گیگابایت RAM برای استفاده سبک
• حداقل ۲۰ گیگابایت فضای ذخیره‌سازی
• دسترسی به ترمینال
• حساب کاربری درواره
• کلید API درواره
• شناسه مدل‌های موردنظر

برای استفاده تیمی، حافظه ۸ گیگابایت یا بیشتر و فضای ذخیره‌سازی متناسب با حجم فایل‌ها انتخاب مناسب‌تری است. راهنمای رسمی برای نصب Docker Compose کامل، LobeHub، PostgreSQL و ذخیره‌ساز سازگار با S3 را در نظر می‌گیرد. راهنمای رسمی Docker Compose

مرحله اول: دریافت کلید API درواره

وارد درواره شوید و یک کلید API ایجاد کنید.

کلید را در Repository، کد Frontend یا فایل قابل‌اشتراک قرار ندهید. این کلید در فایل محیطی سرور ذخیره خواهد شد.

برای دریافت فهرست مدل‌ها از دستور زیر استفاده کنید:

curl https://api.darvareh.ir/v1/models \
  -H "Authorization: Bearer YOUR_DARVAREH_API_KEY"

در خروجی، مقدار دقیق id مدل‌های موردنظر را یادداشت کنید.

می‌توانید بیش از یک مدل را در LobeHub فعال کنید؛ برای مثال:

• یک مدل اقتصادی برای گفتگوهای روزمره
• یک مدل قوی‌تر برای استدلال
• یک مدل مناسب برنامه‌نویسی
• یک مدل دارای قابلیت تصویر، در صورت پشتیبانی

شناسه مدل را حدس نزنید و آن را دقیقاً از فهرست مدل‌های درواره دریافت کنید.

مرحله دوم: نصب LobeHub با Docker Compose

یک پوشه جدید بسازید:

mkdir lobehub
cd lobehub

سپس اسکریپت رسمی راه‌اندازی را اجرا کنید:

bash <(curl -fsSL https://lobe.li/setup.sh) -l en

اسکریپت چند روش استقرار پیشنهاد می‌کند:

• Local Mode: فقط برای استفاده روی همان سیستم
• Port Mode: دسترسی از طریق IP و پورت
• Domain Mode: دسترسی از طریق دامنه و Reverse Proxy

برای اولین آزمایش روی کامپیوتر شخصی، Local Mode مناسب است. برای استفاده روی سرور و دسترسی تیمی، Domain Mode انتخاب بهتری خواهد بود.

اسکریپت فایل‌های موردنیاز Docker Compose، متغیرهای محیطی و رمزهای اولیه را ایجاد می‌کند. گزارش نهایی را ذخیره کنید؛ زیرا شامل آدرس سرویس‌ها و اطلاعات ورود خواهد بود.

پس از ایجاد تنظیمات، سرویس‌ها را اجرا کنید:

docker compose up -d

وضعیت سرویس‌ها را بررسی کنید:

docker compose ps

برای مشاهده Logهای LobeHub:

docker logs -f lobehub

وقتی فرایند Migration پایگاه داده کامل و برنامه آماده شد، رابط را در مرورگر باز کنید:

http://localhost:3210

در Port Mode باید از IP سرور استفاده کنید:

http://SERVER_IP:3210

روش نصب دستی فایل‌های Docker Compose

اگر نمی‌خواهید از اسکریپت تعاملی استفاده کنید، فایل‌های رسمی را مستقیماً دریافت کنید:

curl -O https://raw.githubusercontent.com/lobehub/lobehub/HEAD/docker-compose/deploy/docker-compose.yml

curl -O https://raw.githubusercontent.com/lobehub/lobehub/HEAD/docker-compose/deploy/.env.example

mv .env.example .env

سپس باید مقادیر موجود در .env را متناسب با دامنه، پایگاه داده، ذخیره‌ساز و رمزهای خود تنظیم کنید.

این روش برای کاربران باتجربه‌تر مناسب است. برای شروع، اسکریپت رسمی خطای پیکربندی کمتری ایجاد می‌کند.

مرحله سوم: اضافه‌کردن API درواره

فایل .env ایجادشده در پوشه LobeHub را باز کنید:

nano .env

متغیرهای زیر را پیدا یا اضافه کنید:

ENABLED_OPENAI=1
OPENAI_API_KEY=YOUR_DARVAREH_API_KEY
OPENAI_PROXY_URL=https://api.darvareh.ir/v1
OPENAI_MODEL_LIST=-all,+YOUR_FIRST_MODEL_ID,+YOUR_SECOND_MODEL_ID

مقادیر زیر را جایگزین کنید:

YOUR_DARVAREH_API_KEY
YOUR_FIRST_MODEL_ID
YOUR_SECOND_MODEL_ID

نمونه ساختاری:

ENABLED_OPENAI=1
OPENAI_API_KEY=YOUR_REAL_KEY
OPENAI_PROXY_URL=https://api.darvareh.ir/v1
OPENAI_MODEL_LIST=-all,+MODEL_ID_A,+MODEL_ID_B

در این تنظیمات:

• ENABLED_OPENAI=1 بخش Provider سازگار با OpenAI را فعال می‌کند.
• OPENAI_API_KEY کلید درواره است.
• OPENAI_PROXY_URL مسیر درخواست‌ها را به درواره تغییر می‌دهد.
• OPENAI_MODEL_LIST مدل‌های قابل‌نمایش را کنترل می‌کند.
• -all مدل‌های پیش‌فرض OpenAI را مخفی می‌کند.
• +MODEL_ID یک مدل جدید به فهرست اضافه می‌کند.

اگر متغیرها از قبل در فایل وجود دارند، همان مقادیر را ویرایش کنید و متغیر تکراری نسازید.

آدرس Base URL باید به /v1 ختم شود:

https://api.darvareh.ir/v1

مسیر /chat/completions را به Base URL اضافه نکنید؛ LobeHub مسیر Endpoint را هنگام ارسال درخواست ایجاد می‌کند.

مستندات رسمی LobeHub برای Provider نوع OpenAI از متغیرهای OPENAI_API_KEY، OPENAI_PROXY_URL و OPENAI_MODEL_LIST استفاده می‌کنند. مرجع Model Provider

مرحله چهارم: سفارشی‌سازی نام نمایشی مدل‌ها

می‌توانید برای هر مدل یک نام نمایشی قابل‌فهم تعریف کنید:

OPENAI_MODEL_LIST=-all,+MODEL_ID_A=مدل اقتصادی,+MODEL_ID_B=مدل پیشرفته

اگر نام فارسی در .env یا محیط Docker به‌درستی پردازش نشد، از نام انگلیسی کوتاه استفاده کنید:

OPENAI_MODEL_LIST=-all,+MODEL_ID_A=Darvareh Fast,+MODEL_ID_B=Darvareh Pro

علامت‌های مهم در این تنظیمات:

• + مدل را اضافه می‌کند.
• - مدل را مخفی می‌کند.
• = نام نمایشی مدل را تغییر می‌دهد.
• -all فهرست پیش‌فرض را پاک می‌کند.

این قابلیت باعث می‌شود کاربران تیم فقط مدل‌هایی را ببینند که برایشان فعال کرده‌اید. راهنمای رسمی Model List

مرحله پنجم: راه‌اندازی مجدد سرویس‌ها

پس از ذخیره فایل .env، سرویس‌ها را دوباره ایجاد کنید:

docker compose up -d

اگر تغییرات اعمال نشد:

docker compose restart

سپس Log را بررسی کنید:

docker compose logs -f lobehub

وارد LobeHub شوید و فهرست مدل‌ها را باز کنید. مدل‌های تعریف‌شده در OPENAI_MODEL_LIST باید زیر Provider مربوط به OpenAI نمایش داده شوند.

اگرچه نام Provider در رابط ممکن است OpenAI باشد، درخواست‌ها به‌دلیل تنظیم OPENAI_PROXY_URL به API درواره ارسال می‌شوند.

مرحله ششم: آزمایش اتصال مدل

یک گفتگوی جدید باز کنید و یکی از مدل‌های درواره را انتخاب کنید.

پیام زیر را ارسال کنید:

در سه بند کوتاه توضیح بده LobeHub چه کاربردی دارد.

اگر اتصال صحیح باشد، پاسخ مدل در همان رابط نمایش داده می‌شود.

برای آزمایش دقیق‌تر، یک درخواست Streaming ارسال کنید و بررسی کنید پاسخ به‌تدریج نمایش داده شود:

یک فهرست مرحله‌ای برای ساخت دستیار تولید محتوای فارسی ارائه بده.

در صورت دریافت خطا، بخش عیب‌یابی همین مقاله را بررسی کنید.

مرحله هفتم: ساخت نخستین Agent شخصی

در LobeHub می‌توانید برای هر کاربرد یک Agent جداگانه بسازید.

یک Agent جدید ایجاد و اطلاعات زیر را تنظیم کنید:

• نام Agent
• توضیح کوتاه
• مدل پیش‌فرض
• دستور سیستمی
• تصویر یا آواتار
• پیام خوشامدگویی
• پیشنهادهای شروع گفتگو
• ابزارها یا MCPهای موردنیاز
• Knowledge Base مرتبط

برای نمونه، یک Agent تولید محتوای فارسی بسازید.

نام Agent

دستیار محتوای فارسی

توضیح

دستیار نگارش، بازنویسی و ساختاربندی محتوای فارسی

دستور سیستمی

شما یک دستیار حرفه‌ای تولید محتوای فارسی هستید.

متن‌ها را روان، دقیق و ساختاریافته بنویسید.
پیش از تولید محتوا، هدف، مخاطب و قالب خروجی را در نظر بگیرید.
از ادعاهای بدون منبع و آمار ساختگی خودداری کنید.
اصطلاحات تخصصی را در نخستین استفاده کوتاه توضیح دهید.
در صورت کافی نبودن اطلاعات، سؤال مشخص مطرح کنید.

پیشنهاد شروع گفتگو

این متن را حرفه‌ای‌تر بازنویسی کن.

برای این موضوع یک ساختار مقاله پیشنهاد بده.

این توضیحات محصول را کوتاه و متقاعدکننده کن.

پس از ذخیره Agent، یک گفتگوی جدید با آن آغاز کنید.

ساخت Agent برنامه‌نویسی

برای برنامه‌نویسی می‌توانید Agent دیگری با دستور زیر بسازید:

شما یک دستیار برنامه‌نویسی هستید.

پیش از پیشنهاد تغییر، زبان، Framework و نسخه‌های پروژه را بررسی کنید.
کد را کوتاه، خوانا و هماهنگ با ساختار فعلی پروژه بنویسید.
از اضافه‌کردن وابستگی جدید بدون توضیح خودداری کنید.
برای تغییرات مهم، تست و روش اجرای آن را نیز پیشنهاد دهید.
اگر اطلاعات کافی ندارید، فرضیات خود را شفاف اعلام کنید.

برای این Agent یک مدل مناسب Coding انتخاب کنید.

مزیت Agentهای جداگانه این است که مدل، شخصیت، حافظه و دستور هر کاربرد با گفتگوهای دیگر ترکیب نمی‌شود.

استفاده از Knowledge Base

LobeHub از بارگذاری فایل و مدیریت Knowledge Base پشتیبانی می‌کند. می‌توانید اسناد را به یک پایگاه دانش اضافه و آن را به Agent متصل کنید.

کاربردهای مناسب:

• راهنمای محصولات
• مستندات داخلی
• پرسش‌های متداول مشتریان
• دستورالعمل‌های سازمانی
• مقاله‌ها و محتوای آموزشی
• مشخصات فنی محصول
• گزارش‌ها و فایل‌های پژوهشی

Knowledge Base معمولاً به یک مدل Embedding نیاز دارد. پیش از فعال‌سازی، بررسی کنید مدل Embedding سازگار در Provider انتخاب‌شده در دسترس باشد.

اگر فقط مدل متنی در دسترس است، گفتگو و Agent معمولی کار می‌کنند؛ اما قابلیت جست‌وجوی معنایی اسناد ممکن است به تنظیم جداگانه Embedding نیاز داشته باشد. راهنمای Knowledge Base در LobeHub

استفاده از MCP در LobeHub

LobeHub از MCP برای اتصال Agentها به ابزارهای خارجی پشتیبانی می‌کند.

با MCP می‌توان Agent را به مواردی مانند زیر متصل کرد:

• مستندات داخلی
• پایگاه داده
• فایل‌های محلی
• ابزارهای برنامه‌نویسی
• تقویم
• Issue Tracker
• موتور جست‌وجو
• APIهای داخلی شرکت

هنگام اضافه‌کردن MCP Server، فقط ابزارهای لازم را فعال کنید. تعداد زیاد ابزار می‌تواند انتخاب Tool را برای مدل دشوارتر و هزینه مصرف توکن را بیشتر کند.

برای آشنایی با این استاندارد، مقاله MCP چیست؟ را مطالعه کنید.

اتصال نسخه دسکتاپ به سرور Self-hosted

LobeHub دارای نسخه دسکتاپ نیز هست. می‌توان نسخه دسکتاپ را به Instance شخصی متصل کرد تا گفتگوها و تنظیمات به‌جای سرویس عمومی روی سرور شما مدیریت شوند.

برای این کار:

1. نسخه Self-hosted را با دامنه و HTTPS راه‌اندازی کنید.
2. نسخه دسکتاپ LobeHub را نصب کنید.
3. وارد تنظیمات اتصال شوید.
4. آدرس Instance شخصی را وارد کنید.
5. وارد حساب کاربری سرور خود شوید.
6. همگام‌سازی را آزمایش کنید.

آدرس Instance باید از سیستم کاربر قابل‌دسترسی باشد. برای اتصال از بیرون شبکه، استفاده از دامنه و HTTPS ضروری است. راهنمای اتصال نسخه دسکتاپ

اتصال دامنه و HTTPS

برای استفاده روی سرور می‌توانید دامنه‌ای مانند نمونه زیر در نظر بگیرید:

ai.example.ir

در استقرار کامل همراه فایل و Knowledge Base معمولاً آدرس جداگانه‌ای برای ذخیره‌ساز S3 نیز نیاز است:

s3.example.ir

Reverse Proxy اصلی باید درخواست‌های LobeHub را به پورت ۳۲۱۰ هدایت کند. ذخیره‌ساز نیز براساس تنظیمات اسکریپت روی پورت مربوط به خود قرار می‌گیرد.

پس از تنظیم دامنه، مقادیر APP_URL و Endpointهای S3 در .env باید دقیقاً با آدرس‌های عمومی یکسان باشند.

اگر آدرس S3 فقط نام داخلی کانتینر باشد، مرورگر کاربر نمی‌تواند فایل‌ها و تصاویر را مستقیماً دریافت کند.

مدیریت هزینه مدل‌ها

برای کنترل هزینه استفاده از LobeHub و درواره:

• فقط مدل‌های موردنیاز را در OPENAI_MODEL_LIST فعال کنید.
• برای گفتگوهای روزمره مدل اقتصادی انتخاب کنید.
• برای هر Agent مدل متناسب با وظیفه قرار دهید.
• Agentهای ساده را به مدل‌های بسیار قدرتمند وابسته نکنید.
• دستور سیستمی را دقیق اما غیرضروری طولانی ننویسید.
• فایل‌های بسیار حجیم را بدون نیاز وارد گفتگو نکنید.
• Knowledge Base را با اسناد مرتبط و پاک‌سازی‌شده بسازید.
• ابزارهای غیرضروری MCP را فعال نکنید.
• گفتگوهای بسیار طولانی را در زمان مناسب از نو آغاز کنید.
• میزان مصرف را از پنل درواره بررسی کنید.

استفاده از چند مدل به معنی آن نیست که همه کاربران باید به همه مدل‌ها دسترسی داشته باشند. فهرست محدود و هدفمند معمولاً تجربه بهتری ایجاد می‌کند.

پشتیبان‌گیری از LobeHub

اطلاعات اصلی LobeHub در PostgreSQL و ذخیره‌ساز S3 نگهداری می‌شوند. بنابراین نسخه پشتیبان باید هر دو بخش را پوشش دهد.

برای تهیه نسخه پشتیبان از پایگاه داده در Docker Compose می‌توان از دستور متناسب با نام سرویس PostgreSQL استفاده کرد:

docker compose exec postgresql \
  pg_dump -U postgres lobechat > backup.sql

برای مشاهده نام دقیق سرویس‌ها ابتدا اجرا کنید:

docker compose ps

فایل‌های ذخیره‌شده در RustFS یا S3 را نیز جداگانه پشتیبان‌گیری کنید. نگهداری فقط فایل SQL برای بازیابی تصاویر و فایل‌های Knowledge Base کافی نیست.

به‌روزرسانی LobeHub

پیش از به‌روزرسانی:

• از PostgreSQL نسخه پشتیبان تهیه کنید.
• از فایل‌های S3 نسخه پشتیبان بگیرید.
• فایل .env را نگهداری کنید.
• یادداشت‌های نسخه جدید را بررسی کنید.

سپس اجرا کنید:

docker compose pull
docker compose up -d

Logها را بررسی کنید:

docker compose logs -f lobehub

پس از به‌روزرسانی موارد زیر را آزمایش کنید:

• ورود کاربران
• نمایش Agentها
• نمایش گفتگوهای قبلی
• اتصال API درواره
• انتخاب مدل‌ها
• ارسال پیام
• بارگذاری فایل
• Knowledge Base
• اتصال نسخه دسکتاپ

عیب‌یابی خطاهای رایج

مدل‌های درواره نمایش داده نمی‌شوند

فایل .env را بررسی کنید:

ENABLED_OPENAI=1
OPENAI_API_KEY=YOUR_KEY
OPENAI_PROXY_URL=https://api.darvareh.ir/v1
OPENAI_MODEL_LIST=-all,+YOUR_MODEL_ID

سپس سرویس را دوباره ایجاد کنید:

docker compose up -d

خطای 401 یا Invalid API Key

کلید درواره را مستقیم آزمایش کنید:

curl https://api.darvareh.ir/v1/models \
  -H "Authorization: Bearer YOUR_DARVAREH_API_KEY"

اگر این درخواست نیز خطا داشت، کلید یا وضعیت حساب را در پنل درواره بررسی کنید.

خطای model not found

شناسه واردشده در OPENAI_MODEL_LIST باید دقیقاً با فیلد id در خروجی /v1/models یکسان باشد.

نام نمایشی مدل را به‌جای شناسه API قرار ندهید.

LobeHub همچنان مدل‌های پیش‌فرض OpenAI را نشان می‌دهد

مطمئن شوید از -all استفاده کرده‌اید:

OPENAI_MODEL_LIST=-all,+YOUR_MODEL_ID

همچنین بررسی کنید متغیر OPENAI_MODEL_LIST چند بار در فایل یا Docker Compose تعریف نشده باشد.

تغییرات .env اعمال نمی‌شوند

Restart ساده همیشه برای خواندن متغیرهای جدید کافی نیست. اجرا کنید:

docker compose up -d

در صورت نیاز، سرویس را دوباره ایجاد کنید:

docker compose up -d --force-recreate

پاسخ Streaming قطع می‌شود

موارد زیر را بررسی کنید:

• اتصال API درواره
• تنظیمات Timeout در Reverse Proxy
• غیرفعال‌بودن Buffering برای پاسخ‌های Streaming
• Logهای کانتینر LobeHub
• پایداری اتصال سرور
• پشتیبانی مدل انتخاب‌شده از Streaming

فایل بارگذاری نمی‌شود

آدرس عمومی S3 را بررسی کنید. مرورگر کاربر باید بتواند به Endpoint ذخیره‌ساز دسترسی داشته باشد.

همچنین موارد زیر را کنترل کنید:

• تنظیمات CORS ذخیره‌ساز
• S3_ENDPOINT
• دامنه عمومی S3
• Bucket
• Access Key و Secret Key
• HTTPS دامنه
• Logهای RustFS

سرویس اجرا نمی‌شود

وضعیت تمام سرویس‌ها:

docker compose ps

Log کامل:

docker compose logs

دلایل رایج عبارت‌اند از:

• اشغال‌بودن پورت‌ها
• آماده‌نبودن PostgreSQL
• اشتباه‌بودن رمز پایگاه داده
• نبودن متغیر ضروری
• کافی‌نبودن RAM
• کمبود فضای دیسک
• خطا در Migration
• ناسازگاری تنظیمات S3

Knowledge Base کار نمی‌کند

گفتگوی متنی و Knowledge Base دو مسیر متفاوت دارند. ممکن است مدل چت به‌درستی کار کند، اما مدل Embedding تنظیم نشده باشد.

Provider مربوط به Embedding، شناسه مدل، کلید API و Logهای پردازش فایل را جداگانه بررسی کنید.

اشتباهات رایج

• استفاده از آموزش قدیمی LobeChat برای نسخه جدید LobeHub
• فرض‌کردن اینکه نسخه جدید هنوز یک کانتینر ساده و بدون پایگاه داده است
• اضافه‌کردن /chat/completions به Base URL
• واردکردن نام نمایشی به‌جای شناسه مدل
• تعریف چندباره متغیرها در .env
• استفاده از مدل فاقد Tool Calling برای Agentهای ابزارمحور
• ذخیره کلید API در Repository
• انتشار مستقیم PostgreSQL یا RustFS روی اینترنت
• تنظیم‌نکردن دامنه عمومی S3
• به‌روزرسانی بدون پشتیبان‌گیری
• فعال‌کردن تمام مدل‌ها برای همه کاربران
• فرض‌کردن اینکه Self-hosted بودن رابط به معنی پردازش آفلاین مدل است
• استفاده از Knowledge Base بدون مدل Embedding مناسب

چک‌لیست نهایی

• پوشه مستقل LobeHub ساخته شده است.
• Docker و Docker Compose نصب شده‌اند.
• اسکریپت رسمی راه‌اندازی اجرا شده است.
• تمام کانتینرها در وضعیت سالم قرار دارند.
• PostgreSQL و ذخیره‌ساز S3 اجرا می‌شوند.
• کلید API درواره ایجاد شده است.
• مدل‌ها از /v1/models دریافت شده‌اند.
• OPENAI_PROXY_URL روی https://api.darvareh.ir/v1 قرار دارد.
• شناسه مدل‌ها در OPENAI_MODEL_LIST وارد شده است.
• مدل‌های پیش‌فرض غیرضروری مخفی شده‌اند.
• گفتگو با مدل درواره آزمایش شده است.
• نخستین Agent شخصی ساخته شده است.
• برای استقرار عمومی دامنه و HTTPS تنظیم شده‌اند.
• Endpoint عمومی S3 قابل‌دسترسی است.
• از پایگاه داده و فایل‌ها نسخه پشتیبان وجود دارد.

پرسش‌های متداول

LobeChat چیست؟

LobeChat نام اولیه یک رابط چندمدلی برای گفتگو با مدل‌های هوش مصنوعی بود. این پروژه در سال ۲۰۲۶ با نام LobeHub و با تمرکز بیشتر بر Agent، حافظه، دانش و همکاری میان Agentها ادامه پیدا کرد.

آیا LobeChat و LobeHub یک پروژه هستند؟

بله. LobeHub ادامه و توسعه معماری LobeChat است. نام Repository رسمی نیز اکنون lobehub/lobehub است.

آیا LobeHub در ایران قابل استفاده است؟

بله. نسخه Self-hosted را می‌توان روی سیستم یا سرور شخصی نصب و برای استفاده از مدل‌ها به API درواره متصل کرد. در این روش پرداخت هزینه مدل‌های درواره به‌صورت ریالی انجام می‌شود.

آیا LobeHub رایگان است؟

نسخه Self-hosted جامعه را می‌توان مطابق شرایط LobeHub Community License استفاده کرد. هزینه سرور، ذخیره‌سازی و API مدل‌ها جداگانه خواهد بود.

آیا LobeHub جایگزین ChatGPT است؟

LobeHub می‌تواند جایگزین رابط ChatGPT برای استفاده شخصی یا تیمی باشد، اما خودش مدل زبانی نیست و باید به درواره، Provider دیگری یا مدل محلی متصل شود.

آیا LobeHub بدون کارت گرافیک اجرا می‌شود؟

بله. اگر مدل را از طریق API درواره فراخوانی کنید، پردازش مدل روی زیرساخت API انجام می‌شود و سرور LobeHub به کارت گرافیک قدرتمند نیاز ندارد.

آیا می‌توان چند مدل درواره را اضافه کرد؟

بله. شناسه مدل‌ها را با علامت + در OPENAI_MODEL_LIST قرار دهید:

OPENAI_MODEL_LIST=-all,+MODEL_A,+MODEL_B,+MODEL_C

آیا LobeHub از Ollama پشتیبانی می‌کند؟

بله. LobeHub از Ollama و مدل‌های محلی پشتیبانی می‌کند. برای آشنایی با اجرای محلی مدل‌ها، آموزش Ollama را مطالعه کنید.

آیا می‌توان برای هر کاربرد Agent جداگانه ساخت؟

بله. هر Agent می‌تواند نام، مدل، دستور سیستمی، حافظه، Knowledge Base، ابزار و پیشنهادهای شروع گفتگوی مخصوص خود را داشته باشد.

آیا LobeHub برای چند کاربر مناسب است؟

نسخه Database امکان مدیریت حساب‌ها و ذخیره جداگانه اطلاعات کاربران را فراهم می‌کند. برای استفاده تیمی باید احراز هویت، دامنه، HTTPS، پایگاه داده و پشتیبان‌گیری مناسب تنظیم شوند.

LobeHub بهتر است یا AnythingLLM؟

LobeHub یک محیط عمومی‌تر برای Agent و گفتگوهای چندمدلی است. AnythingLLM تمرکز بیشتری روی گفتگو با اسناد و ساخت Workspaceهای مبتنی بر RAG دارد.

مقالات مرتبط

• LibreChat چیست؟ آموزش ساخت جایگزین شخصی ChatGPT
• AnythingLLM چیست؟ آموزش ساخت دستیار اسناد
• آموزش Open WebUI
• آموزش اجرای مدل‌های محلی با Ollama
• Agent هوش مصنوعی چیست؟
• MCP چیست؟
• RAG چیست؟
• API سازگار با OpenAI چیست؟
• آموزش دریافت کلید API هوش مصنوعی

منابع اصلی

• وب‌سایت رسمی LobeHub
• مخزن رسمی LobeHub در GitHub
• راهنمای Self-hosting
• راهنمای Docker Compose
• مرجع Model Provider
• راهنمای سفارشی‌سازی Model List
• راهنمای Knowledge Base

جمع‌بندی

LobeChat که اکنون با نام LobeHub ادامه پیدا می‌کند، یک پلتفرم Self-hosted برای گفتگو با مدل‌های مختلف و ساخت Agentهای هوش مصنوعی شخصی است.

نسخه جدید علاوه بر رابط چت، قابلیت‌هایی مانند Agent، حافظه، Knowledge Base، MCP، اتصال نسخه دسکتاپ و مدیریت چند مدل را ارائه می‌کند. معماری کامل آن از PostgreSQL و ذخیره‌ساز سازگار با S3 استفاده می‌کند و برای استفاده دائمی نسبت به نسخه قدیمی LobeChat به زیرساخت بیشتری نیاز دارد.

برای اتصال LobeHub به درواره کافی است تنظیمات زیر را در فایل .env قرار دهید:

ENABLED_OPENAI=1
OPENAI_API_KEY=YOUR_DARVAREH_API_KEY
OPENAI_PROXY_URL=https://api.darvareh.ir/v1
OPENAI_MODEL_LIST=-all,+YOUR_MODEL_ID

پس از راه‌اندازی مجدد سرویس‌ها، مدل‌های درواره در فهرست LobeHub نمایش داده می‌شوند و می‌توانید برای هر کاربرد یک Agent اختصاصی بسازید.

برای شروع، در درواره ثبت‌نام کنید، کلید API بسازید و شناسه مدل‌های موردنیاز را از فهرست مدل‌ها دریافت کنید.

این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است. پیش از استفاده عملی، مستندات رسمی سرویس‌ها و صفحه سلب مسئولیت را مطالعه کنید.