lemma-platform

当聊天记录不是工作的归宿——Lemma 如何重新定义人机协作

想象一个真实的工作场景：你的团队正在开发一个多月的 AI 项目，进度分散在 Slack 消息、Confluence 文档、Jira 工单和无数个 ChatGPT 对话里。人类在开会，AI 代理在后台默默跑代码，但两者的"工作记忆"完全隔离——人看不懂 agent 干了什么，agent 也不知道人做了什么决策。结果是大量重复沟通、上下文丢失，以及"明明 AI 说过这个方案了，怎么又从头来一遍"的崩溃时刻。

Lemma 正是为了解决这个问题而生。它是一个开源的"人机联合工作空间"（Human-AI Collaborative Workspace），核心理念只有一个：AI 的输出应该是一张表格里的行、任务队列中的任务、等待审批的草稿——而不是聊天记录里的一段文字。

图1：Lemma 平台概览——人与 AI 代理共处同一工作空间

---

背景故事：一家公司的内部困境催生了一个开源项目

Lemma 起源于一家 AI 咨询公司 Thread AI（threadai.com）的内部工具化需求。团队在实践中发现，尽管市场上 AI 编码工具（Claude Code、Cursor、Copilot）已经相当成熟，但当 AI agent 被引入真实的工程项目时，遇到了一个根本性障碍：AI 的工作无法持久化、结构化、人可读。

试想：Claude Code 生成了一段代码，它去了哪里？通常是一段聊天记录，或者一个 Git commit。但谁来 review？谁来决定这段代码是否符合业务需求？谁来追踪它解决了哪个具体问题？传统的做法是在 AI 之外再套一层项目管理工具——但这意味着 AI 和人用的是两套割裂的系统，数据不互通，状态不一致。

Thread AI 团队决定自己造一个轮子：构建一个同时面向人类和 AI agent 的共享工作空间，AI agent 通过 CLI 和 SDK 读写同一份数据，人类则通过 Web UI 和现有工具（Slack、WhatsApp、Email）交互。这便成为了 Lemma 的雏形，2025 年以开源形式发布，迅速获得 YC 等资本的认可。

---

核心技术：Pod（任务舱）架构

Lemma 的核心抽象是 Pod（任务舱）。你可以把 Pod 理解为一个小型的、持久化的共享工作空间，它由以下几个组件构成：

组件	说明
Datastore（数据存储）	Pod 内的结构化数据表，类比 Airtable/Notion Database
Functions（函数）	Pod 内注册的 AI 函数/工具，Claude Code 等 agent 可以调用
Agents（代理）	Pod 内运行的 AI agent 实例
Workflows（工作流）	多步骤业务流程，支持人工审批节点
Files（文件）	Pod 内的文件管理
Desks（桌面）	Pod 对外的可定制化 Web 应用界面

人类通过 Web UI（Next.js 构建）和各类 Surfaces（Slack、WhatsApp、Email、Microsoft Teams）访问 Pod；AI agent 则通过 lemma-cli（命令行工具）或 lemma-python SDK / lemma-typescript SDK 访问同一个 Pod。两者的操作对象完全一致——同一个 Pod，同一张数据表，同一个任务队列。

  

图2：Lemma 支持的主流 AI 编码 Agent——Claude Code、Codex、OpenCode、Bash、HTTP

这种设计的精妙之处在于权限模型的一致性：无论是人类还是 AI，对 Pod 数据的读写都经过同一套授权层。AI agent 可以被配置为"只读"或"需要人工审批后才能执行敏感操作"，就像管理一个真实团队成员一样管理你的 AI 代理。

---

技术栈解析：Python + Next.js 的现代全栈架构

后端：FastAPI + Pydantic + Python 3.14

Lemma 后端（lemma-backend/）是整个平台的核心引擎，基于以下技术构建：

• FastAPI（带 uvicorn[standard]）：高性能异步 REST + WebSocket API 层
• Pydantic v2：数据验证与序列化，使用 pydantic-settings 管理配置
• Python 3.14：要求最新 Python 版本（截至 2026 年初），前沿但也意味着依赖管理有一定门槛
• PostgreSQL + pgvector：主数据库 + 向量存储，用于语义搜索（RAG 场景）
• Redis：缓存 + 消息队列（faststream[cli,redis]）
• Alembic：数据库迁移管理
• Pydantic-AI：核心 AI agent 编排框架，支持 Anthropic Claude、OpenAI 等多模型后端
• Composio：AI agent 工具集成平台
• OpenTelemetry：全链路可观测性（traces、metrics）
• SuperTokens：开源认证系统

后端采用领域驱动设计（DDD） 架构，核心模块包括：agent（AI agent 运行时）、datastore（数据表）、function（函数）、workflow（工作流）、schedule（定时任务）、workspace（工作空间）、identity（身份认证）、connector（外部集成）等，高度模块化。

前端：Next.js 16 + React 19 + TypeScript + Tailwind CSS

Lemma 前端（lemma-frontend/）是一个标准的现代 React 全栈应用：

• Next.js 16（App Router）：SSR/SSG 混合渲染
• React 19 + TypeScript：最新 React 特性
• Tailwind CSS：原子化样式方案
• Next-Auth / SuperTokens：认证流程

前端负责 Pod 工作空间、审批队列、数据表视图、文件管理、应用构建器等核心 UI。

AgentBox：安全沙箱管理

AgentBox 是 Lemma 的代码执行沙箱管理器，支持 Docker、Podman、Kubernetes 三种运行时：

lemma-backend (API层)
    ↓ HTTP + API key
AgentBox Manager
    ↓
Docker/Podman/K8s
    ↓
AgentBox Runtime Container (包含 Python、Node、Chromium、Lemma SDK)

每个 AI agent 的代码执行都在隔离的容器中进行，超时控制、资源限制一应俱全。运行时镜像为 lemma-agentbox-runtime，包含完整的开发工具链。

---

上手体验：从安装到第一个 Pod

安装方式（一键脚本）

Lemma 提供极为简洁的安装体验，一行命令搞定一切：

curl -fsSL https://raw.githubusercontent.com/lemma-work/lemma-platform/main/install.sh | bash

install.sh 脚本会自动：

1. 检测并安装 uv（Python 包管理工具，如未安装）
2. 通过 uv tool install 安装 lemma-stack
3. 调用 lemma-stack install 检测 Docker/Podman 运行时
4. 拉取所有依赖镜像（PostgreSQL、Redis、SuperTokens、Lemma Backend、Frontend）
5. 在 ~/.lemma/local 下启动完整本地技术栈

安装完成后访问 http://127-0-0-1.sslip.io:3711，即可看到 Web UI。

Docker Compose 手动部署

对于需要手动定制的场景，项目根目录和各子模块都提供了 Dockerfile 和 docker-compose.yml：

• lemma-backend/Dockerfile：多阶段构建（uv 编译 + Python 3.14 slim 运行时）
• lemma-frontend/Dockerfile：Node 18+ 构建 + Next.js 生产镜像
• lemma-backend/docker-compose.yml：本地开发全套依赖
• lemma-frontend/docker-compose.yml：前端独立开发模式

容器化支持评分：5/5（docker-compose + 多阶段 Dockerfile + 完整基础设施镜像）。

开发模式

# 初始化 .env 配置
make init

# 启动基础设施 + 前后端热重载开发
make dev

# 运行测试
make test
make coverage

monorepo 结构下，所有子包（backend、frontend、cli、python-sdk、typescript-sdk）共享同一套 Makefile 规范。

---

争议与局限：为什么不是银弹

部署复杂度不低

尽管 install.sh 提供了一键安装，但 Lemma 的完整技术栈包括 PostgreSQL、Redis、SuperTokens（认证）、AgentBox（沙箱）等多个组件。官方也承认"在 Podman 环境下安装"仍偶有问题。对于只想小规模试用的团队，前置依赖较多。

Python 3.14 的双刃剑

要求 Python 3.14 是一个相当激进的选择——截至 2026 年中，Python 3.14 仍是相对较新的版本，部分第三方库（如某些数据科学工具）可能存在兼容性问题。如果你的项目依赖较老的 Python 环境，Lemma 目前可能不是最佳选择。

生态仍处于早期

尽管已有 Slack、WhatsApp、Email、Teams 等 Surface 集成，以及 Claude Code、Codex、OpenCode 等 Agent 集成，但与成熟的 BPM 工具（如 Camunda）或 AI Agent 平台（如 LangGraph、AutoGen）相比，Lemma 的社区规模和第三方插件生态仍较有限。

多租户与 SaaS 的不确定性

Lemma 官网（lemma.work）提供云端 SaaS 版本（当前为内测阶段），但开源版本和商业版本的功能边界、定价策略尚未完全明朗。对于企业采购决策来说，需要等待更清晰的产品路线图。

---

行业意义：AI Native Workspace 的先行者

Lemma 的出现代表了 AI 应用架构的一个新趋势：从"AI 回答问题"到"AI 执行工作"。这一趋势在 2024-2025 年的 AI 产品中已经清晰可见——Gamma AI 生成可编辑的幻灯片，Cursor 将 AI 工作结果直接落地为代码 diff，Granola 将会议转换为结构化笔记。这些产品的共同特点是：AI 的输出是结构化的、持久的、可操作的，而不是一段对话文本。

Lemma 将这一理念系统化为一个通用的多 Agent 协作平台，具有以下行业意义：

1. 定义了"Human-AI Shared Workspace"的产品范式：不是给人类用的 AI 工具，也不是给 AI 用的人类工具，而是两者真正共享同一个工作空间
2. 推动了 AI Agent 的治理与安全边界：通过 Pod 级别的权限模型和人工审批节点，为 AI Agent 的企业级部署提供了可操作的治理框架
3. 开源了一整套可参考的 AI 应用架构：从 FastAPI + Pydantic + PostgreSQL 的后端设计，到 Next.js + TypeScript 的前端架构，再到 AgentBox 的沙箱隔离方案，对 AI 应用开发者有直接的参考价值

---

总结

Lemma 是一个野心勃勃的开源项目，试图成为"AI 时代的工作空间操作系统"。它用 Pod 作为核心抽象，用 CLI/SDK 连接 AI Agent，用 Web UI + Surfaces 连接人类，用同一套权限模型管理两者的协作边界。技术栈现代（FastAPI + Pydantic-AI + Next.js 16），架构清晰（DDD 模块化），部署支持完善（install.sh + Docker Compose）。

对于 AI 应用开发团队，Lemma 提供了一个可直接参考的"多 Agent 协作平台"范本；对于企业 AI 落地，Lemma 的权限模型和人工审批机制提供了有价值的治理思路；对于 AI 爱好者，Lemma 的 install.sh 可以让你在本地一键启动一个真实的人机协作工作空间，值得体验。

适合人群：AI 应用开发者、企业 AI 落地团队、关注 Human-AI 协作范式的 AI 爱好者
不适合：只想快速体验单个 AI 工具的用户、依赖老旧 Python 生态的团队