LobeChat ist eine Open-Source-Anwendung für KI-Dialoge; Projekt und Images verwenden zunehmend den Namen LobeHub. Die Anwendung bietet selbst keine Modelle; die Antwortqualität hängt vom angebundenen API-Anbieter ab. Für Teams mit einem einheitlichen Gateway ist der Nutzen einer eigenen API unmittelbar: eine Base URL, ein Key, Wechsel zwischen mehreren Modellen und zentral einsehbare Nutzung.

Dieser Artikel folgt gängigen Versionen aus 2026 und behandelt Deployment, Anbieterkonfiguration, Verbindungstest sowie Assistenten, Plugins, Wissensdatenbank und Team-Deployment. Oberflächen und Variablennamen ändern sich mit Versionen; prüfen Sie vor dem Start die Dokumentation der aktuellen Version.

Hinweis: LobeChat und LobeHub sind Produkte und Marken ihrer jeweiligen Inhaber, OpenAI ist eine Marke von OpenAI, Inc. Dieser Artikel dient der technischen Anleitung; es besteht keine Zugehörigkeits- oder Kooperationsbeziehung zu den genannten Unternehmen. Modellumfang und Preise entnehmen Sie den Modellpreisen.

1. Zuerst die Deployment-Art wählen

LobeChat lässt sich lokal oder auf einem Server für das Team betreiben. Die Abhängigkeiten unterscheiden sich:

Art Geeignetes Szenario Wichtige Abhängigkeiten Beachten
Einzelcontainer zum Testen Persönlicher Test, Funktionsprüfung Docker, PostgreSQL Schnellster Start; für Dauerbetrieb Speicher und Backups ergänzen
Docker Compose Dauerhafter Team-Einsatz PostgreSQL, S3-kompatibler Speicher, optional Redis Offiziell empfohlen, vollständiger Funktionsumfang
Hosting etwa bei Vercel Leichter Test, wenig Betrieb Externes PostgreSQL, S3 Serverless hat Funktions-Timeouts und unterstützt kein WebSocket

Die Serverversion 2026 setzt PostgreSQL voraus; die Wissensdatenbank benötigt zusätzlich pgvector und Volltextsuch-Plugins, Datei-Uploads brauchen S3-kompatiblen Speicher. Ältere Versionen hatten einen reinen Browser-Modus; neue Versionen setzen auf Server-Deployment. Prüfen Sie vor dem Start die Abhängigkeiten der aktuellen Version. Für den Team-Einsatz direkt die Compose-Variante vorbereiten, um späteren Nacharbeitsaufwand zu vermeiden.

2. Drei Parameter vorbereiten

Unabhängig vom Deployment werden für eine eigene API nur drei Dinge benötigt:

  • Base URL: https://ai.zhongshangqihang.com/v1, der OpenAI-kompatible Einstieg.
  • API Key: nach der Registrierung im ZSQH AI Gateway in der Konsole erstellen, nach Projekt oder Umgebung benennen.
  • Modell-ID: die API-Bezeichnung von der Seite Modellpreise, nicht der Anzeigename.

Die letzten beiden Punkte gehen am häufigsten schief: Beim Einfügen des Keys bleiben Leerzeichen, oder die Modell-ID hat ein zusätzliches Versionssuffix bzw. eine abweichende Groß-/Kleinschreibung. Speichern Sie den Key zuerst in einem Passwortmanager und beginnen Sie dann mit der Konfiguration.

3. Dienst starten und Umgebungsvariablen schreiben

Für Team-Deployment gehören Konfigurationen in eine Umgebungsvariablendatei, nicht ins Image oder ins Repository. Das folgende Minimalbeispiel verwendet eigene Werte für Datenbank, Speicher und Secrets:

# Beispiel für lobehub.env; Secrets selbst erzeugen und sicher aufbewahren
APP_URL=https://chat.example.com
DATABASE_URL=postgres://postgres:change-me@postgres:5432/postgres
AUTH_SECRET=mit openssl rand -base64 32 erzeugen
KEY_VAULTS_SECRET=ebenso separat erzeugen
OPENAI_API_KEY=sk-dein-gateway-key
OPENAI_PROXY_URL=https://ai.zhongshangqihang.com/v1
OPENAI_MODEL_LIST=-all,+deine-modell-id

Datei beim Start des Containers mounten:

docker run -d --name lobehub -p 3210:3210 \
  --env-file lobehub.env lobehub/lobehub

Erscheinen im Startlog der Abschluss der Datenbankmigration und Ready, ist die Oberfläche unter http://serveradresse:3210 erreichbar. Bleibt das Log bei einem Datenbankverbindungsfehler stehen, prüfen Sie Hostname, Port und Passwort in DATABASE_URL; localhost im Container entspricht nicht dem Host. Vor Image-Upgrades einen festen Versions-Tag verwenden, nicht dauerhaft latest.

4. OpenAI-kompatiblen Anbieter in der Oberfläche hinzufügen

Umgebungsvariablen eignen sich für einheitliche Konfiguration, die Oberfläche für persönliche Tests oder temporäre Anpassungen. In einer gängigen aktuellen Version:

  1. Nach dem Login die Einstellungen öffnen und „AI-Anbieter“ aufrufen.
  2. OpenAI wählen oder einen eigenen Anbieter hinzufügen und den Namen nach Zweck benennen, etwa „Team-Gateway“.
  3. Als API-Adresse https://ai.zhongshangqihang.com/v1 eintragen, nur bis /v1.
  4. Den Gateway-Key eintragen und auf überflüssige Leerzeichen achten.
  5. In der Modellliste die Modell-ID hinzufügen und Fähigkeiten wie Vision, Tool-Aufrufe und Dateien entsprechend ankreuzen.
  6. Nach dem Speichern den Anbieter als Standard setzen oder im Dialog das Modell manuell wählen.

Eigene Anbieter unterstützen Fähigkeits-Tags für Modelle, was oft übersehen wird. Ein falsches Häkchen erzeugt keinen Fehler, lässt aber Plugins, Bildverständnis oder Datei-Uploads mitten im Lauf scheitern. Im Zweifel zunächst weniger anhaken und mit einer echten Aufgabe validieren.

5. Validieren: zuerst curl, dann Dialog

Nach der Konfiguration nicht direkt mit der Arbeit beginnen, sondern die Kette mit einer minimalen Anfrage prüfen:

export ZSQH_API_KEY="sk-dein-key"

curl -sS "https://ai.zhongshangqihang.com/v1/chat/completions" \
  -H "Authorization: Bearer $ZSQH_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"deine-modell-id","messages":[{"role":"user","content":"Antworte nur mit OK"}]}'

Enthält die Antwort choices, sind Adresse, Key und Modell zumindest erreichbar. Danach in LobeChat einen neuen Dialog anlegen, dasselbe Modell wählen und „Antworte nur mit OK“ senden. Erst wenn beide Schritte funktionieren, Assistenten und Wissensdatenbank konfigurieren.

Häufige Statuscodes sind eindeutig: 401 auf Key und Leerzeichen prüfen, 404 auf den /v1-Pfad, model not found auf Übereinstimmung der Modell-ID mit der Preisseite, 429 auf Gateway-Verbrauch und Parallelität. Ändern Sie jeweils nur eine Variable, sonst ist nicht erkennbar, welche Änderung gewirkt hat.

6. Assistenten: Modelle konkreten Aufgaben zuordnen

Assistenten (in neueren Versionen auch Agenten genannt) speichern System-Prompts, Modell und Parameter. Sinnvoll ist eine Aufteilung nach Aufgaben statt einer Sammlung aller Modelle in der Standardliste:

  • Für Alltagsfragen ein schnelles, kostengünstiges Universalmodell.
  • Für lange Zusammenfassungen und Vertragsprüfung einen eigenen Assistenten mit Langkontextmodell und strukturierter Ausgabevorgabe.
  • Für Code-Aufgaben ein Modell mit stabilen Codefähigkeiten, das Änderungen zuerst erklärt und dann ausführt.
  • Für Übersetzung und Stilpflege je einen Assistenten mit festem Glossar und Tonvorgaben.

Jeder Assistent sollte genau eine Problemklasse lösen; kürzere Prompts sind leichter zu pflegen. Teams können häufig genutzte Prompts als Vorlagen verteilen, aber keine Keys darin ablegen.

7. Plugins und Wissensdatenbank: zuerst Abhängigkeiten prüfen

Plugins hängen von der Function-Calling-Fähigkeit des Modells ab. Unterstützt ein Modell keine Tool-Aufrufe, lässt sich der Plugin-Button möglicherweise anklicken, der Aufruf schlägt aber fehl. Bei einem eigenen Plugin-Marktplatz müssen Indexadresse und nötige Plugin-Keys konfiguriert werden; installieren Sie nur Plugins aus vertrauenswürdigen Quellen und prüfen Sie, welche Inhalte sie lesen.

Die Wissensdatenbank hat mehr Abhängigkeiten; üblich ist eine Kombination aus PostgreSQL, pgvector, S3-kompatiblem Speicher und einem Embedding-Modell. Aktuelle Versionen nutzen standardmäßig das Embedding-Modell von OpenAI, andere kompatible Embedding-Modelle lassen sich über Umgebungsvariablen setzen. Bei einem Gateway muss zuerst bestätigt werden, dass es eine Embedding-Schnittstelle und passende Modelle anbietet; sonst funktioniert die semantische Suche nicht.

Empfohlen ist, zuerst ein bis zwei Dateien mit klaren Antworten zu importieren, die Suche mit konkreten Fragen zu testen und erst dann massenhaft hochzuladen. Chunk-Größe, Dateiformat und Qualität gescannter Dokumente beeinflussen das Ergebnis; ändern Sie nicht mehrere Einstellungen gleichzeitig.

8. Team-Deployment: zentrale Konfiguration, verteilte Keys

Für den Team-Einsatz gelten einige Grenzen:

  • Serverseitige Umgebungsvariablen enthalten nur gemeinsame Konfiguration und Standardmodelle; Keys im Secret-Manager, nicht in Git.
  • Mitglieder nutzen eigene Gateway-Keys, nach Person benannt, damit bei Austritt oder Leak einzeln widerrufen werden kann.
  • Datenbank und S3 in die Backup-Planung aufnehmen; Backupdateien wie sensible Daten behandeln.
  • Öffentliches Deployment erfordert HTTPS und Zugriffskontrolle im Reverse Proxy.
  • Streaming erfordert deaktivierte Proxy-Pufferung, sonst erscheint die Antwort auf einmal oder bleibt hängen.
  • Auf Gateway-Seite Budgets und Parallelitätsobergrenzen setzen und regelmäßig Verbrauchsberichte prüfen.

Für kleine interne Teams lassen sich auf Gateway-Seite Keys pro Projekt vergeben und mit dem Kontosystem von LobeChat Nutzer unterscheiden. Wenn beide Ebenen Aufzeichnungen führen, sind Fehlersuche und Abrechnung deutlich einfacher.

Häufige Fragen

Wie hängen LobeChat und LobeHub zusammen?

LobeChat ist der frühere Projektname; Dokumentation und Images neuer Versionen aus 2026 verwenden die Marke LobeHub. Die Funktionen bestehen fort, aber Umgebungsvariablen und Oberflächeneinstiege wurden angepasst; maßgeblich für das Deployment ist die aktuelle offizielle Dokumentation.

Muss die Base URL /v1 enthalten?

Ja. https://ai.zhongshangqihang.com/v1 genügt; tragen Sie nicht den vollständigen /chat/completions-Pfad ein, da der Client ihn selbst anhängt. Einzelne Proxys leiten /v1 weiter; maßgeblich ist das Testergebnis.

Warum ist die Modellliste nach dem Setzen der Umgebungsvariablen noch leer?

Prüfen Sie Variablennamen und Syntax von OPENAI_MODEL_LIST; -all,+modell-id wird mit englischen Kommas ohne Leerzeichen getrennt. Nach Änderungen an Umgebungsvariablen den Container neu erstellen; ein reiner Neustart lädt neue Werte nicht zwingend.

Der Upload in die Wissensdatenbank gelingt, aber die Suche findet nichts?

Prüfen Sie in Abhängigkeitsreihenfolge: Ist das Vektor-Plugin der Datenbank installiert, ist S3 beschreibbar, ist das Embedding-Modell aufrufbar? Fehlt einer der drei Punkte, kann die Datei als erfolgreich hochgeladen erscheinen, wird aber nicht indexiert.

Kann das Team einen gemeinsamen Key verwenden?

Nicht empfehlenswert. Ein gemeinsamer Key erlaubt keine Verbrauchszuordnung und ein Leak betrifft die ganze Gruppe. Keys nach Person, Projekt oder Umgebung vergeben und mit Kontingent- und Logverwaltung des Gateways kombinieren.

Nächste Schritte

Die LobeChat-Anbindung lässt sich in drei Schritte teilen: passende Deployment-Art wählen, Base URL, Key und Modell-ID abstimmen und mit curl sowie einem echten Dialog validieren. Danach schrittweise Assistenten, Plugins und Wissensdatenbank ergänzen. Für einen einheitlichen Modelleinstieg und Verbrauchsverwaltung können Sie sich im ZSQH AI Gateway registrieren; verfügbare Modelle und Preise stehen in den Modellpreisen.

Weiterlesen: