Eigent: der Open-Source Cowork trifft auf Z.ai GLM-4.7

Abstract

In realen Enterprise-Umgebungen laufen viele interne Tools, Dashboards und Legacy-Systeme vollständig im Browser oder Terminal und bilden das Rückgrat des täglichen Geschäftsbetriebs.

Um diese komplexen Systeme zu automatisieren, stellen wir Eigent vor, eine Open-Source-Multi-Agent-Workforce-Anwendung, die lokal läuft und vollständig aus dem Quellcode eingerichtet werden kann, mit einem starken Fokus auf Browser- und Terminal-Automatisierung – im Grunde Ihre Open-Source-Cowork-Alternative für Enterprise-Workflows.

In diesem Beitrag zeigen wir, wie Eigent CAMELs Workforce-Architektur und Terminal-Automatisierung nutzt, um mehrstufige Enterprise-Aufgaben zu bewältigen. Außerdem werfen wir einen genaueren Blick auf GLM-4.7 und analysieren seine Leistung in der Terminal-Automatisierung sowie die architektonischen Eigenschaften, die langfristige, agentische Workflows unterstützen.

Hintergrund: Was ist Eigent und wie unterstützt es GLM-4.7

Eigent ist ein Open-Source-Multi-Agent-Workforce-Produkt, das lokal auf Ihrem Desktop läuft. Es basiert auf einer Workforce-artigen Multi-Agent-Architektur und ist mit allgemeinen Funktionen ausgestattet wie:

• Browser-Automatisierung
• Terminal-Automatisierung
• MCP-Integrationen (Model Context Protocol)

Dieses Design ermöglicht es Agenten in Eigent, sich wie echte menschliche Mitarbeitende zu verhalten und direkt in Desktop-Umgebungen zu arbeiten – ohne tiefe API-Integrationen oder ständige Neukonfiguration von Workflows.

Da sich Foundation Models weiter verbessern, ermöglicht die Integration mit Eigent's Open-Source-Multi-Agent-System Entwicklern und Unternehmen, LLM-Funktionen schnell und effektiv auf reale Anwendungsfälle anzuwenden.

Deshalb hat Eigent GLM-4.7 unmittelbar nach seiner Veröffentlichung integriert.

Erste Schritte mit GLM-4.7

• Cloud Mode:

  Wählen Sie einfach GLM-4.7 im oberen Model-Dropdown aus.

• Bring Your Own Key (BYOK):

  Gehen Sie zu Model Settings → GLM, geben Sie Ihren Z.ai API-Schlüssel ein und setzen Sie den Modellnamen auf GLM-4.7.

Brauchen Sie Hilfe? Sehen Sie sich unseren Leitfaden zum Konfigurieren Ihres Z.ai API-Schlüssels an.

Ein Schritt-für-Schritt-Video-Tutorial ist unten ebenfalls verfügbar.

GitHub-Repository & So richten Sie Eigent ein

GitHub-Repository

👉 https://github.com/eigent-ai/eigent

Schnellstart: Die Umgebung einrichten

Sie können Eigent auf zwei Arten ausführen:

Option A: Desktop-App ohne Konfiguration (Empfohlen für Nutzer)

Für Nutzer, die sofort mit der Automatisierung von Aufgaben beginnen möchten:

1. Laden Sie den Client von der Offiziellen Website herunter
2. Installieren Sie die .dmg-Datei (macOS) oder .exe-Datei (Windows)
3. Starten Sie die App — das lokale Backend wird automatisch gestartet

Option B: Entwickler-Setup (aus dem Quellcode)

Für Entwickler, die das System prüfen oder anpassen möchten.

1. Voraussetzungen

• Node.js v18–22
• Python 3.10+

2. Klonen und Installieren

# Clone the repository
git clone https://github.com/eigent-ai/eigent.git
cd eigent

# Install frontend dependencies
npm install

3. Die Anwendung ausführen

# Run in development mode
npm run dev

Sobald es läuft, können Sie LLM-Anbieter (GLM-4.7 usw.) direkt in den Einstellungen konfigurieren.

Für erweiterte Konfiguration und Fehlerbehebung lesen Sie die Offizielle Dokumentation.

Unter der Haube: Eigent Full-Stack- und CAMEL-Workforce-Architektur

Systemübersicht

Eigent ist eine lokale First Desktop-Anwendung angetrieben von einer Multi-Agent-Orchestrierungs-Engine, die auf CAMEL Workforce basiert.

Wichtige Architekturprinzipien:

• Vollständig lokale Ausführung
• Entkoppeltes Full-Stack-Design
• Starke Garantien für Datenhoheit
• Keine agentische Ausführung in der Cloud

1. Frontend

Das Frontend fungiert als Kontrollebene für Agentenkonfiguration und Workflow-Monitoring.

Tech-Stack:

• React + TypeScript
• Electron
• Zustand (State Management)
• React Flow (visuelle Agenten-Orchestrierung)

Das Frontend kommuniziert mit dem Backend über sichere lokale HTTP-Anfragen.

2. Backend

Das Backend ist ein lokaler Python-Server, erstellt mit:

• FastAPI + Uvicorn
• Python 3.10+ (verwaltet durch uv)
• PostgreSQL (über SQLModel / SQLAlchemy)

Es hostet das CAMEL-Multi-Agent-Framework, das Folgendes verwaltet:

• Workforce-Orchestrierung
• LLM-Interaktionen (remote über Z.ai oder lokal über vLLM)
• Toolkits für Browser-, Terminal- und Dokumentenautomatisierung

CAMEL Workforce: Ein von Organisationen inspiriertes Multi-Agent-System

Im Kern von Eigent steht CAMEL Workforce, ein dezentralisiertes Multi-Agent-System, das für komplexe Enterprise-Aufgaben entwickelt wurde.

Agentenrollen

• Coordinator Agent

  Verwaltet den globalen Status und verteilt Teilaufgaben.

• Task Agent

  Zerlegt übergeordnete Ziele in atomare Aufgaben.

• Worker Agent

  Führt Aufgaben mithilfe bereichsspezifischer Tools aus.

Asynchrone Kommunikation: TaskChannel

Die Aufgabenausführung wird über eine asynchrone Message Queue koordiniert:

1. Workforce initiiert eine Aufgabe
2. Worker Agents fragen Aufgaben zugewiesen
3. Ergebnisse werden nach Abschluss zurückgesendet

Dieses Design sorgt für eine nicht blockierende, skalierbare Ausführung.

Dynamische DAG-Erstellung

Enterprise-Workflows sind selten linear.

CAMEL Workforce erstellt dynamisch einen Directed Acyclic Graph (DAG):

• Unabhängige Aufgaben laufen parallel
• Abhängige Aufgaben werden blockiert, bis die Voraussetzungen erfüllt sind

Beispiel:

• Search Flights und Search Hotels werden gleichzeitig ausgeführt
• Generate Itinerary wartet, bis beide DONE sind

Fehlertolerante Mechanismen

Fehler werden als erwartete Zustände behandelt, nicht als fatale Fehler.

Unterstützte Wiederherstellungsstrategien:

• RETRY – Die Aufgabe erneut ausführen
• REPLAN – Die Aufgabe basierend auf Fehlerprotokollen ändern
• REASSIGN – Die Aufgabe an einen anderen Agenten übertragen
• DECOMPOSE – Die Aufgabe in kleinere Teilaufgaben zerlegen

GLM-4.7 mit realer Terminal-Automatisierung testen

Wir haben GLM-4.7 mithilfe von Eigent's Terminal-Automatisierung anhand eines realistischen End-of-Day-Workflows evaluiert.

Beispielaufgabe

"Feierabend! Bitte hilf mir, die Arbeitsdateien auf meinem Desktop in den heutigen Ordner zu sortieren und anschließend einen täglichen HTML-Bericht zu schreiben, der zusammenfasst, was ich heute gemacht habe."

Was der Agent tun muss

1. Desktop-Dateien durchsuchen
2. Einen datumsbasierten Ordner erstellen
3. Arbeitsbezogene Dateien identifizieren und verschieben
4. Tägliche Aktivitäten aus Dateiänderungen ableiten
5. Einen strukturierten HTML-Bericht generieren

Das erfordert Long-Horizon Reasoning, Kontextbeibehaltung und mehrere Tool-Aufrufe.

In unseren Tests hat GLM-4.7 den Workflow erfolgreich abgeschlossen.

Wie GLM-4.7 die Leistung agentischer Aufgaben unterstützt

GLM-4.7 ist ein coding-orientiertes Modell, das für Agenten-Workflows optimiert ist und ein starkes Kosten-Nutzen-Verhältnis bietet.

Interleaved & Preserved Thinking

GLM-4.7 führt fortschrittliche Reasoning-Steuerungen ein:

• Interleaved Thinking

  Denkt vor jeder Antwort und jedem Tool-Aufruf nach.

• Preserved Thinking

  Behält Reasoning-Blöcke über mehrere Turns hinweg bei und reduziert so Kontextdrift.

• Turn-Level Thinking Control

  Aktivieren Sie Reasoning für komplexe Aufgaben und deaktivieren Sie es für leichte Aufgaben, um Kosten und Latenz zu sparen.

Diese Funktionen machen GLM-4.7 besonders geeignet für langfristige, mehrstufige Automatisierung.

Fazit & Nächste Schritte

Eigent bietet eine produktionsreife, lokal-first Umgebung für die Bereitstellung von KI-Agenten, die direkt in echten Enterprise-Systemen arbeiten.

Durch die Kombination von:

• CAMELs multi-agentischer, workforce-basierter Architektur
• Terminal- und Browser-Autonomie
• Starker Observability und Fehlertoleranz

liefert Eigent die Kernmerkmale, die für Enterprise-taugliche KI-Bereitstellung erforderlich sind:

Kontrollierbarkeit, Auditierbarkeit und Datenhoheit.

Wir haben außerdem gezeigt, wie GLM-4.7 in Kombination mit Eigent robuste Reasoning-Fähigkeiten für komplexe Workflows bietet.

Mitmachen

Eigent ist vollständig Open-Source. Wir freuen uns über Entwickler, Forscher und Enterprise-Teams, die es erkunden und dazu beitragen.

• 👉 GitHub: https://github.com/eigent-ai/eigent
• 👉 Discord: https://discord.camel-ai.org