Enterprise-Agenten mit Eigent & Gemini 3 Pro ausführen

Abstract

In realen Enterprise-Umgebungen laufen viele interne Tools, Dashboards und Legacy-Systeme vollständig im Browser und bilden das Rückgrat täglicher Geschäftsabläufe. Um diese komplexen Systeme zu automatisieren, stellen wir Eigent vor, eine Open-Source-Multi-Agenten-Workforce-Anwendung, die lokal ausgeführt wird und sich vollständig aus dem Source-Code einrichten lässt, mit starkem Fokus auf Browserautomatisierung — im Grunde Ihr Eigent Open-Source-Coworker für Enterprise-Workflows.

In diesem Beitrag untersuchen wir, wie Eigent die Workforce-Architektur von CAMEL und Browserautomatisierung nutzt, um komplexe, mehrstufige Enterprise-Aufgaben zu bewältigen. Außerdem werfen wir einen genaueren Blick auf Gemini 3 Pro, analysieren seine Leistung anhand von drei realen Enterprise-Aufgaben und betrachten die architektonischen Merkmale, die es ihm ermöglichen, in langfristigen, agentischen Browserautomatisierungs-Szenarien effektiv zu arbeiten.

Hintergrund: Was ist Eigent und wie unterstützt es Gemini 3 Pro

Eigent ist ein Open-Source-Multi-Agenten-Workforce-Produkt, das auf Ihrem Desktop läuft. Es basiert auf einer Multi-Agenten-Workforce-Architektur, unterstützt durch allgemeine Fähigkeiten wie Browserautomatisierung, Terminalautomatisierung und MCPs. Dieses Design ermöglicht es den Agents in Eigent, Aufgaben ähnlich wie menschliche Mitarbeiter auszuführen — in realen Desktop-Umgebungen, ohne tiefgreifende API-Integrationen oder ständige Workflow-Neukonfiguration.

Da Foundation Models sich weiter verbessern, können Entwickler und Enterprise-Anwender durch die Integration mit Eigents Open-Source-Multi-Agenten-System LLM-Funktionen schnell und effektiv direkt auf reale Anwendungsfälle anwenden. Deshalb hat Eigent Gemini 3 Pro unmittelbar nach der Veröffentlichung integriert.

Um im Cloud-Modus zu starten, wählen Sie einfach Gemini 3 Pro aus dem oberen Dropdown-Menü. Alternativ können Sie, wenn Sie Bring Your Own Key bevorzugen, auf der Seite „Model Settings“ in Eigent zum Gemini-Bereich navigieren und dort Ihren API-Schlüssel eingeben. Sobald der Modellname auf Gemini 3 Pro gesetzt ist, können Sie loslegen. Benötigen Sie Hilfe? Werfen Sie einen Blick in unseren Leitfaden zur [Konfiguration Ihres Google Gemini API-Schlüssels].

Für eine Schritt-für-Schritt-Anleitung sehen Sie sich das folgende Video-Tutorial an.

GitHub-Repository & wie man Eigent einrichtet

GitHub Repository: https://github.com/eigent-ai/eigent

Schnellstart: Die Umgebung einrichten

Sie haben zwei Möglichkeiten, Eigent auszuführen: entweder mit der vorcompilierten Desktop-App für die sofortige Nutzung oder durch das Einrichten der Entwicklungsumgebung, um den Code zu prüfen und die Agents anzupassen.

Option A: Die „Zero-Config“-Desktop-App

Für Nutzer, die Aufgaben sofort automatisieren möchten, ohne Code anzufassen:

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

Option B: Entwickler-Setup

Um auf den Source Code zuzugreifen und das System lokal für die Entwicklung auszuführen, folgen Sie diesen Schritten:

1. Voraussetzungen Stellen Sie sicher, dass Node.js (v18-22) und Python installiert sind.

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

# Return to root and run dev mode
npm run dev

Sobald es läuft, können Sie Ihre LLM-Anbieter (Gemini 3 Pro usw.) direkt in den Einstellungen konfigurieren. Für detailliertere Informationen zu Konfiguration, erweiterten Funktionen und Fehlerbehebung lesen Sie bitte unsere Offizielle Dokumentation.

Unter der Haube: Eigents Full-Stack-Architektur und die CAMEL Workforce-Architektur

Überblick über das Eigent-System

Eigent ist eine lokal-first Desktop-Anwendung mit Multi-Agenten-Orchestrierung, die von der CAMEL Workforce als Kern-Engine angetrieben wird. Das System implementiert eine entkoppelte Full-Stack-Architektur, die vollständig auf der lokalen Infrastruktur des Nutzers läuft. Dieses Design gewährleistet strikt Datensouveränität und beseitigt die mit cloudbasierter Agentenausführung verbundenen Datenschutzrisiken.

1. Das Frontend

Die Benutzeroberfläche dient als Kontrollebene für Agentenkonfiguration und Workflow-Überwachung. Sie wurde in React und TypeScript innerhalb eines Electron-Frameworks entwickelt.

Zu den wichtigsten technischen Komponenten gehören:

• State Management: Zustand wird für die Verwaltung des transienten Anwendungsstatus eingesetzt und sorgt für effiziente Reaktivität.
• Visuelle Orchestrierung: React Flow wird integriert, um den Agenten-Arbeitsbereich zu visualisieren und die Agentenausführung in Echtzeit zu verfolgen.
• Kommunikation: Das Frontend kommuniziert über sichere lokale HTTP-Anfragen mit dem Backend.

2. Das Backend

Die Kernlogik befindet sich in einem lokalen Python-Server, der FastAPI und Uvicorn verwendet und als Host-Umgebung für das CAMEL-Multi-Agenten-Framework dient.

• Laufzeitumgebung: Das Backend läuft auf Python 3.10+, verwaltet durch uv für performante Abhängigkeitsauflösung und Isolierung der Umgebung.
• Persistenzschicht: PostgreSQL, angebunden über SQLModel/SQLAlchemy ORM, bietet robuste strukturierte Datenspeicherung für Audit-Logs, Workflow-Historie und Agentenzustände.
• Multi-Agenten-Framework: Das CAMEL-Framework übernimmt die Orchestrierungslogik der Agents (z. B. Workforce) und bindet Large Language Models (LLMs) an, egal ob remote (z. B. Gemini) oder lokal (z. B. über vLLM), für die Agentenausführung. Das CAMEL-Framework bietet außerdem eine umfangreiche Sammlung an Toolkits wie Browser-Toolkit, Terminal-Toolkit und Toolkit zur Dokumentenerstellung.

CAMEL Workforce: Ein Multi-Agenten-System, inspiriert von Organisationsstrukturen

Im Zentrum von Eigent steht CAMEL Workforce, ein Multi-Agenten-System, das darauf ausgelegt ist, komplexe reale Aufgaben durch dezentrale Zusammenarbeit zu lösen. Das System verwendet ein striktes Producer-Consumer-Muster, vermittelt über einen asynchronen Nachrichtenkanal, um Abhängigkeitsgraphen effizient zu verwalten.

1. Agentenrollen

• Coordinator Agent: Fungiert als primärer Dispatcher. Er verwaltet den globalen Zustand und verteilt Teilaufgaben basierend auf Verfügbarkeit und Fähigkeit an bestimmte Worker.
• Task Agent: Übernimmt die semantische Zerlegung hochrangiger Ziele in ausführbare, atomare Einheiten.
• Worker Agent: Dient als spezialisierte Ausführungseinheit. Worker-Agents konsumieren atomare Teilaufgaben und führen sie mit domänenspezifischen Tools aus.

2. Asynchrone Kommunikation: Der TaskChannel

Die Entkopplung zwischen Koordinations- und Ausführungsschicht wird über den TaskChannel erreicht. Diese asynchrone Message Queue verwaltet die Aufgabenverteilung, ohne den Hauptausführungs-Thread zu blockieren.

Ausführungsablauf:

1. Die Workforce initiiert eine Aufgabe.
2. Worker-Knoten fragen nach Zuweisungen.
3. Nach Abschluss werden Ergebnisse zurückgesendet.

3. Dynamische DAG-Erstellung

Enterprise-Workflows sind selten linear. CAMEL Workforce implementiert einen Mechanismus zur dynamischen Erstellung eines Directed Acyclic Graph (DAG). Wenn ein hochrangiger Prompt empfangen wird (z. B. "Create Travel Plan"), zerlegt der Task Agent dieses Ziel in einzelne Knoten.

Das System bildet Abhängigkeiten explizit ab und ermöglicht dem Scheduler:

• Unabhängige Knoten parallel auszuführen (z. B. Search Flight Ticket und Search Hotel laufen gleichzeitig).
• Abhängige Knoten zu blockieren, bis ihre Vorgänger einen DONE-Status erreichen.

4. Fehlertoleranter Mechanismus

Angesichts des nicht-deterministischen Charakters von LLMs behandelt Eigent Fehler als erwartete Zustandsübergänge und nicht als fatale Ausnahmen. Die Architektur implementiert einen robusten Recovery-Mechanismus unter Verwendung der folgenden Strategien:

• RETRY: Führt die Teilaufgabe auf demselben Worker erneut aus, um vorübergehende Fehler zu behandeln.
• REPLAN: Der Task Agent passt die ursprüngliche Teilaufgabe anhand des Fehlerprotokolls an, bevor er sie erneut in die Warteschlange stellt.
• REASSIGN: Die Teilaufgabe wird vom aktuellen Worker zu einem anderen Agenten mit kompatiblen Fähigkeiten verschoben.
• DECOMPOSE: Wenn eine Aufgabe aufgrund übermäßiger Komplexität fehlschlägt, wird sie rekursiv in kleinere Teilaufgaben zerlegt.

Browserautomatisierungs-Architektur in Eigent

Dennoch kann eine Multi-Agenten-Workforce-Architektur echte Enterprise-Automatisierung nur dann freisetzen, wenn sie mit der wachsenden Stärke allgemeiner Fähigkeiten wie Browserautomatisierung kombiniert wird. Deshalb betonen wir die Entwicklung von Agents, die direkt in realen Geschäftsumgebungen arbeiten können, anstatt sich ausschließlich auf starre API-Integrationen zu verlassen.

Eigent verwendet eine zweischichtige Architektur, die die Browsersteuerung von der Agenten-Orchestrierung trennt:

• Die TypeScript-Schicht ist für alle Browserinteraktionen verantwortlich. Sie nutzt native Playwright-APIs, um DOM-Operationen auszuführen, strukturierte Snapshots zu erfassen, SoM-Screenshots zu erzeugen, Verdeckungen zu erkennen und erweiterte Browserlogik direkt innerhalb der JavaScript-Runtime zu handhaben. Da Playwright nativ in TypeScript aufgebaut ist, erhält diese Schicht Zugriff auf modernste Funktionen wie _snapshotForAI() und sorgt für bessere Performance, Zuverlässigkeit und Entwicklerfreundlichkeit.
• Die Python-Schicht übernimmt die KI-Orchestrierung. Sie verwaltet LLM-Aufrufe, Agentenentscheidungen und Aufgabenplanung. Diese Trennung erlaubt es Python, sich auf die Agentenlogik zu konzentrieren, in der das Python-Ökosystem bei KI und Workflow-Orchestrierung besonders stark ist.
• Die beiden Schichten kommunizieren asynchron über WebSocket, wodurch blockierungsfreie Operationen möglich werden. Python sendet Browser-Operationen anfragen, TypeScript führt sie aus und gibt die Ergebnisse zurück. Die Interaktion ist für den Endnutzer transparent und unterstützt die parallele Ausführung von Aufgaben.

Diese Architektur verbessert die Performance, erhöht die Präzision von Elementinteraktionen und ermöglicht fortgeschrittene Funktionen wie dynamisches DOM-Filtering, viewport-bewusste Snapshots und In-Browser-SoM-Rendering. Sie vermeidet die Einschränkungen von Python-only-Implementierungen, etwa hohe Latenz, begrenzten Zugriff auf interne Browsermechanismen und komplexe Bildverarbeitungslogik. Indem Browseraufgaben an den nativen Ausführungskontext delegiert werden, stellt Eigent eine robuste Grundlage für agentenbasierte Enterprise-Automatisierung sicher.

Während der Multi-Agenten-Ausführung in Enterprise-Automatisierungs-Szenarien bietet browserbasierte Automatisierung einen natürlichen Vorteil bei der Nachvollziehbarkeit von Prozessen. Jeder Schritt ist transparent, überprüfbar und leicht zu debuggen, was sie für komplexe und sich weiterentwickelnde Workflows deutlich praktikabler macht.

Gemini 3 Pro in realen Enterprise-Aufgaben mit Eigent-Browserautomatisierung testen

Wir haben Eigent mit Gemini 3 Pro getestet, um Vertriebsprozesse mithilfe der Browserautomatisierungs-Funktionen von Eigent zu automatisieren. Die Aufgaben für die Agents bestehen darin, verschiedene Phasen des realen Sales-Cycles zu automatisieren, einschließlich Lead Capture & Creation, Qualification & Pipeline Management, Quotation, Negotiation, Closing und Product Management.

Über die Experimentläufe hinweg zeigt Gemini 3 Pro konsistent drei zentrale Stärken:

1. Geht gut mit komplexen Seitenstrukturen um, einschließlich iframes und verschachtelter Elemente: Es kann auch in komplexen Layouts zuverlässig die richtigen Inhalte und Buttons finden.
2. Überprüft eigene Aktionen, um präzise zu bleiben und Schritte kurz zu halten: Es nutzt eine Feedback-Schleife, um Fehler zu korrigieren und sicherzustellen, dass die Aufgabe wirklich korrekt abgeschlossen wird.
3. Nutzt Tools effizient und flexibel: Es vermeidet unnötige Schritte und weiß, wie man Tools bei Bedarf intelligent kombiniert.

Beispielaufgabe 1:

Identifizieren Sie alle B2B-Unternehmen im Y Combinator Winter- und Sommer-2025-Batch, deren Branchenfokus mit Marketing zusammenhängt. Nachdem Sie die vollständige Unternehmensliste erhalten haben, untersuchen Sie eigenständig die Produktinformationen jedes Unternehmens im Detail und konsolidieren Sie alle Ergebnisse in einer sauberen, gut strukturierten CSV-Datei.

Diese Aufgabe zeigt die Fähigkeit des Agents, iterative Navigation und dynamische Datenerfassung zu bewältigen. Im Gegensatz zu einfachem Scraping einer einzelnen Seite muss der Agent hier zunächst mit dem Y Combinator-Verzeichnis interagieren, um bestimmte Filter anzuwenden (Batch, Branche, B2B-Tag), und dann ein „List-to-Detail“-Muster ausführen.

Die Herausforderung besteht darin, den Kontext beizubehalten: Der Agent muss in einzelne Unternehmensprofile eintauchen, um spezifische Produktdetails zu extrahieren, und anschließend zur Hauptliste zurückkehren, ohne den Überblick zu verlieren oder Einträge zu duplizieren. Gemini 3 Pro orchestriert diesen Loop erfolgreich, analysiert unterschiedliche Landingpage-Layouts und normalisiert die unstrukturierten Informationen ohne manuelle Eingriffe in ein sauberes CSV-Format.

Beispielaufgabe 2:

Das salesforce.com - 200 Widgets Geschäft entwickelt sich gut. Verschieben Sie es von der Phase „Needs Analysis“ zu „Proposal“ und klicken Sie auf „Mark as Current Stage“ und dann auf „Contact Roles“ und geben Sie mir den Kontaktnamen und die Telefonnummer. Gehen Sie zurück zur Opportunities-Seite und bearbeiten Sie dann diesen Next Step zu „book a meeting with + the contact name and phone number.“

Diese Browserautomatisierungsaufgabe stellt Standardmodelle vor eine Herausforderung. Zuerst muss die relevante Opportunity auf der Salesforce-Startseite gefunden werden. Zweitens muss die Opportunity-Phase aktualisiert, zu einer bestimmten Seite navigiert und Kontaktinformationen abgerufen werden, und schließlich muss das Feld „Next Step“ innerhalb dieser Informationen angepasst werden.

Daher ist es für diese Aufgabe erforderlich, stabile langfristige Aufgabenleistung, ein tiefes Verständnis komplexer Aufgaben, logische Aufgabenplanung und die Fähigkeit zur Ausführung stabiler, seitenübergreifender Operationen innerhalb der Salesforce-Umgebung zu demonstrieren.

Darüber hinaus können wir durch eine quantitative Aufschlüsselung (z. B. Zuordnung jeder Schrittaktion zu Seitenbereichen, Verfolgung von Fehler-/Retry-Zählungen) die Browseraktions-Referenz mit den Elementen in den Snapshots Schritt für Schritt abgleichen. Dies ermöglicht eine tiefere Analyse der Leistung von Gemini 3 Pro hinsichtlich der Genauigkeit und Effektivität von Tool-Aufrufen und Browseraktionen:

Basierend auf den drei Lauf-Ergebnissen sehen wir, dass Gemini 3 Pro in langfristigen Browseraufgaben eine hohe Robustheit und Nachvollziehbarkeit zeigt.

• Ausführungsablauf: Es zeigt eine zuverlässige Planung des Ausführungspfads aus dem geparsten Aufgabenobjektiv und dem Umgebungszustand.
• Stabilität & Robustheit: Die aktuelle Aufgaben-Browserseite enthielt bis zu 13 Verschachtelungsebenen, dennoch behielt Gemini 3 Pro während der Ausführung geringe Retry-Raten und keine Endlosschleifen bei.
• Effizienz: Die drei Log-Sätze zeigten fast keine redundanten Tool-Aufrufe und nie mehrfaches Klicken oder wiederholte Eingaben. Diese Effizienz führte zusammen mit flexiblen Hilfstools (Note/Screenshot) zu weniger und stabileren Browseraktionen.

Beispielaufgabe 3:

„Ich bereite mich auf mein monatliches Sales-Review vor. Bitte gehe in meine Forecasts, finde die Opportunity unter dem Konto Global Media, die sich in der Commit-Phase befindet, und aktualisiere ihr Close Date auf 26. November.“

Was passiert, wenn wir die Komplexität der Webseite in der Aufgabe erhöhen?

Die folgende Aufgabe ist auf einer Salesforce-Forecast-Seite angesiedelt. Die Forecast-Seite wird von Vertriebsteams für Statistiken und Übersichten verwendet; ihre Browserseite ist extrem komplex und umfasst in einem einzigen Snapshot ungefähr 4.763 Elemente. Nach der mehrstufigen Decodierung enthält der Snapshot 1.222 Zeilen mit einer maximalen Verschachtelungstiefe von 18 Ebenen und einer durchschnittlichen Tiefe von ungefähr 14,33. Das bedeutet, die Seite hat nicht nur eine hohe Elementanzahl, sondern auch eine tief verschachtelte Hierarchie: mehrschichtige Strukturen wie List → List Item → Link/Button → Icon → Paragraph/Grid Row.

Salesforce Forecasts Webpage

In unseren Tests führte Gemini 3 diese Aufgabe alle drei Male fehlerfrei aus. Es benötigt die Fähigkeit, Felder innerhalb einer derart dichten, stark verschachtelten Seite korrekt zu aktualisieren und dabei trotzdem die Ziel-Opportunity (Global Media 180 Widgets) zuverlässig zu finden und das Close Date zu aktualisieren — dies ist ein Beleg für die robuste Parsing-, Pfadplanungs- und stabile Ausführungsfähigkeit von Gemini 3 Pro in browserbezogenen Einsatzszenarien.

Wie Gemini 3 Pro die Aufgabenleistung verbessert

Gemini 3 Pro sticht als ausgewogene Wahl für autonome Enterprise-Agents hervor. In unseren realen Aufgaben bewältigt es Browser-Workflows mit langem Zeithorizont durchgehend mit hoher Zuverlässigkeit. In Kombination mit seinem günstigen Preis-Leistungs-Verhältnis ist es eine praktische Option, um agentenbasierte Automatisierung in Enterprise-Umgebungen zu skalieren.

Der Vorteil der „State Continuity“ (Thought Signatures) Das wichtigste technische Unterscheidungsmerkmal, das wir beobachtet haben, ist die Implementierung von Thought Signatures in Gemini 3 Pro. Bei traditionellen LLM-Interaktionen verlässt sich das Modell vollständig auf den Text der Gesprächshistorie, um seinen Kontext zwischen den Schritten wiederherzustellen. In komplexen, langfristigen Workflows kann dies gelegentlich zu „Context Drift“ führen, bei dem ein Agent nach mehreren Browserinteraktionen den ursprünglichen Zielkontext aus den Augen verliert. Gemini 3 Pro begegnet dem, indem es nach jedem Schritt eine thoughtSignature zurückgibt, eine verschlüsselte Repräsentation seines internen Denkzustands.

Auswirkungen auf Eigent

Wenn unsere Agents sequentielle Aufgaben ausführen (z. B. „Check flight status“ gefolgt von „Book Taxi“), wird diese Signatur an das Modell zurückgegeben. In unseren Tests half dieser Mechanismus dem Agenten, während mehrstufiger Funktionsaufrufe eine bessere logische Kontinuität aufrechtzuerhalten, und reduzierte im Vergleich zu ähnlichen Modellen die Rate logischer Fehler in späteren Phasen des Workflows.

Robustheit bei langfristiger Planung

Enterprise-Automatisierung erfordert oft das Navigieren durch Unsicherheiten — etwa Anmeldeseiten, Ladezustände oder unerwartete Pop-ups.

Gemini 3 Pro zeigte in längeren Sitzungen (10+ Schritte) eine hohe Resilienz. Das passt zu seiner Leistung in Benchmarks wie Vending-Bench 2, der langfristige Planung bewertet.

Für Standardanfragen mag der Leistungsunterschied zwischen Spitzenmodellen vernachlässigbar sein. In der Agentic Automation jedoch, in der Zustandsverwaltung und Fehlerwiederherstellung entscheidend sind, bietet Gemini 3 Pro derzeit eine zuverlässige Grundlage für die Eigent-Plattform. Seine Fähigkeit, den „Reasoning State“ über Thought Signatures zu bewahren, macht es zur pragmatischen Wahl für komplexe, mehrstufige Enterprise-Workflows.

Fazit & nächste Schritte

Mit diesem Blog haben wir untersucht, wie Eigent, angetrieben von CAMELs Multi-Agenten-Workforce-Architektur und Browser-Level-Fähigkeiten, eine produktionsreife Umgebung für die Bereitstellung von KI-Agents schafft, die tatsächlich innerhalb von Enterprise-Systemen arbeiten können. Durch die Kombination von Autonomie auf Tool-Ebene mit durch den Nutzer überschreibbaren Workflows bleibt das System kontrollierbar, beobachtbar und auditierbar — genau die kritischen Eigenschaften für jede B2B-orientierte Bereitstellung.

Wir haben außerdem demonstriert, wie Gemini 3 Pro, in Eigent integriert, ein ideales Gleichgewicht zwischen Denkfähigkeit, Stabilität und Kosteneffizienz bietet. Seine architektonische Übereinstimmung mit Multi-Agenten-Ausführung, insbesondere durch Funktionen wie Thought Signatures, macht es besonders geeignet für risikoreiche Workflows mit langem Zeithorizont, wie sie für Enterprise-Use-Cases typisch sind.

Mit Blick nach vorn arbeiten wir weiterhin daran:

• Fehlerfälle in realen Enterprise-Deployments sichtbar zu machen, um Aufgabemuster zu identifizieren, bei denen aktuelle Foundation Models Schwierigkeiten mit Zustandsverfolgung, Fehlerbehebung oder Tool-Grounding haben.
• Einen standardisierten Benchmark für Enterprise-Browserautomatisierung zu etablieren, der realistische Enterprise-Automatisierungsaufgaben sammelt, darunter E-Mail-Clients, Messaging-Systeme, Dokumente, Browser-UIs und ERP/CRM-Plattformen.
• Eine Reinforcement-Learning-Umgebung für browserbasierte Enterprise-Workflows zu entwickeln, die Reinforcement Learning für Agents durch aufgabenbasierte Belohnungen, Trajektorienverfolgung und Analyse von Langzeitverhalten ermöglicht.

Eigent ist vollständig Open Source, und wir laden Entwickler, Forscher und Enterprise-Teams ein, es zu erkunden, zu erweitern und beizutragen:

👉 GitHub: https://github.com/eigent-ai/eigent

👉 Treten Sie unserer Discord-Community bei: https://discord.camel-ai.org