Eigent se encuentra con MiniMax M2.1

En entornos empresariales reales, muchas herramientas internas, paneles de control y sistemas heredados funcionan completamente en el navegador. Para automatizar estos sistemas, usamos Eigent, una aplicación de fuerza de trabajo multiagente de código abierto que se ejecuta localmente y puede configurarse por completo desde el código fuente, con un fuerte enfoque en la automatización del navegador — actuando efectivamente como un cowork de código abierto de Eigent que se aloja en tu propia infraestructura.

En este artículo, exploramos cómo Eigent aprovecha CAMEL Workforce y la automatización del navegador para gestionar tareas empresariales complejas y de múltiples pasos. También analizamos MiniMax M2.1 en profundidad, evaluando su rendimiento en un flujo de trabajo empresarial realista y las características arquitectónicas que le permiten operar eficazmente en escenarios de automatización de navegador agentica de largo horizonte.

Antecedentes: qué es Eigent y cómo da soporte a MiniMax M2.1

Eigent es un producto de fuerza de trabajo multiagente de código abierto que se ejecuta en tu escritorio. Está construido con una arquitectura de fuerza de trabajo multiagente, respaldada por capacidades generales como automatización del navegador, automatización de terminal y MCPs. Este diseño permite que los agentes en Eigent realicen tareas de forma muy similar a trabajadores humanos, operando en entornos de escritorio reales sin integraciones profundas de API ni reconfiguración constante del flujo de trabajo.

A medida que los modelos base continúan avanzando, integrarlos con el sistema multiagente de código abierto de Eigent permite a desarrolladores y usuarios empresariales aplicar capacidades de LLM directamente a casos de uso del mundo real de forma rápida y eficaz. Puedes ir a la página de Model Settings en Eigent, localizar la sección OpenAI Compatible e introducir tu API key y URL. Una vez que el nombre del modelo esté configurado como MiniMax-M2.1, estarás listo para comenzar. ¿Necesitas ayuda? Consulta nuestra guía para configurar tu API key de MiniMax: https://platform.minimaxi.com/docs/api-reference/text-openai-api.

Repositorio de GitHub y cómo configurar Eigent

Repositorio de GitHub: https://github.com/eigent-ai/eigent

Inicio rápido: puedes ejecutar Eigent usando la aplicación de escritorio precompilada para usarla de inmediato, o configurar el entorno de desarrollo para inspeccionar el código y personalizar los agentes.

Opción A: la aplicación de escritorio sin configuración

1. Descarga el cliente desde https://www.eigent.ai/.
2. Instala el .dmg (macOS) o .exe (Windows).
3. Inicia la aplicación y el backend local se iniciará automáticamente.

Opción B: configuración para desarrolladores

1. Requisitos previos: Node.js (v18-22) y Python.
2. Clona e instala:

git clone https://github.com/eigent-ai/eigent.git
cd eigent
npm install

3. Ejecuta la aplicación:

npm run dev

Una vez en ejecución, puedes configurar tus proveedores de LLM (MiniMax M2.1 y otros) directamente en los ajustes. Para obtener información más detallada sobre configuración, funciones avanzadas y resolución de problemas, consulta la documentación oficial: https://docs.eigent.ai/get_started/welcome.

Bajo el capó: stack completo de Eigent y arquitectura CAMEL Workforce

Visión general del sistema de Eigent

Eigent es una aplicación de escritorio local-first con orquestación multiagente, impulsada por CAMEL Workforce como su motor central. El sistema implementa una arquitectura desacoplada, full-stack, que opera completamente en la infraestructura local del usuario. Este diseño garantiza la soberanía de los datos y evita los riesgos de privacidad asociados con la ejecución de agentes en la nube.

El frontend

La interfaz de usuario actúa como el plano de control para la configuración de agentes y el monitoreo de flujos de trabajo. Está construida sobre React y TypeScript dentro de un framework Electron.

Los componentes clave incluyen:

• Gestión del estado: Zustand maneja el estado transitorio con una reactividad eficiente.
• Orquestación visual: React Flow visualiza el espacio de trabajo de los agentes y la ejecución en tiempo real.
• Comunicación: El frontend se comunica con el backend mediante solicitudes HTTP locales seguras.

El backend

La lógica central reside en un servidor Python local que usa FastAPI y Uvicorn, y que aloja el framework multiagente CAMEL.

• Entorno de ejecución: El backend se ejecuta sobre Python 3.10+ y es gestionado por uv para una resolución de dependencias de alto rendimiento y aislamiento del entorno.
• Capa de persistencia: PostgreSQL, a través de SQLModel y SQLAlchemy ORM, almacena logs de auditoría, historial de flujos de trabajo y estados de los agentes.
• Framework del sistema multiagente: CAMEL maneja la lógica de orquestación (por ejemplo, workforce), interfaciándose con LLMs tanto remotos (por ejemplo, MiniMax) como locales (por ejemplo, vLLM). CAMEL también proporciona toolkits como browser, terminal y herramientas de generación de documentos.

CAMEL Workforce: un sistema multiagente inspirado en estructuras organizativas

En el corazón de Eigent se encuentra CAMEL Workforce, un sistema multiagente diseñado para resolver tareas complejas del mundo real mediante cooperación descentralizada. El sistema utiliza un patrón estricto productor-consumidor, mediado por un canal de mensajes asíncrono para gestionar eficientemente grafos de dependencias.

Roles de los agentes

• Agente coordinador: Funciona como el despachador principal, mantiene el estado global y asigna subtareas según la disponibilidad y la capacidad.
• Agente de tareas: Responsable de descomponer semánticamente objetivos de alto nivel en unidades atómicas ejecutables.
• Agente trabajador: Ejecuta subtareas atómicas usando herramientas específicas del dominio.

Comunicación asíncrona: el TaskChannel

La desacoplación entre la capa de coordinación y la capa de ejecución se logra a través de TaskChannel. Esta cola de mensajes asíncrona gestiona la distribución de tareas sin bloquear el hilo principal de ejecución.

Flujo de ejecución:

1. La fuerza de trabajo inicia una tarea.
2. Los nodos trabajadores consultan asignaciones.
3. Al completarse, los resultados se devuelven.

Construcción dinámica de DAG

Los flujos de trabajo empresariales rara vez son lineales. CAMEL Workforce implementa un mecanismo dinámico de construcción de grafo acíclico dirigido (DAG). Cuando se recibe un prompt de alto nivel (por ejemplo, "Crear plan de viaje"), el agente de tareas descompone este objetivo en nodos discretos.

El sistema asigna dependencias, permitiendo que el programador:

• Ejecute nodos independientes en paralelo (por ejemplo, "Buscar vuelo" y "Buscar hotel" se ejecutan de forma concurrente).
• Bloquee los nodos dependientes hasta que sus predecesores alcancen un estado DONE.

Mecanismos tolerantes a fallos

Dada la naturaleza no determinista de los LLMs, Eigent trata los fallos como transiciones de estado esperadas y no como excepciones fatales. La arquitectura implementa un mecanismo de recuperación utilizando:

• Retry: Vuelve a ejecutar la subtarea en el mismo trabajador para gestionar errores transitorios.
• Replan: El agente de tareas modifica la subtarea original basándose en el log de fallos antes de volver a ponerla en cola.
• Reassign: La subtarea se migra a otro trabajador con un conjunto de habilidades compatible.
• Decompose: Si una tarea falla por su complejidad, se descompone en subtareas más pequeñas.

Arquitectura de automatización del navegador en Eigent

La automatización multiagente solo libera valor empresarial real cuando se combina con capacidades generales sólidas como la automatización del navegador. Eigent adopta una arquitectura de dos capas que separa el control del navegador de la orquestación de agentes:

• La capa TypeScript gestiona las interacciones con el navegador. Aprovecha las APIs nativas de Playwright para realizar operaciones DOM, capturar instantáneas estructuradas, generar capturas SoM, detectar oclusiones y manejar lógica avanzada del navegador directamente dentro del runtime de JavaScript. Debido a que Playwright es nativo de TypeScript, esta capa obtiene acceso a funciones como _snapshotForAI() y mejora el rendimiento y la fiabilidad.
• La capa Python gestiona la orquestación de IA. Administra las llamadas a LLM, la toma de decisiones de los agentes y la planificación de tareas.
• Las dos capas se comunican de forma asíncrona mediante WebSocket, lo que permite operaciones sin bloqueo. Python envía solicitudes de operaciones del navegador, TypeScript las ejecuta y los resultados se devuelven al bucle del agente.

Esta arquitectura mejora el rendimiento, aumenta la precisión de las interacciones con elementos y habilita capacidades avanzadas como el filtrado dinámico del DOM, las instantáneas conscientes del viewport y el renderizado SoM dentro del navegador. Al delegar las tareas del navegador en el contexto de ejecución nativo, Eigent garantiza una base sólida para la automatización empresarial basada en agentes.

Probando MiniMax M2.1 en tareas empresariales del mundo real

Probamos Eigent con MiniMax M2.1 para automatizar procesos de ventas usando las capacidades de automatización del navegador de Eigent. Las tareas de los agentes cubrieron etapas reales del ciclo de ventas, incluyendo captura y creación de leads, calificación y gestión del pipeline, cotización, negociación, cierre y gestión de productos.

A lo largo de las ejecuciones experimentales, MiniMax M2.1 mostró de forma consistente tres fortalezas:

1. Maneja bien estructuras de página complejas, incluidos iframes y elementos anidados.
2. Revisa sus propias acciones para mantenerse preciso y mantener los pasos cortos.
3. Usa las herramientas de forma eficiente y flexible, evitando pasos innecesarios.

Tarea:

"Tenemos un nuevo contacto en Global Media - Jennifer Martinez (jennifer.m@globalmedia.com) es su nueva Senior Marketing Manager. Agrégala a nuestro Salesforce y asegúrate de que esté conectada con la empresa correcta."

En esta tarea, MiniMax M2.1 operó dentro de una interfaz compleja de Salesforce para agregar un nuevo contacto, Jennifer Martinez (Senior Marketing Manager), a Global Media y asegurarse de que estuviera correctamente asociada con la cuenta adecuada. Esto requirió navegar por múltiples capas de la UI, identificar los puntos de entrada correctos, crear el contacto, completar los campos clave y validar el vínculo con la cuenta.

Los resultados muestran que MiniMax M2.1 ejecutó cada paso con precisión, sin clics erróneos ni interrupciones del flujo de trabajo. Esto demuestra la sólida capacidad del modelo para comprender interfaces empresariales complejas, planificar acciones de varios pasos y ejecutar de forma fiable tareas de extremo a extremo.

Cómo MiniMax M2.1 mejora el rendimiento de las tareas

MiniMax M2.1 es una opción sólida para agentes empresariales autónomos. Maneja tareas de largo horizonte y de múltiples pasos con fiabilidad, y ofrece un equilibrio entre rendimiento, eficiencia y versatilidad.

Razón mejorado y continuidad del flujo de trabajo

En comparación con su predecesor, M2.1 produce cadenas de razonamiento más concisas y eficientes, mejor capacidad de respuesta y menor consumo de tokens. Está diseñado para una mejor gestión del contexto a lo largo de varios pasos, ayudando a mantener la continuidad lógica durante las llamadas a funciones y reduciendo la probabilidad de errores más adelante en el flujo de trabajo.

Capacidades de generalización de agentes y herramientas

M2.1 rinde bien en una variedad de frameworks de scaffolding de agentes y entornos de herramientas. Generaliza de forma fiable con diferentes herramientas y admite flujos de trabajo integrados, lo que lo hace práctico para la automatización empresarial.

Robustez en la planificación de largo horizonte

La automatización empresarial a menudo implica incertidumbre, como estados dinámicos de la UI, retrasos de carga e interacciones inesperadas. Gracias a una mejor razón y eficiencia de ejecución, M2.1 demuestra resiliencia en secuencias de tareas más largas.

Explora Eigent y MiniMax M2.1

Eigent es completamente de código abierto, e invitamos a desarrolladores, investigadores y equipos empresariales a explorar, extender y contribuir:

• GitHub: https://github.com/eigent-ai/eigent
• Hugging Face: https://huggingface.co/MiniMaxAI/MiniMax-M2.1
• Discord: https://discord.camel-ai.org/