Eigent rencontre MiniMax M2.1

Dans les environnements d'entreprise réels, de nombreux outils internes, tableaux de bord et systèmes hérités fonctionnent entièrement dans le navigateur. Pour automatiser ces systèmes, nous utilisons Eigent, une application open source de workforce multi-agents qui s'exécute en local et peut être entièrement configurée depuis les sources, avec un fort accent sur l'automatisation browser — agissant ainsi comme un coworker open source Eigent hébergé sur votre propre infrastructure.

Dans cet article, nous explorons comment Eigent s'appuie sur CAMEL Workforce et l'automatisation browser pour gérer des tâches d'entreprise complexes en plusieurs étapes. Nous examinons également de plus près MiniMax M2.1, en analysant ses performances sur un workflow d'entreprise réaliste ainsi que les caractéristiques architecturales qui lui permettent de fonctionner efficacement dans des scénarios d'automatisation browser agentique à long horizon.

Contexte : qu'est-ce qu'Eigent et comment il prend en charge MiniMax M2.1

Eigent est un produit open source de workforce multi-agents qui s'exécute sur votre ordinateur de bureau. Il est construit avec une architecture de workforce multi-agents, soutenue par des capacités générales telles que l'automatisation browser, l'automatisation du terminal et les MCPs. Cette conception permet aux agents d'Eigent d'effectuer des tâches un peu comme des travailleurs humains, en opérant dans des environnements de bureau réels sans intégrations API poussées ni reconfiguration constante des workflows.

À mesure que les foundation models continuent de progresser, leur intégration avec le système multi-agents open source d'Eigent permet aux développeurs et aux utilisateurs d'entreprise d'appliquer rapidement et efficacement les capacités des LLM à des cas d'usage concrets. Vous pouvez accéder à la page Model Settings dans Eigent, trouver la section OpenAI Compatible et renseigner votre clé API ainsi que votre URL. Une fois le nom du modèle défini sur MiniMax-M2.1, vous êtes prêt à commencer. Besoin d'aide ? Consultez notre guide sur la configuration de votre clé API MiniMax : https://platform.minimaxi.com/docs/api-reference/text-openai-api.

Dépôt GitHub et comment configurer Eigent

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

Démarrage rapide : vous pouvez exécuter Eigent à l'aide de l'application desktop précompilée pour une utilisation immédiate, ou mettre en place l'environnement de développement pour inspecter le code et personnaliser les agents.

Option A : l'application desktop sans configuration

1. Téléchargez le client depuis https://www.eigent.ai/.
2. Installez le .dmg (macOS) ou le .exe (Windows).
3. Lancez l'application et le backend local démarre automatiquement.

Option B : configuration développeur

1. Prérequis : Node.js (v18-22) et Python.
2. Clonez et installez :

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

3. Exécutez l'application :

npm run dev

Une fois l'application lancée, vous pouvez configurer vos fournisseurs de LLM (MiniMax M2.1 et autres) directement dans les paramètres. Pour des informations plus détaillées sur la configuration, les fonctionnalités avancées et le dépannage, consultez la documentation officielle : https://docs.eigent.ai/get_started/welcome.

Sous le capot : stack complète d'Eigent et architecture CAMEL Workforce

Vue d'ensemble du système Eigent

Eigent est une application desktop local-first avec orchestration multi-agents, propulsée par CAMEL Workforce comme moteur principal. Le système implémente une architecture full-stack découplée qui fonctionne entièrement sur l'infrastructure locale de l'utilisateur. Cette conception garantit la souveraineté des données et évite les risques de confidentialité associés à l'exécution d'agents dans le cloud.

Le frontend

L'interface utilisateur sert de plan de contrôle pour la configuration des agents et le suivi des workflows. Elle est construite avec React et TypeScript dans un framework Electron.

Les composants clés comprennent :

• Gestion d'état : Zustand gère l'état transitoire avec une réactivité efficace.
• Orchestration visuelle : React Flow visualise l'espace de travail des agents et l'exécution en temps réel.
• Communication : le frontend communique avec le backend via des requêtes HTTP locales sécurisées.

Le backend

La logique principale réside dans un serveur Python local utilisant FastAPI et Uvicorn, qui héberge le framework multi-agents CAMEL.

• Environnement d'exécution : le backend s'exécute sur Python 3.10+ et est géré par uv pour une résolution des dépendances haute performance et l'isolation de l'environnement.
• Couche de persistance : PostgreSQL, via SQLModel et l'ORM SQLAlchemy, stocke les logs d'audit, l'historique des workflows et les états des agents.
• Framework du système multi-agents : CAMEL gère la logique d'orchestration (par exemple, workforce), en s'interfaçant avec les LLM, qu'ils soient distants (par exemple, MiniMax) ou locaux (par exemple, vLLM). CAMEL fournit également des toolkits tels que des outils de browser, de terminal et de génération de documents.

CAMEL Workforce : un système multi-agents inspiré des structures organisationnelles

Au cœur d'Eigent se trouve CAMEL Workforce, un système multi-agents conçu pour résoudre des tâches complexes du monde réel grâce à une coopération décentralisée. Le système utilise un schéma strict producer-consumer, médié par un canal de messages asynchrone pour gérer efficacement les graphes de dépendances.

Rôles des agents

• Agent coordinateur : agit comme répartiteur principal, maintient l'état global et alloue les sous-tâches en fonction de la disponibilité et des capacités.
• Agent de tâche : responsable de la décomposition sémantique des objectifs de haut niveau en unités exécutables et atomiques.
• Agent worker : exécute les sous-tâches atomiques à l'aide d'outils spécifiques au domaine.

Communication asynchrone : le TaskChannel

Le découplage entre la couche de coordination et la couche d'exécution est assuré par le TaskChannel. Cette file de messages asynchrone gère la distribution des tâches sans bloquer le thread principal d'exécution.

Flux d'exécution :

1. La workforce initie une tâche.
2. Les nœuds worker vérifient les affectations.
3. Une fois terminés, les résultats sont renvoyés.

Construction dynamique de DAG

Les workflows d'entreprise sont rarement linéaires. CAMEL Workforce implémente un mécanisme de construction dynamique de graphe orienté acyclique (DAG). Lorsqu'un prompt de haut niveau est reçu (par exemple, "Créer un plan de voyage"), l'agent Task décompose cet objectif en nœuds distincts.

Le système cartographie les dépendances, permettant au scheduler de :

• Exécuter en parallèle les nœuds indépendants (par exemple, "Rechercher un billet d'avion" et "Rechercher un hôtel" s'exécutent simultanément).
• Bloquer les nœuds dépendants jusqu'à ce que leurs prédécesseurs atteignent l'état DONE.

Mécanismes de tolérance aux pannes

Compte tenu de la nature non déterministe des LLM, Eigent traite les échecs comme des transitions d'état attendues plutôt que comme des exceptions fatales. L'architecture implémente un mécanisme de récupération utilisant :

• Retry : réexécute la sous-tâche sur le même worker pour gérer les erreurs temporaires.
• Replan : l'agent Task modifie la sous-tâche d'origine en fonction du journal d'échec avant de la remettre en file d'attente.
• Reassign : la sous-tâche est migrée vers un autre worker disposant d'un ensemble de compétences compatible.
• Decompose : si une tâche échoue en raison de sa complexité, elle est décomposée en sous-tâches plus petites.

Architecture d'automatisation browser dans Eigent

L'automatisation multi-agents ne libère une vraie valeur d'entreprise que lorsqu'elle est associée à de solides capacités génériques comme l'automatisation browser. Eigent adopte une architecture à deux couches qui sépare le contrôle du browser de l'orchestration des agents :

• La couche TypeScript gère les interactions browser. Elle s'appuie sur les API Playwright natives pour effectuer des opérations DOM, capturer des instantanés structurés, générer des captures d'écran SoM, détecter les occultations et gérer une logique browser avancée directement dans le runtime JavaScript. Comme Playwright est natif à TypeScript, cette couche bénéficie de fonctionnalités comme _snapshotForAI() et améliore les performances ainsi que la fiabilité.
• La couche Python gère l'orchestration IA. Elle prend en charge les appels LLM, la prise de décision des agents et la planification des tâches.
• Les deux couches communiquent de manière asynchrone via WebSocket, ce qui permet des opérations non bloquantes. Python envoie des requêtes d'opérations browser, TypeScript les exécute et les résultats sont renvoyés à la boucle de l'agent.

Cette architecture améliore les performances, renforce la précision des interactions avec les éléments et permet des capacités avancées comme le filtrage dynamique du DOM, des instantanés sensibles au viewport et le rendu SoM dans le browser. En déléguant les tâches browser au contexte d'exécution natif, Eigent garantit une base robuste pour l'automatisation d'entreprise pilotée par des agents.

Test de MiniMax M2.1 sur des tâches d'entreprise réelles

Nous avons testé Eigent avec MiniMax M2.1 pour automatiser des processus commerciaux à l'aide des capacités d'automatisation browser d'Eigent. Les tâches des agents couvraient des étapes réelles du cycle de vente, notamment la capture et la création de leads, la qualification et la gestion du pipeline, les devis, la négociation, la conclusion et la gestion des produits.

Au cours des exécutions expérimentales, MiniMax M2.1 a constamment montré trois points forts :

1. Gère bien les structures de pages complexes, y compris les iframes et les éléments imbriqués.
2. Vérifie ses propres actions pour rester précis et garder les étapes courtes.
3. Utilise les outils de manière efficace et flexible, en évitant les étapes inutiles.

Tâche :

"Nous avons un nouveau contact chez Global Media - Jennifer Martinez (jennifer.m@globalmedia.com) est leur nouvelle Senior Marketing Manager. Ajoutez-la à notre Salesforce et assurez-vous qu'elle est reliée à la bonne entreprise."

Dans cette tâche, MiniMax M2.1 a opéré dans une interface Salesforce complexe pour ajouter un nouveau contact, Jennifer Martinez (Senior Marketing Manager), à Global Media et s'assurer qu'elle était correctement associée au bon compte. Cela nécessitait de naviguer entre plusieurs couches d'interface, d'identifier les bons points d'entrée, de créer le contact, de renseigner les champs clés et de valider le lien avec le compte.

Les résultats montrent que MiniMax M2.1 a exécuté chaque étape avec précision, sans clics erronés ni rupture du workflow. Cela démontre la forte capacité du modèle à comprendre des interfaces d'entreprise complexes, à planifier des actions multi-étapes et à exécuter de manière fiable des tâches de bout en bout.

Comment MiniMax M2.1 améliore les performances des tâches

MiniMax M2.1 est un excellent choix pour les agents autonomes d'entreprise. Il gère des tâches multi-étapes à long horizon avec fiabilité et offre un équilibre entre performance, efficacité et polyvalence.

Raisonnement amélioré et continuité du workflow

Par rapport à son prédécesseur, M2.1 produit des chaînes de raisonnement plus concises et plus efficaces, une meilleure réactivité et une consommation de tokens réduite. Il est conçu pour une meilleure gestion du contexte sur plusieurs étapes, aidant à maintenir la continuité logique pendant les appels de fonctions et réduisant le risque d'erreurs plus tard dans le workflow.

Capacités de généralisation des agents et des outils

M2.1 fonctionne bien dans une variété de frameworks de scaffolding d'agents et d'environnements d'outils. Il généralise de manière fiable avec différents outils et prend en charge les workflows intégrés, ce qui le rend pratique pour l'automatisation d'entreprise.

Robustesse dans la planification à long horizon

L'automatisation d'entreprise implique souvent de l'incertitude, comme des états d'interface dynamiques, des délais de chargement et des interactions inattendues. Grâce à un raisonnement et à une efficacité d'exécution améliorés, M2.1 démontre une grande résilience dans des séquences de tâches longues.

Explorez Eigent et MiniMax M2.1

Eigent est entièrement open source, et nous invitons les développeurs, les chercheurs et les équipes d'entreprise à explorer, étendre et contribuer :

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