Eigent : le Cowork open source rencontre Z.ai GLM-4.7

Résumé

Dans les environnements d'entreprise réels, de nombreux outils internes, tableaux de bord et systèmes hérités fonctionnent entièrement dans le navigateur ou le terminal, constituant l'épine dorsale des opérations quotidiennes.

Pour automatiser ces systèmes complexes, nous présentons Eigent, une application open source de workforce multi-agent qui s'exécute localement et peut être entièrement configurée à partir du code source, avec un fort accent sur l'automatisation du navigateur et du terminal, servant essentiellement d'alternative open source à Cowork pour les workflows d'entreprise.

Dans cet article, nous explorerons comment Eigent s'appuie sur l'architecture Workforce de CAMEL et sur l'automatisation du terminal pour gérer des tâches d'entreprise en plusieurs étapes. Nous examinerons également de plus près GLM-4.7, en analysant ses performances dans l'automatisation du terminal et les caractéristiques architecturales qui prennent en charge des workflows agentiques à long horizon.

Contexte : qu'est-ce qu'Eigent et comment il prend en charge GLM-4.7

Eigent est un produit open source de workforce multi-agent qui s'exécute localement sur votre ordinateur. Il repose sur une architecture multi-agent de type workforce et est doté de capacités polyvalentes telles que :

• Automatisation du navigateur
• Automatisation du terminal
• Intégrations MCP (Model Context Protocol)

Cette conception permet aux agents d'Eigent de se comporter comme de vrais travailleurs humains, opérant directement dans des environnements de bureau, sans nécessiter d'intégrations API profondes ni de reconfiguration constante des workflows.

À mesure que les modèles de fondation continuent de s'améliorer, leur intégration avec le système multi-agent open source d'Eigent permet aux développeurs et aux entreprises d'appliquer rapidement et efficacement les capacités des LLM à des cas d'usage réels.

C'est pourquoi Eigent a intégré GLM-4.7 immédiatement après sa sortie.

Démarrer avec GLM-4.7

• Mode Cloud :

  Sélectionnez simplement GLM-4.7 dans la liste déroulante des modèles en haut.

• Apportez votre propre clé (BYOK) :

  Allez dans Model Settings → GLM, saisissez votre clé API Z.ai et définissez le nom du modèle sur GLM-4.7.

Besoin d'aide ? Consultez notre guide sur la configuration de votre clé API Z.ai.

Un tutoriel vidéo étape par étape est également disponible ci-dessous.

Dépôt GitHub et comment configurer Eigent

Dépôt GitHub

👉 https://github.com/eigent-ai/eigent

Démarrage rapide : configuration de l'environnement

Vous pouvez exécuter Eigent de deux façons :

Option A : application de bureau sans configuration (recommandée pour les utilisateurs)

Pour les utilisateurs qui souhaitent commencer à automatiser des tâches immédiatement :

1. Téléchargez le client depuis le site officiel
2. Installez le fichier .dmg (macOS) ou .exe (Windows)
3. Lancez l'application — le backend local démarre automatiquement

Option B : configuration développeur (depuis le code source)

Pour les développeurs qui souhaitent inspecter ou personnaliser le système.

1. Prérequis

• Node.js v18–22
• Python 3.10+

2. Cloner et installer

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

# Install frontend dependencies
npm install

3. Lancer l'application

# Run in development mode
npm run dev

Une fois l'application lancée, vous pouvez configurer les fournisseurs de LLM (GLM-4.7, etc.) directement dans les paramètres.

Pour la configuration avancée et le dépannage, consultez la documentation officielle.

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

Vue d'ensemble du système

Eigent est une application desktop local-first propulsée par un moteur d'orchestration multi-agent construit sur CAMEL Workforce.

Principes architecturaux clés :

• Exécution entièrement locale
• Conception full stack découplée
• Fortes garanties de souveraineté des données
• Aucune exécution d'agents dans le cloud

1. Frontend

Le frontend sert de control plane pour la configuration des agents et le suivi des workflows.

Stack technique :

• React + TypeScript
• Electron
• Zustand (gestion d'état)
• React Flow (orchestration visuelle des agents)

Le frontend communique avec le backend via des requêtes HTTP locales sécurisées.

2. Backend

Le backend est un serveur Python local construit avec :

• FastAPI + Uvicorn
• Python 3.10+ (géré par uv)
• PostgreSQL (via SQLModel / SQLAlchemy)

Il héberge le framework multi-agent CAMEL, qui gère :

• L'orchestration de la workforce
• Les interactions avec le LLM (à distance via Z.ai ou en local via vLLM)
• Des toolkits pour l'automatisation du navigateur, du terminal et des documents

CAMEL Workforce : un système multi-agent inspiré des organisations

Au cœur d'Eigent se trouve CAMEL Workforce, un système multi-agent décentralisé conçu pour les tâches d'entreprise complexes.

Rôles des agents

• Agent coordinateur

  Maintient l'état global et distribue les sous-tâches.

• Agent de tâche

  Décompose les objectifs de haut niveau en tâches atomiques.

• Agent travailleur

  Exécute les tâches à l'aide d'outils spécifiques au domaine.

Communication asynchrone : TaskChannel

L'exécution des tâches est coordonnée via une file de messages asynchrone :

1. La workforce initie une tâche
2. Les agents travailleurs interrogent le système pour obtenir des attributions
3. Les résultats sont renvoyés une fois l'exécution terminée

Cette conception garantit une exécution non bloquante et évolutive.

Construction dynamique de DAG

Les workflows d'entreprise sont rarement linéaires.

CAMEL Workforce construit dynamiquement un graphe orienté acyclique (DAG) :

• Les tâches indépendantes s'exécutent en parallèle
• Les tâches dépendantes sont bloquées jusqu'à ce que les prérequis soient terminés

Exemple :

• Search Flights et Search Hotels s'exécutent simultanément
• Generate Itinerary attend que les deux soient DONE

Mécanismes de tolérance aux pannes

Les échecs sont traités comme des états attendus, et non comme des erreurs fatales.

Stratégies de récupération prises en charge :

• RETRY – Relancer la tâche
• REPLAN – Modifier la tâche à partir des journaux d'échec
• REASSIGN – Transférer la tâche à un autre agent
• DECOMPOSE – Décomposer la tâche en sous-tâches plus petites

Tests de GLM-4.7 avec une automatisation de terminal en conditions réelles

Nous avons évalué GLM-4.7 à l'aide de l'automatisation du terminal d'Eigent sur un workflow réaliste de fin de journée.

Exemple de tâche

"J'ai fini pour aujourd'hui ! Aidez-moi à organiser les fichiers de travail sur mon bureau dans le dossier d'aujourd'hui, puis rédigez un rapport quotidien HTML résumant ce que j'ai fait aujourd'hui."

Ce que l'agent doit faire

1. Analyser les fichiers du bureau
2. Créer un dossier basé sur la date
3. Identifier et déplacer les fichiers liés au travail
4. Déduire les activités quotidiennes à partir des modifications de fichiers
5. Générer un rapport HTML structuré

Cela nécessite un raisonnement à long horizon, la préservation du contexte et plusieurs appels d'outils.

Lors de nos tests, GLM-4.7 a mené le workflow à bien.

Comment GLM-4.7 prend en charge la performance des tâches agentiques

GLM-4.7 est un modèle orienté code optimisé pour les workflows agentiques, offrant un excellent équilibre coût-performance.

Réflexion entrelacée et préservée

GLM-4.7 introduit des contrôles de raisonnement avancés :

• Interleaved Thinking

  Réfléchit avant chaque réponse et chaque appel d'outil.

• Preserved Thinking

  Conserve les blocs de raisonnement d'un tour à l'autre, réduisant la dérive du contexte.

• Contrôle du raisonnement au niveau du tour

  Activez le raisonnement pour les tâches complexes, désactivez-le pour les tâches légères afin d'économiser les coûts et la latence.

Ces fonctionnalités rendent GLM-4.7 particulièrement adapté à l'automatisation multi-étapes à long horizon.

Conclusion et prochaines étapes

Eigent fournit un environnement local-first de niveau production pour déployer des agents IA qui opèrent directement au sein de systèmes d'entreprise réels.

En combinant :

• L'architecture multi-agent basée sur la workforce de CAMEL
• L'autonomie au niveau du terminal et du navigateur
• Une forte observabilité et une grande tolérance aux pannes

Eigent offre les propriétés fondamentales requises pour un déploiement d'IA de niveau entreprise :

contrôlabilité, auditabilité et souveraineté des données.

Nous avons également montré comment GLM-4.7, lorsqu'il est intégré à Eigent, offre de solides capacités de raisonnement pour des workflows complexes.

Participez

Eigent est entièrement open source. Nous invitons les développeurs, les chercheurs et les équipes d'entreprise à explorer et contribuer.

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