Eigent: open source Cowork spotyka Z.ai GLM-4.7

Streszczenie

W rzeczywistych środowiskach korporacyjnych wiele wewnętrznych narzędzi, pulpitów nawigacyjnych i systemów legacy działa wyłącznie w przeglądarce lub terminalu, stanowiąc podstawę codziennych operacji biznesowych.

Aby automatyzować te złożone systemy, przedstawiamy Eigent — otwartą aplikację do pracy zespołowej multi-agentowej, działającą lokalnie i możliwą do pełnej konfiguracji ze źródeł, z silnym naciskiem na automatyzację przeglądarki i terminala, pełniącą w praktyce rolę open source’owej alternatywy dla Cowork w przepływach pracy przedsiębiorstw.

W tym wpisie pokażemy, jak Eigent wykorzystuje architekturę Workforce firmy CAMEL oraz automatyzację terminala do obsługi wieloetapowych zadań enterprise. Przyjrzymy się również bliżej GLM-4.7, analizując jego wydajność w automatyzacji terminala oraz cechy architektoniczne, które wspierają długoterminowe, agentowe przepływy pracy.

Tło: Czym jest Eigent i jak wspiera GLM-4.7

Eigent to open source’owy produkt multi-agentowy do pracy zespołowej, działający lokalnie na Twoim komputerze. Jest zbudowany na architekturze multi-agentowej w stylu Workforce i wyposażony w ogólnego przeznaczenia funkcje, takie jak:

• Automatyzacja przeglądarki
• Automatyzacja terminala
• Integracje MCP (Model Context Protocol)

Taka konstrukcja pozwala agentom w Eigent zachowywać się jak prawdziwi pracownicy, działając bezpośrednio w środowisku pulpitu — bez potrzeby głębokich integracji API czy ciągłej rekonfiguracji workflow.

W miarę jak modele bazowe stale się rozwijają, integracja ich z open source’owym systemem multi-agentowym Eigent pozwala deweloperom i przedsiębiorstwom szybko i skutecznie wykorzystywać możliwości LLM w realnych przypadkach użycia.

Dlatego właśnie Eigent zintegrował GLM-4.7 natychmiast po jego premierze.

Pierwsze kroki z GLM-4.7

• Tryb chmurowy:

  Po prostu wybierz GLM-4.7 z górnego menu wyboru modelu.

• Bring Your Own Key (BYOK):

  Przejdź do Model Settings → GLM, wpisz swój klucz API Z.ai i ustaw nazwę modelu na GLM-4.7.

Potrzebujesz pomocy? Sprawdź nasz przewodnik dotyczący konfiguracji klucza API Z.ai.

Dostępny jest także poniżej wideo poradnik krok po kroku.

Repozytorium GitHub i jak skonfigurować Eigent

Repozytorium GitHub

👉 https://github.com/eigent-ai/eigent

Szybki start: konfiguracja środowiska

Eigent możesz uruchomić na dwa sposoby:

Opcja A: Aplikacja desktopowa bez konfiguracji (zalecane dla użytkowników)

Dla użytkowników, którzy chcą od razu zacząć automatyzować zadania:

1. Pobierz klienta z Oficjalnej Strony
2. Zainstaluj .dmg (macOS) lub .exe (Windows)
3. Uruchom aplikację — lokalny backend uruchomi się automatycznie

Opcja B: Konfiguracja dla deweloperów (ze źródeł)

Dla deweloperów, którzy chcą przejrzeć lub dostosować system.

1. Wymagania wstępne

• Node.js v18–22
• Python 3.10+

2. Klonowanie i instalacja

# Klonowanie repozytorium
git clone https://github.com/eigent-ai/eigent.git
cd eigent

# Instalacja zależności frontendowych
npm install

3. Uruchomienie aplikacji

# Uruchomienie w trybie deweloperskim
npm run dev

Po uruchomieniu możesz skonfigurować dostawców LLM (GLM-4.7 itp.) bezpośrednio w ustawieniach.

W przypadku zaawansowanej konfiguracji i rozwiązywania problemów zajrzyj do Oficjalnej Dokumentacji.

Pod maską: pełny stack Eigent i architektura CAMEL Workforce

Przegląd systemu

Eigent to lokalna aplikacja desktopowa first, oparta na silniku orkiestracji multi-agentowej zbudowanym na CAMEL Workforce.

Kluczowe zasady architektoniczne:

• W pełni lokalne wykonanie
• Rozdzielona architektura full-stack
• Silne gwarancje suwerenności danych
• Brak wykonywania agentów w chmurze

1. Frontend

Frontend pełni rolę warstwy sterującej do konfiguracji agentów i monitorowania workflow.

Stack technologiczny:

• React + TypeScript
• Electron
• Zustand (zarządzanie stanem)
• React Flow (wizualna orkiestracja agentów)

Frontend komunikuje się z backendem za pomocą bezpiecznych lokalnych żądań HTTP.

2. Backend

Backend to lokalny serwer Python zbudowany z:

• FastAPI + Uvicorn
• Python 3.10+ (zarządzany przez uv)
• PostgreSQL (przez SQLModel / SQLAlchemy)

Obsługuje on framework multi-agentowy CAMEL, który zarządza:

• Orkiestracją Workforce
• Interakcjami z LLM (zdalnie przez Z.ai lub lokalnie przez vLLM)
• Zestawami narzędzi do automatyzacji przeglądarki, terminala i dokumentów

CAMEL Workforce: system multi-agentowy inspirowany organizacjami

W centrum Eigent znajduje się CAMEL Workforce, zdecentralizowany system multi-agentowy zaprojektowany do złożonych zadań enterprise.

Role agentów

• Agent Koordynujący

  Utrzymuje globalny stan i rozdziela podzadania.

• Agent Zadań

  Rozkłada cele wysokiego poziomu na atomowe zadania.

• Agent Wykonawczy

  Wykonuje zadania z użyciem narzędzi specyficznych dla danej dziedziny.

Komunikacja asynchroniczna: TaskChannel

Wykonanie zadań jest koordynowane przez asynchroniczną kolejkę wiadomości:

1. Workforce inicjuje zadanie
2. Agenci wykonawczy pobierają przydziały
3. Wyniki są odsyłane po zakończeniu

Taka konstrukcja zapewnia niewstrzymujące i skalowalne wykonanie.

Dynamiczne tworzenie DAG

Przepływy pracy enterprise rzadko są liniowe.

CAMEL Workforce dynamicznie tworzy Directed Acyclic Graph (DAG):

• Niezależne zadania są uruchamiane równolegle
• Zadania zależne są blokowane do momentu ukończenia wymagań wstępnych

Przykład:

• Search Flights i Search Hotels wykonują się równolegle
• Generate Itinerary czeka, aż oba będą DONE

Mechanizmy odporne na awarie

Niepowodzenia są traktowane jako oczekiwane stany, a nie błędy krytyczne.

Obsługiwane strategie odzyskiwania:

• RETRY – ponowne uruchomienie zadania
• REPLAN – modyfikacja zadania na podstawie logów błędów
• REASSIGN – przeniesienie zadania do innego agenta
• DECOMPOSE – podział zadania na mniejsze podzadania

Testowanie GLM-4.7 w rzeczywistej automatyzacji terminala

Oceniliśmy GLM-4.7, używając automatyzacji terminala w Eigent, na realistycznym scenariuszu pracy na koniec dnia.

Przykładowe zadanie

"Koniec pracy! Proszę, pomóż mi uporządkować pliki służbowe na pulpicie do folderu dzisiejszego dnia, a następnie napisz raport dzienny HTML podsumowujący, co zrobiłem dzisiaj."

Co agent musi zrobić

1. Przeskanować pliki na pulpicie
2. Utworzyć folder oparty na dacie
3. Zidentyfikować i przenieść pliki związane z pracą
4. Wywnioskować dzienne aktywności na podstawie zmian w plikach
5. Wygenerować uporządkowany raport HTML

Wymaga to rozumowania długiego horyzontu, zachowania kontekstu i wielu wywołań narzędzi.

W naszych testach GLM-4.7 skutecznie ukończył workflow.

Jak GLM-4.7 wspiera wydajność agentową w zadaniach

GLM-4.7 to model ukierunkowany na kodowanie, zoptymalizowany pod workflow agentowe, oferujący silną równowagę między kosztem a wydajnością.

Przeplatane i zachowane myślenie

GLM-4.7 wprowadza zaawansowane mechanizmy kontroli rozumowania:

• Interleaved Thinking

  Myśli przed każdą odpowiedzią i każdym wywołaniem narzędzia.

• Preserved Thinking

  Zachowuje bloki rozumowania między turami, ograniczając dryf kontekstu.

• Kontrola myślenia na poziomie tury

  Włączaj rozumowanie dla złożonych zadań, a wyłączaj je dla lekkich, aby oszczędzać koszt i opóźnienie.

Te funkcje sprawiają, że GLM-4.7 jest szczególnie odpowiedni do długoterminowej, wieloetapowej automatyzacji.

Podsumowanie i kolejne kroki

Eigent zapewnia środowisko produkcyjne, lokalne first do wdrażania agentów AI działających bezpośrednio w rzeczywistych systemach enterprise.

Łącząc:

• architekturę multi-agentową opartą na Workforce firmy CAMEL
• autonomię na poziomie terminala i przeglądarki
• wysoką obserwowalność i odporność na awarie

Eigent dostarcza kluczowe cechy wymagane dla wdrożeń AI klasy enterprise:

sterowalność, audytowalność i suwerenność danych.

Pokazaliśmy też, jak GLM-4.7, po integracji z Eigent, oferuje solidne możliwości rozumowania dla złożonych workflow.

Zaangażuj się

Eigent jest w pełni open source. Zapraszamy deweloperów, badaczy i zespoły enterprise do eksploracji i współtworzenia projektu.

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