Uruchamiaj agentów klasy enterprise z Eigent i Gemini 3 Pro

Abstrakt

W rzeczywistych środowiskach enterprise wiele wewnętrznych narzędzi, pulpitów i starszych systemów działa wyłącznie w przeglądarce, stanowiąc fundament codziennych operacji biznesowych.Aby automatyzować te złożone systemy, wprowadzamy Eigent, open-source'ową aplikację wieloagentową workforce, która działa lokalnie i może zostać w pełni skonfigurowana z kodu źródłowego, z silnym naciskiem na automatyzację przeglądarkową — pełniąc zasadniczo rolę Twojego open source coworka Eigent dla procesów enterprise.

W tym wpisie przyjrzymy się, jak Eigent wykorzystuje architekturę Workforce od CAMEL oraz automatyzację przeglądarkową do obsługi złożonych, wieloetapowych zadań enterprise. Przyjrzymy się też bliżej Gemini 3 Pro, analizując jego wydajność w trzech rzeczywistych zadaniach enterprise oraz cechy architektoniczne, które pozwalają mu skutecznie działać w długich, agentowych scenariuszach automatyzacji przeglądarkowej.

Tło: czym jest Eigent i jak wspiera Gemini 3 Pro

Eigent to open-source'owy, wieloagentowy produkt workforce, który działa na Twoim desktopie. Został zbudowany w oparciu o architekturę wieloagentową workforce, wspieraną przez ogólne możliwości, takie jak automatyzacja przeglądarki, automatyzacja terminala i MCP. Taki projekt pozwala agentom w Eigent wykonywać zadania podobnie jak pracownicy — działając w rzeczywistych środowiskach desktopowych, bez potrzeby głębokich integracji API czy ciągłej rekonfiguracji workflow.

W miarę jak modele bazowe stale się rozwijają, ich integracja z open-source'owym systemem wieloagentowym Eigent pozwala programistom i użytkownikom enterprise szybko oraz skutecznie wykorzystywać możliwości LLM bezpośrednio w realnych przypadkach użycia. Dlatego Eigent zintegrował Gemini 3 Pro natychmiast po premierze.

Aby rozpocząć pracę w Cloud Mode, po prostu wybierz Gemini 3 Pro z górnego menu rozwijanego. Alternatywnie, jeśli wolisz Bring Your Own Key, przejdź na stronę Model Settings w Eigent, znajdź sekcję Gemini i wprowadź swój klucz API. Gdy nazwa modelu zostanie ustawiona na Gemini 3 Pro, możesz rozpocząć pracę. potrzebujesz pomocy? Sprawdź nasz przewodnik po [konfiguracji klucza Google Gemini API].

Aby zobaczyć instrukcję krok po kroku, obejrzyj poniższy tutorial wideo.

Repozytorium Github i jak skonfigurować Eigent

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

Szybki start: konfiguracja środowiska

Masz dwa sposoby uruchomienia Eigent: użycie wcześniej skompilowanej aplikacji desktopowej do natychmiastowego korzystania albo skonfigurowanie środowiska deweloperskiego, aby przejrzeć kod i dostosować agentów.

Opcja A: desktopowa aplikacja „Zero-Config”

Dla użytkowników, którzy chcą od razu zacząć automatyzować zadania bez zagłębiania się w kod:

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

Opcja B: konfiguracja dla deweloperów

Aby uzyskać dostęp do kodu źródłowego i uruchomić system lokalnie w celach deweloperskich, wykonaj następujące kroki:

1. Wymagania wstępne Upewnij się, że masz zainstalowane Node.js (v18-22) oraz Python.

2. Klonowanie i instalacja

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

# Install frontend dependencies
npm install

3. Uruchomienie aplikacji

# Return to root and run dev mode
npm run dev

Gdy aplikacja działa, możesz skonfigurować dostawców LLM (Gemini 3 Pro itd.) bezpośrednio w ustawieniach. Aby uzyskać bardziej szczegółowe informacje o konfiguracji, zaawansowanych funkcjach i rozwiązywaniu problemów, zapoznaj się z naszą Oficjalną dokumentacją.

Pod maską: pełny stack Eigent i architektura CAMEL Workforce

Przegląd systemu Eigent

Eigent stanowi lokalną aplikację desktopową z orkiestracją wieloagentową, napędzaną przez CAMEL Workforce jako główny silnik. System implementuje odseparowaną architekturę full-stack, działającą całkowicie na lokalnej infrastrukturze użytkownika. Taki projekt wyraźnie zapewnia suwerenność danych, eliminując ryzyko prywatności związane z uruchamianiem agentów w chmurze.

1. Frontend

Interfejs użytkownika pełni rolę płaszczyzny sterowania do konfiguracji agentów i monitorowania workflow. Zbudowany na React i TypeScript w ramach Electron.

Do kluczowych komponentów technicznych należą:

• Zarządzanie stanem: Zustand jest używany do obsługi przejściowego stanu aplikacji, zapewniając wydajną reaktywność.
• Orkiestracja wizualna: React Flow został zintegrowany, aby wizualizować przestrzeń roboczą agenta i śledzić jego działanie w czasie rzeczywistym.
• Komunikacja: Frontend komunikuje się z backendem za pomocą bezpiecznych lokalnych żądań HTTP.

2. Backend

Logika rdzeniowa znajduje się w lokalnym serwerze Python, wykorzystującym FastAPI i Uvicorn, który działa jako środowisko hosta dla wieloagentowej struktury CAMEL.

• Środowisko uruchomieniowe: Backend działa na Python 3.10+, zarządzany przez uv w celu wysokowydajnego rozwiązywania zależności i izolacji środowiska.
• Warstwa trwałości: PostgreSQL, połączony przez SQLModel/SQLAlchemy ORM, zapewnia solidne przechowywanie ustrukturyzowanych danych dla logów audytowych, historii workflow i stanów agentów.
• Wieloagentowy framework: Framework CAMEL obsługuje logikę orkiestracji agentów (np. workforce), integrując się z Large Language Models (LLMs) zarówno zdalnymi (np. Gemini), jak i lokalnymi (np. via vLLM) do uruchamiania agentów. Framework CAMEL oferuje również bogaty zestaw toolkitów, takich jak browser toolkit, terminal toolkit, document generation toolkit.

CAMEL Workforce: system wieloagentowy inspirowany strukturami organizacyjnymi

W sercu Eigent znajduje się CAMEL Workforce, system wieloagentowy zaprojektowany do rozwiązywania złożonych, rzeczywistych zadań poprzez zdecentralizowaną współpracę. System wykorzystuje ścisły wzorzec Producer-Consumer, pośredniczony przez asynchroniczny kanał wiadomości, aby efektywnie zarządzać grafami zależności.

1. Role agentów

• Coordinator Agent: Pełni funkcję głównego dyspozytora. Utrzymuje globalny stan i przydziela podzadania konkretnym workerom w zależności od dostępności i możliwości.
• Task Agent: Odpowiada za semantyczny podział wysokopoziomowych celów na wykonywalne, atomowe jednostki.
• Worker Agent: Pełni rolę wyspecjalizowanej jednostki wykonawczej. Workerzy przetwarzają atomowe podzadania i wykonują je przy użyciu narzędzi specyficznych dla danej domeny.

2. Komunikacja asynchroniczna: TaskChannel

Oddzielenie warstwy koordynacji od warstwy wykonawczej jest realizowane za pomocą TaskChannel. Ta asynchroniczna kolejka wiadomości zarządza dystrybucją zadań bez blokowania głównego wątku wykonania.

Przebieg wykonania:

1. Workforce inicjuje zadanie.
2. Węzły workerów sprawdzają dostępne przydziały.
3. Po zakończeniu wyniki są odsyłane z powrotem.

3. Dynamiczne tworzenie DAG

Workflow enterprise rzadko są liniowe. CAMEL Workforce implementuje mechanizm dynamicznego tworzenia Directed Acyclic Graph (DAG). Gdy otrzymany zostaje wysokopoziomowy prompt (np. "Create Travel Plan"), Task Agent rozkłada ten cel na odrębne węzły.

System jawnie mapuje zależności, pozwalając schedulerowi na:

• Wykonywanie niezależnych węzłów równolegle (np. Search Flight Ticket i Search Hotel działają równocześnie).
• Blokowanie węzłów zależnych do momentu, aż ich poprzedniki osiągną stan DONE.

4. Mechanizm odporny na błędy

Biorąc pod uwagę niedeterministyczną naturę LLM, Eigent traktuje błędy jako oczekiwane przejścia stanu, a nie krytyczne wyjątki. Architektura implementuje solidny mechanizm recovery wykorzystujący następujące strategie:

• RETRY: Ponownie wykonuje podzadanie na tym samym workerze, aby obsłużyć błędy przejściowe.
• REPLAN: Task Agent modyfikuje oryginalne podzadanie na podstawie logu błędu przed ponownym dodaniem go do kolejki.
• REASSIGN: Podzadanie jest przenoszone z bieżącego workera do innego agenta o kompatybilnym zestawie umiejętności.
• DECOMPOSE: Jeśli zadanie nie powiedzie się z powodu nadmiernej złożoności, jest rekurencyjnie dzielone na mniejsze podzadania.

Architektura automatyzacji przeglądarkowej w Eigent

Jednak wieloagentowa architektura workforce może odblokować prawdziwą automatyzację enterprise tylko wtedy, gdy połączymy ją z rosnącą siłą ogólnych możliwości, takich jak automatyzacja przeglądarki. Dlatego kładziemy nacisk na tworzenie agentów, którzy mogą działać bezpośrednio w rzeczywistych środowiskach biznesowych, zamiast polegać wyłącznie na sztywnych integracjach API.

Eigent stosuje dwuwarstwową architekturę, która oddziela kontrolę przeglądarki od orkiestracji agentów:

• Warstwa TypeScript odpowiada za wszystkie interakcje z przeglądarką. Wykorzystuje natywne API Playwright do wykonywania operacji DOM, przechwytywania ustrukturyzowanych snapshotów, generowania zrzutów SoM, wykrywania zasłonięć i obsługi zaawansowanej logiki przeglądarki bezpośrednio w runtime JavaScript. Ponieważ Playwright jest natywnie zbudowany w TypeScript, warstwa ta zyskuje dostęp do najnowocześniejszych funkcji, takich jak _snapshotForAI(), oraz zapewnia lepszą wydajność, niezawodność i ergonomię dla deweloperów.
• Warstwa Python obsługuje orkiestrację AI. Zarządza wywołaniami LLM, podejmowaniem decyzji przez agentów i planowaniem zadań. Taki podział pozwala Pythonowi skupić się na logice agentów, w której ekosystem Python wyróżnia się w AI i orkiestracji workflow.
• Obie warstwy komunikują się asynchronicznie przez WebSocket, umożliwiając operacje nieblokujące. Python wysyła żądania operacji przeglądarkowych, TypeScript je wykonuje i zwraca wyniki. Interakcja jest transparentna dla końcowego użytkownika i wspiera równoległe wykonywanie zadań.

Ta architektura poprawia wydajność, zwiększa precyzję interakcji z elementami i umożliwia zaawansowane możliwości, takie jak dynamiczne filtrowanie DOM, snapshoty uwzględniające viewport oraz renderowanie SoM w przeglądarce. Unika ograniczeń implementacji wyłącznie w Pythonie, takich jak wysokie opóźnienia, ograniczony dostęp do wnętrza przeglądarki i złożona logika przetwarzania obrazu. Przekazując zadania przeglądarkowe do natywnego kontekstu wykonania, Eigent zapewnia solidny fundament dla opartej na agentach automatyzacji enterprise.

Podczas wieloagentowego wykonywania w scenariuszach automatyzacji enterprise, automatyzacja oparta na przeglądarce oferuje naturalną przewagę w zakresie widoczności procesu. Każdy krok jest transparentny, możliwy do sprawdzenia i łatwy do debugowania, co czyni go znacznie bardziej praktycznym dla złożonych i ewoluujących workflow.

Test Gemini 3 Pro w rzeczywistych zadaniach enterprise z automatyzacją przeglądarki Eigent

Przetestowaliśmy Eigent z Gemini 3 Pro, aby zautomatyzować procesy sprzedażowe z wykorzystaniem możliwości automatyzacji przeglądarki Eigent. Zadania dla agentów polegały na automatyzacji różnych etapów rzeczywistego lejka sprzedażowego, w tym Lead Capture & Creation, Qualification & Pipeline Management, Quotation, Negotiation, Closing i Product Management.

W eksperymentalnych uruchomieniach Gemini 3 Pro konsekwentnie wykazuje trzy kluczowe mocne strony:

1. Dobrze radzi sobie ze złożonymi strukturami stron, w tym z iframe'ami i zagnieżdżonymi elementami: potrafi niezawodnie znaleźć właściwą treść i przyciski nawet w złożonych układach.
2. Sprawdza własne działania, aby zachować dokładność i krótkie kroki: korzysta z pętli informacji zwrotnej, aby korygować błędy i upewnić się, że zadanie zostało rzeczywiście wykonane poprawnie.
3. Wykorzystuje narzędzia efektywnie i elastycznie: unika zbędnych kroków i wie, jak mądrze łączyć narzędzia, gdy jest to potrzebne.

Przykładowe zadanie 1:

Zidentyfikuj wszystkie firmy B2B w batchach Y Combinator Winter i Summer 2025, których branża jest związana z marketingiem. Po uzyskaniu pełnej listy firm samodzielnie przeanalizuj szczegółowo informacje o produktach każdej firmy i zebrane dane połącz w czysty, dobrze ustrukturyzowany plik CSV.

To zadanie pokazuje zdolność agenta do obsługi iteracyjnej nawigacji i dynamicznego pozyskiwania danych. W przeciwieństwie do prostego scrapingu jednej strony, ten workflow wymaga od agenta najpierw interakcji z katalogiem Y Combinator w celu zastosowania konkretnych filtrów (Batch, Industry, tag B2B), a następnie wykonania wzorca „List-to-Detail”.

Wyzwanie polega tutaj na utrzymaniu kontekstu: agent musi wejść w indywidualne profile firm, aby wyodrębnić konkretne informacje o produktach, a następnie wrócić do głównej listy bez utraty miejsca lub duplikowania wpisów. Gemini 3 Pro skutecznie orkiestruje tę pętlę, parsując różnorodne układy stron docelowych i normalizując nieustrukturyzowane informacje do czystego formatu CSV bez ręcznej interwencji.

Przykładowe zadanie 2:

Transakcja salesforce.com - 200 Widgets przebiega dobrze. Przenieś ją ze etapu 'Needs Analysis' do etapu 'Proposal', kliknij „Mark as Current Stage” i przejdź do „Contact Roles”, a następnie podaj mi nazwę kontaktu i numer telefonu. Wróć do strony Opportunities, edytuj Next Step jako „book a meeting with + the contact name and phone number.”

To zadanie automatyzacji przeglądarkowej stanowi wyzwanie dla standardowych modeli. Najpierw trzeba zlokalizować odpowiednią Opportunity na stronie głównej Salesforce. Następnie należy zaktualizować etap Opportunity, przejść do określonej strony i pobrać informacje kontaktowe, a na końcu zmodyfikować pole „Next Step” w oparciu o te informacje.

Dlatego w tym zadaniu wymagane jest wykazanie stabilnej wydajności w długim horyzoncie, głębokiego zrozumienia złożonych zadań, logicznego planowania zadań oraz zdolności do wykonywania stabilnych operacji między stronami w środowisku Salesforce.

Ponadto, dzięki ilościowemu rozbiciu (np. mapowaniu działania każdego kroku do regionów strony, śledzeniu liczby błędów i ponowień), możemy dopasować odwołania do działań przeglądarki do elementów w snapshotach jeden do jednego. Pozwala to na głębszą analizę wydajności Gemini 3 Pro pod kątem dokładności i skuteczności wywołań narzędzi oraz działań w przeglądarce:

Na podstawie trzech wyników uruchomień widać, że Gemini 3 Pro wykazuje wysoką odporność i możliwość audytu w scenariuszach długiego horyzontu zadań przeglądarkowych.

• Przebieg wykonania: Pokazuje niezawodne planowanie ścieżki wykonania na podstawie przeanalizowanego celu zadania i stanu środowiska.
• Stabilność i odporność: Bieżąca strona zadania w przeglądarce zawierała nawet 13 warstw zagnieżdżenia, a mimo to Gemini 3 Pro utrzymał niską liczbę ponowień i brak nieskończonych pętli podczas wykonywania zadania.
• Efektywność: Trzy zestawy logów pokazały prawie całkowity brak redundantnych wywołań narzędzi i nigdy nie wykazały wielokrotnych kliknięć ani powtarzanych wpisów. Ta efektywność, połączona z elastycznymi narzędziami pomocniczymi (Note/Screenshot), przełożyła się na mniejszą liczbę i większą stabilność działań przeglądarkowych.

Przykładowe zadanie 3:

„ Przygotowuję się do mojego miesięcznego przeglądu sprzedaży. Proszę przejdź do mojej forecast, znajdź Opportunity pod kontem Global Media, które jest na etapie Commit, i zaktualizuj jej Close Date na November 26th. ”

Co jeśli zwiększymy złożoność strony w zadaniu?

Poniższe zadanie zostało ustawione na stronie Salesforce Forecast. Strona Forecast jest używana przez zespoły sprzedażowe do statystyk i podglądu; jej strona przeglądarkowa jest niezwykle złożona, z około 4,763 elementami w jednym snapshotcie. Po wielopoziomowym dekodowaniu snapshot zawiera 1,222 linie z maksymalną głębokością zagnieżdżenia wynoszącą 18 warstw i średnią głębokością około 14.33. Oznacza to, że strona nie tylko ma dużą liczbę elementów, ale także charakteryzuje się głęboko zagnieżdżoną hierarchią: wielowarstwowe struktury takie jak List → List Item → Link/Button → Icon → Paragraph/Grid Row.

Strona Salesforce Forecasts

W naszych testach Gemini 3 wykonał to zadanie bezbłędnie trzy razy. Wymaga to zdolności do poprawnego aktualizowania pól na tak gęstej, silnie zagnieżdżonej stronie, a jednocześnie skutecznego namierzenia docelowej Opportunity (Global Media 180 Widgets) i wykonania aktualizacji Close Date, co stanowi dowód na solidne możliwości parsowania, planowania ścieżki i stabilnego wykonywania Gemini 3 Pro w scenariuszach użycia przeglądarki.

Jak Gemini 3 Pro poprawia wydajność zadań

Gemini 3 Pro wyróżnia się jako dobrze zbalansowany wybór dla autonomicznych agentów enterprise. W naszych rzeczywistych zadaniach konsekwentnie obsługuje długie, oparte na przeglądarce workflow z wysokim poziomem niezawodności. W połączeniu z korzystnym stosunkiem kosztu do wydajności stanowi praktyczną opcję skalowania automatyzacji opartej na agentach w środowiskach enterprise.

Zaleta „ciągłości stanu” (Thought Signatures) Głównym wyróżnikiem technicznym, który zaobserwowaliśmy, jest implementacja Thought Signatures przez Gemini 3 Pro. W tradycyjnych interakcjach z LLM model opiera się wyłącznie na tekście historii rozmowy, aby odtworzyć kontekst między turami. W złożonych, długich workflow może to czasami prowadzić do „dryfu kontekstu”, gdy agent traci z oczu pierwotny cel po wielu interakcjach z przeglądarką. Gemini 3 Pro rozwiązuje ten problem, zwracając thoughtSignature, czyli zaszyfrowaną reprezentację wewnętrznego stanu rozumowania, po każdym kroku.

Wpływ na Eigent

Gdy nasi agenci wykonują zadania sekwencyjne (np. „Check flight status”, a następnie „Book Taxi”), ta sygnatura jest przekazywana z powrotem do modelu. W naszych testach mechanizm ten pomógł agentowi utrzymać lepszą ciągłość logiczną podczas wieloetapowych wywołań funkcji, zmniejszając odsetek błędów logicznych w późniejszych etapach workflow w porównaniu z modelami konkurencyjnymi.

Odporność w planowaniu długiego horyzontu

Automatyzacja enterprise często wymaga poruszania się w warunkach niepewności — obsługi ekranów logowania, stanów ładowania czy nieoczekiwanych wyskakujących okien.

Gemini 3 Pro wykazał wysoką odporność w dłuższych sesjach (10+ kroków). To współgra z jego wynikami w benchmarkach takich jak Vending-Bench 2, który ocenia planowanie długiego horyzontu.

W przypadku standardowych zapytań różnica w wydajności między modelami z najwyższej półki może być pomijalna. Jednak w Agentic Automation, gdzie kluczowe znaczenie mają utrzymanie stanu i odzyskiwanie po błędach, Gemini 3 Pro oferuje obecnie niezawodną podstawę dla platformy Eigent. Jego zdolność do zachowania „stanu rozumowania” dzięki Thought Signatures czyni go pragmatycznym wyborem dla złożonych, wieloetapowych workflow enterprise.

Podsumowanie i kolejne kroki

W tym wpisie omówiliśmy, jak Eigent, zasilany przez wieloagentową architekturę workforce CAMEL oraz możliwości na poziomie przeglądarki, tworzy środowisko produkcyjne do wdrażania agentów AI, którzy naprawdę mogą działać wewnątrz systemów enterprise. Łącząc autonomię na poziomie narzędzi z workflow, które użytkownik może nadpisać, system pozostaje kontrolowalny, obserwowalny i audytowalny — to kluczowe właściwości każdego wdrożenia skierowanego do B2B.

Pokazaliśmy też, że Gemini 3 Pro, zintegrowany z Eigent, oferuje idealną równowagę między zdolnością rozumowania, stabilnością i opłacalnością. Jego zgodność architektoniczna z wykonywaniem wieloagentowym, szczególnie dzięki funkcjom takim jak Thought Signatures, czyni go wyjątkowo dobrze dopasowanym do zadań o wysokiej stawce i długim horyzoncie, typowych dla zastosowań enterprise.

Patrząc w przyszłość, kontynuujemy:

• Eksponowanie przypadków błędów w rzeczywistych wdrożeniach enterprise, identyfikując wzorce zadań, w których obecne modele bazowe mają trudności ze śledzeniem stanu, odzyskiwaniem po błędach lub uziemieniem narzędzi.
• Budowę standaryzowanego benchmarku automatyzacji przeglądarkowej dla enterprise, gromadząc realistyczne scenariusze zadań automatyzacji enterprise obejmujące klientów e-mail, systemy komunikacyjne, dokumenty, interfejsy przeglądarkowe oraz platformy ERP/CRM.
• Tworzenie środowiska reinforcement learning dla przeglądarkowych workflow enterprise, umożliwiającego uczenie ze wzmocnieniem dla agentów poprzez nagrody oparte na zadaniach, śledzenie trajektorii i analizę zachowania w długim horyzoncie.

Eigent jest w pełni open-source i zapraszamy deweloperów, badaczy oraz zespoły enterprise do eksplorowania, rozszerzania i współtworzenia:

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

👉 Dołącz do naszej społeczności na Discordzie: https://discord.camel-ai.org