Eigent Encontra o MiniMax M2.1

Em ambientes corporativos reais, muitas ferramentas internas, painéis e sistemas legados operam inteiramente no navegador. Para automatizar esses sistemas, usamos Eigent, uma aplicação open-source de workforce multi-agent que roda localmente e pode ser totalmente configurada a partir do código-fonte, com forte foco em automação de navegador — atuando efetivamente como um cowork open source da Eigent que fica na sua própria infraestrutura.

Neste post, exploramos como a Eigent aproveita o CAMEL Workforce e a automação de navegador para lidar com tarefas corporativas complexas e com várias etapas. Também analisamos mais de perto o MiniMax M2.1, avaliando seu desempenho em um fluxo de trabalho corporativo realista e os recursos arquiteturais que permitem que ele opere de forma eficaz em cenários de automação de navegador agentic de longo horizonte.

Contexto: o que é a Eigent e como ela dá suporte ao MiniMax M2.1

A Eigent é um produto open-source de workforce multi-agent que roda no seu desktop. Ela foi construída com uma arquitetura de workforce multi-agent, apoiada por capacidades gerais como automação de navegador, automação de terminal e MCPs. Esse design permite que os agents na Eigent executem tarefas de forma muito parecida com trabalhadores humanos, operando em ambientes desktop reais sem integrações profundas com API ou reconfiguração constante de workflows.

À medida que os foundation models continuam avançando, integrá-los ao sistema multi-agent open-source da Eigent permite que desenvolvedores e usuários corporativos apliquem capacidades de LLM diretamente a casos de uso do mundo real de forma rápida e eficaz. Você pode navegar até a página Model Settings na Eigent, localizar a seção OpenAI Compatible e inserir sua API key e URL. Quando o nome do modelo estiver definido como MiniMax-M2.1, você estará pronto para começar. Precisa de ajuda? Veja nosso guia sobre como configurar sua API key da MiniMax: https://platform.minimaxi.com/docs/api-reference/text-openai-api.

Repositório GitHub e como configurar a Eigent

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

Início rápido: você pode executar a Eigent usando o aplicativo desktop pré-compilado para uso imediato, ou configurar o ambiente de desenvolvimento para inspecionar o código e personalizar os agents.

Opção A: o aplicativo desktop sem configuração

1. Baixe o client em https://www.eigent.ai/.
2. Instale o .dmg (macOS) ou .exe (Windows).
3. Inicie o app e o backend local será iniciado automaticamente.

Opção B: configuração para desenvolvedores

1. Pré-requisitos: Node.js (v18-22) e Python.
2. Clone e instale:

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

3. Execute a aplicação:

npm run dev

Depois de iniciado, você pode configurar seus provedores de LLM (MiniMax M2.1 e outros) diretamente nas configurações. Para informações mais detalhadas sobre configuração, recursos avançados e solução de problemas, consulte a documentação oficial: https://docs.eigent.ai/get_started/welcome.

Nos bastidores: a stack completa da Eigent e a arquitetura CAMEL Workforce

Visão geral do sistema da Eigent

A Eigent é uma aplicação desktop local-first com orquestração multi-agent, alimentada pelo CAMEL Workforce como seu mecanismo central. O sistema implementa uma arquitetura full-stack desacoplada que opera inteiramente na infraestrutura local do usuário. Esse design garante soberania de dados e evita riscos de privacidade associados à execução de agents na nuvem.

O frontend

A interface do usuário atua como o plano de controle para a configuração de agents e o monitoramento de workflows. Ela é construída em React e TypeScript dentro de um framework Electron.

Os principais componentes incluem:

• Gerenciamento de estado: o Zustand lida com o estado transitório com reatividade eficiente.
• Orquestração visual: o React Flow visualiza o workspace dos agents e a execução em tempo real.
• Comunicação: o frontend se comunica com o backend por meio de requisições HTTP locais seguras.

O backend

A lógica principal reside em um servidor Python local usando FastAPI e Uvicorn, que hospeda o framework multi-agent CAMEL.

• Ambiente de runtime: o backend roda em Python 3.10+ e é gerenciado pelo uv para resolução de dependências de alto desempenho e isolamento de ambiente.
• Camada de persistência: PostgreSQL, via SQLModel e ORM SQLAlchemy, armazena logs de auditoria, histórico de workflows e estados dos agents.
• Framework do sistema multi-agent: o CAMEL lida com a lógica de orquestração (por exemplo, workforce), fazendo a interface com LLMs seja remotos (por exemplo, MiniMax) ou locais (por exemplo, vLLM). O CAMEL também fornece toolkits como ferramentas de navegador, terminal e geração de documentos.

CAMEL Workforce: um sistema multi-agent inspirado em estruturas organizacionais

No coração da Eigent está o CAMEL Workforce, um sistema multi-agent arquitetado para resolver tarefas complexas do mundo real por meio de cooperação descentralizada. O sistema usa um padrão estrito producer-consumer, mediado por um canal de mensagens assíncrono para gerenciar grafos de dependência de forma eficiente.

Funções dos agents

• Agent coordenador: funciona como o principal dispatcher, mantendo o estado global e alocando subtarefas com base em disponibilidade e capacidade.
• Agent de tarefa: responsável por decompor semanticamente objetivos de alto nível em unidades executáveis e atômicas.
• Agent worker: executa subtarefas atômicas usando ferramentas específicas do domínio.

Comunicação assíncrona: o TaskChannel

O desacoplamento entre a camada de coordenação e a camada de execução é alcançado por meio do TaskChannel. Essa fila de mensagens assíncrona gerencia a distribuição de tarefas sem bloquear a thread principal de execução.

Fluxo de execução:

1. A workforce inicia uma tarefa.
2. Os nós worker consultam atribuições.
3. Ao concluir, os resultados são enviados de volta.

Construção dinâmica de DAG

Workflows empresariais raramente são lineares. O CAMEL Workforce implementa um mecanismo dinâmico de construção de grafo acíclico direcionado (DAG). Quando um prompt de alto nível é recebido (por exemplo, "Create travel plan"), o agent de tarefa decompõe esse objetivo em nós discretos.

O sistema mapeia as dependências, permitindo que o scheduler:

• Execute nós independentes em paralelo (por exemplo, "Search flight ticket" e "Search hotel" rodam concorrentemente).
• Bloqueie nós dependentes até que seus predecessores alcancem o estado DONE.

Mecanismos de tolerância a falhas

Dada a natureza não determinística dos LLMs, a Eigent trata falhas como transições de estado esperadas, e não como exceções fatais. A arquitetura implementa um mecanismo de recuperação usando:

• Retry: reexecuta a subtarefa no mesmo worker para lidar com erros transitórios.
• Replan: o agent de tarefa modifica a subtarefa original com base no log de falha antes de reenfileirá-la.
• Reassign: a subtarefa é migrada para outro worker com um conjunto de habilidades compatível.
• Decompose: se uma tarefa falhar por complexidade, ela é dividida em subtarefas menores.

Arquitetura de automação de navegador na Eigent

A automação multi-agent só libera valor real para empresas quando combinada com capacidades gerais robustas, como automação de navegador. A Eigent adota uma arquitetura em duas camadas que separa o controle do navegador da orquestração dos agents:

• A camada TypeScript lida com as interações com o navegador. Ela aproveita as APIs nativas do Playwright para executar operações no DOM, capturar snapshots estruturados, gerar screenshots SoM, detectar obstruções e tratar lógica avançada do navegador diretamente no runtime JavaScript. Como o Playwright é nativo do TypeScript, essa camada ganha acesso a recursos como _snapshotForAI() e melhora o desempenho e a confiabilidade.
• A camada Python lida com a orquestração de IA. Ela gerencia chamadas de LLM, tomada de decisão dos agents e planejamento de tarefas.
• As duas camadas se comunicam de forma assíncrona via WebSocket, permitindo operações sem bloqueio. O Python envia requisições de operações do navegador, o TypeScript as executa e os resultados são retornados ao loop do agent.

Essa arquitetura melhora o desempenho, aumenta a precisão das interações com elementos e habilita capacidades avançadas como filtragem dinâmica do DOM, snapshots com awareness de viewport e renderização de SoM no navegador. Ao delegar tarefas de navegador ao contexto de execução nativo, a Eigent garante uma base robusta para automação empresarial baseada em agents.

Testando o MiniMax M2.1 em tarefas corporativas do mundo real

Testamos a Eigent com o MiniMax M2.1 para automatizar processos de vendas usando as capacidades de automação de navegador da Eigent. As tarefas do agent abrangeram etapas reais do ciclo de vendas, incluindo captura e criação de leads, qualificação e gestão de pipeline, cotação, negociação, fechamento e gerenciamento de produtos.

Ao longo das execuções experimentais, o MiniMax M2.1 demonstrou consistentemente três pontos fortes:

1. Lida bem com estruturas de página complexas, incluindo iframes e elementos aninhados.
2. Verifica suas próprias ações para manter a precisão e manter os passos curtos.
3. Usa ferramentas de forma eficiente e flexível, evitando etapas desnecessárias.

Tarefa:

"Temos um novo contato na Global Media - Jennifer Martinez (jennifer.m@globalmedia.com) é a nova Senior Marketing Manager deles. Adicione-a ao nosso Salesforce e certifique-se de que ela esteja conectada à empresa correta."

Nesta tarefa, o MiniMax M2.1 operou dentro de uma interface complexa do Salesforce para adicionar um novo contato, Jennifer Martinez (Senior Marketing Manager), à Global Media e garantir que ela fosse associada corretamente à conta certa. Isso exigiu navegar por várias camadas da interface, identificar os pontos de entrada corretos, criar o contato, preencher campos-chave e validar a vinculação da conta.

Os resultados mostram que o MiniMax M2.1 executou cada etapa com precisão, sem cliques errados ou quebra de workflow. Isso demonstra a forte capacidade do modelo de compreender UIs corporativas complexas, planejar ações em múltiplas etapas e executar de forma confiável tarefas end-to-end.

Como o MiniMax M2.1 melhora o desempenho das tarefas

O MiniMax M2.1 é uma forte escolha para agents autônomos empresariais. Ele lida com tarefas de longo horizonte e várias etapas com confiabilidade e entrega um equilíbrio entre desempenho, eficiência e versatilidade.

Raciocínio aprimorado e continuidade do workflow

Em comparação com seu antecessor, o M2.1 produz cadeias de raciocínio mais concisas e eficientes, melhor responsividade e menor consumo de tokens. Ele foi projetado para um melhor gerenciamento de contexto ao longo de várias etapas, ajudando a manter a continuidade lógica durante chamadas de função e reduzindo a chance de erros nas fases posteriores do workflow.

Capacidades de generalização de agent e ferramentas

O M2.1 tem bom desempenho em uma variedade de frameworks de scaffolding de agents e ambientes de ferramentas. Ele generaliza de forma confiável com diferentes ferramentas e oferece suporte a workflows integrados, tornando-o prático para automação empresarial.

Robustez no planejamento de longo horizonte

A automação empresarial frequentemente envolve incertezas, como estados dinâmicos da UI, atrasos de carregamento e interações inesperadas. Por meio de um raciocínio e uma eficiência de execução aprimorados, o M2.1 demonstra resiliência em sequências de tarefas mais longas.

Explore a Eigent e o MiniMax M2.1

A Eigent é totalmente open-source, e convidamos desenvolvedores, pesquisadores e equipes corporativas a explorar, विस्तार e contribuir:

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