Eigent：开源 Cowork 遇见 Z.ai GLM-4.7

摘要

在真实的企业环境中，许多内部工具、仪表盘和遗留系统完全运行在浏览器或终端中，构成了日常业务运营的基础。

为了自动化这些复杂系统，我们推出 Eigent，这是一款可在本地运行、可从源码完整搭建的开源多智能体工作平台应用，重点支持浏览器和终端自动化，本质上可作为你的 面向企业工作流的开源 Cowork 替代方案。

在本文中，我们将探讨 Eigent 如何利用 CAMEL 的 Workforce 架构 和终端自动化来处理多步骤企业任务。我们还会深入了解 GLM-4.7，分析其在终端自动化中的表现，以及支持长周期 agent 工作流的架构特性。

背景：什么是 Eigent，以及它如何支持 GLM-4.7

Eigent 是一款开源、多智能体工作平台产品，可在你的桌面本地运行。它建立在 workforce 风格的多智能体架构之上，并配备了通用能力，例如：

• 浏览器自动化
• 终端自动化
• MCP（Model Context Protocol）集成

这种设计使 Eigent 中的 agent 能像真实的人类员工一样工作，直接在桌面环境中执行任务——无需深度 API 集成，也无需频繁重构工作流。

随着基础模型持续进步，将它们与 Eigent 的开源多智能体系统结合，能够让开发者和企业快速、高效地将 LLM 能力应用到真实场景中。

这也是为什么 Eigent 在 GLM-4.7 发布后第一时间完成了集成。

快速上手 GLM-4.7

• 云模式：

  只需在顶部模型下拉菜单中选择 GLM-4.7。

• 自带密钥（BYOK）：

  前往 Model Settings → GLM，输入你的 Z.ai API key，并将模型名称设置为 GLM-4.7。

需要帮助？请查看我们关于 配置你的 Z.ai API key 的指南。

下面还提供了一个逐步视频教程。

GitHub 仓库与 Eigent 的安装方式

GitHub 仓库

👉 https://github.com/eigent-ai/eigent

快速开始：环境搭建

你可以通过两种方式运行 Eigent：

方案 A：零配置桌面应用（推荐普通用户）

适合希望立即开始自动化任务的用户：

1. 从官方网站下载客户端
2. 安装 .dmg（macOS）或 .exe（Windows）
3. 启动应用——本地后端会自动启动

方案 B：开发者安装（从源码）

适合希望查看或定制系统的开发者。

1. 前置条件

• Node.js v18–22
• Python 3.10+

2. 克隆并安装

# 克隆仓库
git clone https://github.com/eigent-ai/eigent.git
cd eigent

# 安装前端依赖
npm install

3. 运行应用

# 以开发模式运行
npm run dev

启动后，你可以在设置中直接配置 LLM 提供商（GLM-4.7 等）。

有关高级配置和故障排查，请参考官方文档。

内部架构：Eigent 全栈与 CAMEL Workforce 架构

系统概览

Eigent 是一款本地优先的桌面应用，由构建在 CAMEL Workforce 之上的多智能体编排引擎驱动。

关键架构原则：

• 完全本地执行
• 前后端解耦的全栈设计
• 强数据主权保障
• 不在云端运行 agent

1. 前端

前端充当 agent 配置和工作流监控的控制平面。

技术栈：

• React + TypeScript
• Electron
• Zustand（状态管理）
• React Flow（可视化 agent 编排）

前端通过安全的本地 HTTP 请求与后端通信。

2. 后端

后端是一个本地 Python 服务器，使用以下技术构建：

• FastAPI + Uvicorn
• Python 3.10+（由 uv 管理）
• PostgreSQL（通过 SQLModel / SQLAlchemy）

它承载了 CAMEL 多智能体框架，用于管理：

• Workforce 编排
• LLM 交互（通过 Z.ai 远程调用，或通过 vLLM 本地调用）
• 浏览器、终端和文档自动化工具包

CAMEL Workforce：受组织结构启发的多智能体系统

Eigent 的核心是 CAMEL Workforce，这是一个面向复杂企业任务设计的去中心化多智能体系统。

Agent 角色

• Coordinator Agent

  维护全局状态并分发子任务。

• Task Agent

  将高层目标拆解为原子任务。

• Worker Agent

  使用领域专用工具执行任务。

异步通信：TaskChannel

任务执行通过一个异步消息队列进行协调：

1. Workforce 发起任务
2. Worker agents 轮询获取分配
3. 完成后将结果回传

这种设计确保了非阻塞、可扩展的执行方式。

动态 DAG 构建

企业工作流很少是线性的。

CAMEL Workforce 会动态构建一个有向无环图（DAG）：

• 独立任务并行运行
• 依赖任务会被阻塞，直到前置条件完成

示例：

• Search Flights 和 Search Hotels 并发执行
• Generate Itinerary 会等到二者都 DONE 后再继续

容错机制

故障被视为预期状态，而不是致命错误。

支持的恢复策略包括：

• RETRY – 重新执行任务
• REPLAN – 根据失败日志修改任务
• REASSIGN – 将任务分配给另一个 agent
• DECOMPOSE – 将任务拆分为更小的子任务

使用真实终端自动化测试 GLM-4.7

我们使用 Eigent 的终端自动化，在一个贴近日终场景的真实工作流中评估了 GLM-4.7。

示例任务

"下班啦！请帮我把桌面上的工作文件整理到今天的文件夹里，然后写一份 HTML 日报，总结我今天做了什么。"

Agent 必须完成的工作

1. 扫描桌面文件
2. 创建一个按日期命名的文件夹
3. 识别并移动与工作相关的文件
4. 根据文件变化推断当天活动
5. 生成结构化的 HTML 报告

这需要长周期推理、上下文保持以及多次工具调用。

在我们的测试中，GLM-4.7 成功完成了该工作流。

GLM-4.7 如何支持 agentic 任务表现

GLM-4.7 是一款面向代码的模型，针对 agent 工作流进行了优化，具备很强的成本效益平衡。

交错思考与保留思考

GLM-4.7 引入了先进的推理控制能力：

• 交错思考

  在每次回复和工具调用之前先进行思考。

• 保留思考

  在多轮对话中保留推理块，减少上下文漂移。

• 轮级思考控制

  为复杂任务开启推理，为轻量任务关闭推理，以节省成本和延迟。

这些特性使 GLM-4.7 尤其适合长周期、多步骤自动化。

结论与下一步

Eigent 提供了一个生产级、本地优先的环境，用于部署可直接在真实企业系统内部运行的 AI agents。

通过结合：

• CAMEL 基于 workforce 的多智能体架构
• 终端和浏览器级自主能力
• 强可观测性与容错能力

Eigent 交付了企业级 AI 部署所需的核心能力：

可控性、可审计性和数据主权。

我们还展示了 GLM-4.7 在与 Eigent 集成后，如何为复杂工作流提供稳健的推理能力。

参与进来

Eigent 完全开源。我们欢迎开发者、研究人员和企业团队探索并贡献。

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