最近几天，Anthropic 发布的智能体工具 Cowork 在 X 上爆火。
有趣的是，CAMEL AI 早前的一个开源项目 Eigent，因为和 Cowork 高度相似，作为开源平替，也跟着火了一把。
这条「自嘲式」推特帖子，截止今天，一共有 8000+点赞，150 万浏览量。
简单来说，Eigent 是一个桌面端应用，通过访问本地文件和操作系统，来完成现实世界的工作任务。
这条帖子爆火后，CAMEL AI 团队复盘了他们从 2023 年发布 CAMEL 框架开始，到 Eigent 项目的三年探索经历。
对 Agent 的思考，
从 CAMEL 框架开始
2023 年 3 月，我们发布了第一个基于大语言模型的多智能体协作框架 CAMEL。最初的想法很简单：如果让多个 AI 智能体像人一样分工、交流、合作，能不能解决更复杂的问题？
上线后一周，CAMEL 获得了 4000 多个 GitHub Star，论文也被 NeurIPS 接收，Andrew Ng 还在 NeurIPS 现场用手机拍了 CAMEL 论文的 poster。
CAMEL 论文链接: https://arxiv.org/abs/2303.17760
CAMEL 不仅是一个框架，也是我们对智能体核心能力的早期实验场。我们为智能体装备了搜索、终端、代码编辑器等基础工具，试图让它们不仅能「想」，更能「做「，能够在真实环境中获取信息、执行代码、验证结果。
这个「思考-行动-反馈」的闭环设计，成了我们所有后续工作的基石。我们基于这些思考，整合出了一个早期的、能真实执行任务的智能体原型。可以说，今天 Eigent 产品的许多设计灵感和架构雏形，都深深烙印着那段时期的探索。
这里也要跟大家回顾一下 CAMEL 一直在探索 Agent 的 Scaling laws 的三个维度：
- 智能体的数量（Number of agents）：大规模智能体系统能够涌现出什么单智能体不能解决的问题，比如说社交网络等复杂系统模拟；
- 环境（Environment）：拓展智能体在复杂、多样化世界中感知、行动和学习的边界；
- 自我进化的扩展（Evolution）：探索智能体从经验中强化学习、持续学习、技能习得、记忆构建的能力；
对 Scaling Environment 的追求，在 2023 年底催生了 CRAB 项目。我们当时怀揣一个大胆的设想：能否打造一个数字世界的通用智能体？在我们看来，人类在数字空间中最通用的「工具」，就是手机和电脑。如果智能体能像人一样操作这些设备，岂不是就能跨应用、跨平台完成几乎所有任务？
为此，我们开始了让智能体学习操控真实操作系统（如 Android、Ubuntu）的探索。几乎在同一时期，学术界也涌现了如 OS World（它后来成为了该领域的标准评测基准）和 AppAgent 等优秀工作，大家在不同的路径上，朝着相似的愿景努力。
CRAB 论文链接: https://arxiv.org/abs/2407.01511
2024 年 2 月底，玮婕和 Douglas 分别以产品、和设计师的身份加入团队，也是第一次团队在伦敦的线下见面，在共享办公室里探讨通用 Agent 的产品设计方案。
2024 年 4 月，我们提出了 Agent Workspace 的概念，多智能体每个 Agent 可以有不同的 Workspace，比如设计 Agent 可以有 Figma，Coding Agent 可以有 Vscode 和 Terminal，Product Manager Agent 可以有搜索引擎和文档等等。
当时，团队整体是一种兴奋的摩拳擦掌的氛围。我们认为「Workspace 就是给 agent 一台自己的电脑。不同身份的 Agent 安装使用不同的软件。「Agent 可以操作浏览器、terminal，以及用 API，GUI 的方式操控软件虚拟机完成各种复杂任务。
2024 年 5 月 3 日，当时国豪在伦敦还没有租房，半夜两点半在办公室点了一碗羊汤。思考白天团队讨论的产品想法，写下产品目标 Mission Lambda – 我们希望做出通用的 multi-agent 系统，让 agent 合作完成复杂任务 (操控电脑/虚拟机)。写完吹了吹凌晨 4 点 kingscross 的晚风，回来在同事桌子上睡了一宿。
当时产品 MVP 的开发已经如火如荼的推进中，但国豪其实一直有个挥之不去的隐忧：贸然去做一款应用且技术基础又不够扎实，产品会有种空中楼阁的感觉；而有限的资源也意味着，在开发过程中很难沉淀出 CAMEL 框架，无法将其打造成坚实的技术基础设施。
但看着兴奋的刚刚组建起来的团队，他有点不知道怎么开口。
2024 年 5 月 14 日晚，国豪和玮婕在办公室附近的中餐馆吃晚饭。两人就团队资源和目标不匹配的问题一直聊到餐馆打烊，或许连中餐馆老板都听明白了我们面临的两大难题：
- CAMEL 框架和 CRAB（GUI 项目）作为基础设施并不成熟，不足以支撑产品级的开发；
- 以我们当时只有 2 个 Engineer 的团队来说想做到这个事情难于登天；
又是一个通宵，国豪写了「Lay the Foundation」，要求团队重点回到 CAMEL 框架和社区，暂停产品开发，打造基础设施。
自此之后，我们的重点转向了开源社区与技术钻研。将 CAMEL 框架打磨成产品级框架，成为了团队的第一优先级，这一目标，我们几乎投入了整整一年。
Eigent 产品的萌芽：
为什么必须是桌面端？
我们当时其实在同时推进 3 条基础设施研究线。
一是Agent 操控浏览器、写代码、调用工具，这就是后来的 OWL（GitHub 18.8k 星）。二是百万量级的智能体模拟，也就是 OASIS（GitHub 2.3k 星）。三是Data Generation，包括生成verifiable data，也就是是 Loong 这个项目（截至目前数据下载量近 3 万）、function calling data、tool integrated mathematical reasoning data。这也继 CRAB 之后我们进一步做 Scaling environments 的工作，也是后面 SEA（Scaling Environments for Agents）initiative 的前置工作。
其中我们发现，OWL 距离真实落地场景已经很近。也正是因为一次偶然的爆火，加上基础设施的逐步成熟，我们决定重启 Mission Lambda，正式开始打造 Eigent 这个产品。也是因为 OWL 的爆火，那段时间我们几乎没日没夜地在解答社区伙伴的问题。微信群一度开到了 30 多个，几乎每天都能收到超过 200 条来自社区的反馈和问题。
- OWL 论文链接: https://arxiv.org/abs/2505.23885
- OASIS 论文链接：https://arxiv.org/abs/2411.11581
- Loong 论文链接：https://arxiv.org/abs/2509.03059
流量稍微平稳下来之后，我们决定去摩洛哥休假，也是在那段时间里，我们重新想清楚了 Eigent 这款产品的方向和整体规划。
我们要开发一款围绕工作效率场景的桌面端应用，为什么要是桌面端，是因为：
- 上下文：因为桌面端才能直接无缝接入用户的 Context；
- 强大的智能体需要强大的权限，桌面端才能操控本地文件系统、软件甚至是系统级 call 和硬件；
- 桌面端也可以完成所有 web 端能做的事情，不管是通过 Electron 的 Chromium 浏览器，还是以浏览器插件的方式。
Eigent 的核心在于 CAMEL 的 Workforce 系统。它的设计受分布式系统的启发，通过分工调度，来解决复杂问题。
我们将系统划分为三个核心角色：Task Agent（任务拆分）、Coordinator Agent（任务分配）、Worker Agent（任务执行和工具调用）。配合异步任务通道，系统能自动构建「任务关系图」，实现无依赖任务的并行处理与有依赖任务的有序衔接，大幅提升处理效率。
针对大模型的不确定性，系统内置了多种容错策略：重试、重规划、转派、拆解。这种动态调整机制确保了任务执行的连贯性和稳定性。
只有当多智能体系统与日益强大的通用能力，例如使用浏览器和终端工具结合时，企业级自动化才真正有可能落地。
Eigent 的浏览器自动化方案采用控制与编排分离的双层架构。它的设计旨在突破僵化的 API 集成局限，让 Agent 具备在真实业务环境中的原生操作能力。
我们将架构解耦为两个核心层级：Python 层（AI 编排与决策）、TypeScript 层（原生交互与执行）。TypeScript 层利用 Playwright 原生优势，专攻 DOM 操作、SoM 标记渲染及遮挡检测；配合 WebSocket 异步通讯通道，系统实现了非阻塞式的指令流转，有效规避了纯 Python 方案的高延迟与底层访问限制。
因为我们自己缺乏 MacOS 和 Windows 双系统全栈产品开发的经验，在产品开发过程中其实遇到了不少困难。那段时间我们和两位外部全栈工程师一起推进了将近两个月，才终于把一个能在双系统完整跑起来的产品做出来。
为了这次发布，我们甚至还在伦敦找电影团队拍了一部「电影」去介绍 Eigent 这个多智能体协作产品的概念。
时间来到 Eigent 正式发布的时候，当时我们其实在沙特，准备服务我们第一家商业化大客户。
这里夹带一些私货，给大家看看我们团队在沙特发布产品的vlog😂
2025 年 7 月 29 日晚 Eigent 终于上线了，发布后 20 小时内，注册用户突破 2000 人，发布后一小时就有 2 位个人用户付费订阅，还有十几家企业客户主动联系，希望在他们的企业内部试用我们的产品。
但其实我们一开始的发布没有想清楚产品第一波面向的群体该是谁，加上产品的不稳定迫使我们进入沉寂期，我们需要重新思考产品的定位，到底应该服务什么样的客户，最后决定先聚焦 b 端和开发者。
2025 年 11 月为了更好做企业交付，我们所有开发成员集中到常州开发。
虽然我们没有销售团队，但本地、工作场景、开源的产品定位为我们从社区吸引来了一些企业客户的信赖。
例如一家中东拥有 1.1 万名员工的大型企业，首先在他们的 IT helping desk（IT 服务台）部门率先试点，让 Eigent 借助内部浏览器协助处理 IT 工单，从自动提取邮箱信息到填写系统表单，再到自主判断优先级并分配处理人员。
后续一家世界领先的头部开源数据公司希望用 Eigent 应用于销售流程，让 Eigent 收集散落在邮箱、即时通讯软件，本地文件的销售线索，并使用浏览器整理到 Salesforce 这样的系统中台。
为了打磨企业场景，我们构建了企业内部基准测试（Inner Enterprise Benchmark），例如 Salesforce 等 CRM 系统环境和任务以及 Verifier。这受到 Google Gemini 团队的关注，因此在 Gemini 3 系列研发期间，我们被邀请参与内测以及对模型能力进行评估。Google 官方也推荐 Eigent 为下一代 AI Agent 代表之一。
同时为了打磨产品基础能力，我们通过 GAIA、WebArena、WebVoyage、Terminal-Bench 等公开 Benchmark 打磨了 browser toolkit 和 terminal toolkit。现在 terminal toolkit 已经用到产品了，terminal rl 在研究结果上也已经有成果，就是我们前几天发布的项目 SETA，被两位前 OpenAI Cofounder 点赞（John Schulman，Andrej Karpathy），强化学习训练环境构建的经验也帮助我们拿下了几个客户，包括头部的大模型公司的环境和数据订单。
Terminal Toolkit 设计图
Terminal RL 的架构图
再到前两天因为我们的「自嘲式」推特帖子爆火了一次，截止今天，帖子一共有 8000+点赞，150 万浏览量了。
帖子爆火后我们收到了不少出乎意料的回应。一个 xAI 的内部员工邀请我们看看 xAI，Hugging Face 的 Co-founder Thomas Wolf 也在评论区留言支持。我们也」顺手」把 openwork 的域名「斥巨资」买了下来，但还是决定坚持自己的 branding，不跟风改名。
同时我们也开始公开招全栈，结果没多久就有 Anthropic 的人在 LinkedIn 上主动加我们好友，看来我们现在也正式进入 Anthropic 的「雷达范围」了 😂
上线后，也有社区的小伙伴在 X 上分享了使用体验：「在 Linux 上成功跑通了，虽然中间遇到了一些小问题，但最后顺利跑起来了。接下来准备打包成 AppImage。」
也有开发者反馈，在 macOS 上搭配 LLM Studio 使用体验也不错。
与此同时，我们也和 MiniMax 达成了合作。他们在官方渠道发布了基于 Eigent 和 M2.1 模型的使用案例。
除了 M2.1，Eigent 也已经可以兼容运行如 智谱 GLM-4.7、Kimi K2、Qwen3-235b 等多个主流模型。
我们也和智谱合作，用智谱 glm-4.7 模型，让 Eigent 整理今天电脑桌面上的工作文件，并生成日报。
以及我们用 Kimi K2、Qwen3-235b 和 DeepSeek-V3.2，做了两个填写 Salesforce 表单的任务用例。
就在刚刚，Eigent 登顶了 GitHub trending，成为了今天的第一名！
写在最后：
我们想要打造的，是一款全栈的开源 Agent 系统，从模型到框架到产品，这也是为什么我们这么注重开源生态和强化学习的原因。
文章来自于微信公众号 “Founder Park”，作者 “Founder Park”