上周，CAMEL-AI开源了Eigent，推广话术是 “全球首个桌面端多智能体生产力团队”。

后脚，Manus火速上线了一个功能高度相似的“Wide Research”，允许上百个智能体并行研究。

以至于，官方亲自下场，字里行间充满了对这种巧合的质疑。今天给家人们分享一下Eigent的内核，它到底开源了什么，又是如何搅动了多智能体赛道的。

Eigent：你的桌面AI工作组

多Agent，简单来说，就是告别AI单兵作战。

过去我们用Agent，就像是雇佣了一个AI员工，任务得一件一件串行处理。

Eigent的目标是直接给你一个开源的、能并肩作战的AI团队（Workforce），而且这个团队就跑在你的电脑上。

核心特色是：

• 100%开源+本地部署： 代码全开放，还能接入自己的本地模型。隐私、成本和可控性，统统拿捏。

• 人类可随时介入（Human-in-the-loop）： AI干活不是“盲盒”，关键节点它会主动请你来“拍板”，确保结果不跑偏。

Manus的Wide Research

Manus的新功能，从官方演示来看，用户可以让上百个Agent并发执行任务，比如同时分析100款运动鞋，或同时生成50种不同风格的海报。

二者之间的理念基本上一模一样的。

Manus官方介绍，每个子智能体都是一个功能齐全的Manus实例。而且测试一波可以明显感受到，Manus的新功能，Sub Agent速度很慢，而且会消耗很多的Token，过程可见性也比较差。

相比较而言，开源的Eigent，反而是调度的更好，每个Worker有更清晰的角色和技能。理论上鲁棒性更高。

技术深挖：Eigent的秘密

系统架构

系统的核心是这个Workforce分层架构。

你可以把它理解成一个项目团队：

• Task Manager Agent 负责拆解你的宏观任务，制定策略。

• Coordinator Agent 负责把拆分好的子任务，精准地分配给下面的Worker。

• Worker Nodes 这就是干活的主力了。Eigent内置了多种Worker，随时待命：

  • Developer Agent：写代码、跑终端命令的“程序员”。

  • Search Agent：上网扒信息的“调研员”。

  • Document Agent：写文档、做PPT的“文员”。

  • Multimodal Agent：能处理图文的“设计师”。

所有Worker通过一个共享任务通道来沟通，任务可以并行处理，一个Worker的产出能无缝成为另一个Worker的输入，从而实现流水线作业。

MCP

用过MCP的都说好，所以到8月份了，一个Agent，不可能不用MCP了。

Eigent在这方面做得非常彻底：

• 它内置了超过200种MCP工具，几乎涵盖了所有常见操作。比如DocumentAgent配备了PPTXToolkit和ExcelToolkit来处理Office文档；DeveloperAgent则有TerminalToolkit来执行系统命令。

• 可扩展性： 可以非常方便地添加自己的MCP服务器，将内部API、私有数据库或者自定义的Python函数封装成工具，供你的AI团队调用。

值得一提的是，谷歌很久之前开源了一个DataBase MCP toolkit。

https://github.com/googleapis/genai-toolbox

可以让模型更容易操作数据库（请注意安全问题。一定注意备份！）

容错机制

我研究了下代码，Coordinator Agent 的容错也很有意思，值得分享一下。

当一个Worker搞砸了任务时。

Coordinator会首先尝试将失败的任务分解成更小的步骤，然后重新分配下去。就像人发现一个任务太难，会把它拆解成几个小目标一样。

如果重试几次还不行，Coordinator会判断是不是Worker能力不行。这时它会升级处理，创建一个全新的、专门针对这个失败问题的Worker节点来解决问题。

为了防止无限循环地尝试和资源浪费，整个工作流在连续失败超过设定次数（默认为3次）后会自动停止。

这套规则机制，也可能让系统具备更好的鲁棒性。更动态的解决问题。

最后

可能AI Agent，正在从 “我的Agent有多聪明”，转向“我的Agent团队协作效率有多高”。

并行化、工作流编排将成为新的护城河。

优秀的开源项目，也在迫使Manus这类闭源产品，更快的创新和功能下放，最终受益的都是开发者和用户。

附录：Eigent项目链接

• GitHub 地址： https://github.com/eigent-ai/eigent

• 下载试用链接： https://www.eigent.ai/

• 产品文档： https://docs.eigent.ai/

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓