Eigent 多智能体工作流安装配置指南【免费下载链接】eigentEigent: The Open Source Cowork Desktop - Local and Free Alternative to Claude Cowork and Codex项目地址: https://gitcode.com/GitHub_Trending/ei/eigent这篇文章带你把 Eigent——一个开源的多智能体协作桌面应用——从克隆仓库到跑通第一个任务的流程走一遍。适合第一次本地部署 Eigent 的开发者和技术爱好者读完你能独立配置云端、本地两种模式接好第一个模型并编排出第一个多智能体任务。全程不用写代码所有命令复制即用。先对配置你的机器够不够用开始之前先对一下数字。Eigent 是 Electron 桌面端 FastAPI 本地后端资源门槛不高但多智能体并行跑任务时会实际吃掉内存。资源最低推荐操作系统Win 10/11 64位 / macOS 12 / Ubuntu 20.04Win 11 / macOS 14 / Ubuntu 22.04Node.js18必须低于 2320 LTSPython3.12本地后端需要3.12.x内存8GB16GB磁盘10GB 可用20GB SSD网络稳定连接50Mbps 以上[!WARNING] 内存低于 8GB 时智能体响应会明显变慢4 个以上智能体并行跑任务可能直接内存不足、任务失败。仓库自带的应用素材如下安装包的窗口背景就取自它图1Eigent 桌面端默认背景素材src/assets 目录6000×40003 分钟跑通两条启动路径快速体验路径克隆仓库地址用官方镜像# 克隆仓库 git clone https://gitcode.com/GitHub_Trending/ei/eigent cd eigent装依赖启动。这条路径连云端服务需要你注册一个账号# 安装前端依赖 npm install# 启动应用云端连接模式首次初始化约 2~3 分钟 npm run dev到这一步还没报错的话基本就稳了等浏览器自动打开应用界面即可。[!TIP] 云端模式会把注册信息、聊天记录存在云上要求数据完全不出本机就走下面这条本地路径。如果你只是想先看看效果走上面就够了要数据留在本地的定制部署往下看。开发者本地路径Docker 本地后端本地后端是 FastAPI PostgreSQL用 Docker 起迁移脚本Alembic在容器启动时自动执行# 启动本地后端 cd server cp .env.example .env docker-compose up --build -dAPI 监听 3001 端口数据库 5432。然后在项目根目录告诉前端后端在本机# 前端指向本地后端写入 .env.development echo VITE_BASE_URL/api .env.development echo VITE_USE_LOCAL_PROXYtrue .env.development echo VITE_PROXY_URLhttp://localhost:3001 .env.development# 安装依赖并启动前端 npm install npm run dev最后打开http://localhost:3001/docs能看到 Swagger 接口文档页面就说明后端活着。[!TIP] 每次git pull之后记得在根目录跑npm install、在backend/目录跑uv sync两边依赖都要更新。把模型接上从决策树到 Gemini 三步配置先按这棵树定位自己的分支别一上来就抄别人的参数需要接入模型 ├── 本地推理 │ ├── 有 NVIDIA GPU → 用 vLLM / LM Studio 起服务 │ └── 无 GPU → Ollama 轻量模型 └── 云端 API ├── 已有 API Key → Settings → Models 直接填 └── 无 Key → Eigent Cloud含免费额度以 Gemini 做端到端演示启动 Eigent 后点顶部导航的 Settings左侧选 Models 进入模型配置中心界面如下Eigent 模型配置中心图2模型配置中心待补充在 Gemini 模块里填三个参数API KeyGoogle AI Studio 申请必填API Host默认https://generativelanguage.googleapis.com/v1beta选填走代理才改Model模型标识必填例如gemini-2.5-pro点 Save 后系统会在线验证连通性通过后点卡片右上角 Set as Default卡片上出现 Default 标记即生效所有智能体优先用它。OpenAI、Anthropic、OpenRouter、DeepSeek 等其余服务商是同一套填法换 Host 和 Key 就行本地推理模型Ollama、vLLM、LM Studio则填本机地址。让智能体各就各位分工、场景与配额Eigent 的智能体分工很明确每个都有对应工厂文件放在 backend/app/agent/factory/ 目录下Browser Agent网页浏览、页面操作与数据采集Developer Agent代码生成、调试与工程文件修改Document Agent文件读取、文档撰写与格式整理Social Media Agent社媒内容生成与发布Multi-modal Agent图片与多模态素材处理Task Summary Agent汇总各智能体产出、生成最终报告资源配额调整有两个入口MCP 服务器白名单在 Settings 的 MCP Tools 菜单里配执行资源范围的高级配置参考 backend/config/hands_clusters.example.toml复制到~/.eigent/hands_clusters.toml并设EIGENT_HANDS_MODEremote生效。启动后进入工作区主界面长这样仓库自带的 e2e 截图图3Eigent 工作区主界面含任务会话列表与智能体协同面板场景一整理一个混乱的桌面New Project 新建一个项目指派 Developer Agent工作区指向桌面目录输入整理指令按类型把文件归到 项目/个人/归档 三类文件夹检查生成的目录结构确认接受场景二多步周报自动化把原始素材PR 列表、会议记录放入工作区Document Agent 读取素材、生成周报初稿Browser Agent 抓取仪表盘数据补充进报告保存产物用 Triggers 功能设定每周定时执行效率方面不拍脑袋项目内置基准测试套件跑完它的输出才是真实数字。任务类型手动耗时自动化耗时节省比例浏览器抓取 文档生成复合任务以项目基准测试为准以项目基准测试为准以项目基准测试为准本地模型月报生成Ollama以项目基准测试为准以项目基准测试为准以项目基准测试为准# 运行内置基准测试 cd backend python3 -m benchmark.main卡住时按顺序走日志、网络、资源别上来就重启按这个顺序查能省不少事。先看日志Docker 模式下用下面命令看后端实时输出容器内日志文件在/app/runtime/log/app.log# 查看本地后端实时日志 docker logs -f eigent_api | cat再查网络和 Key确认 API Key 没过期、服务商服务可用本机访问 API Host 是否被代理或防火墙拦截。最后调资源减少并行智能体数量、换小一号的模型uv run卡住时删掉backend/下的uv_installing.lock、uv_installed.lock再试。[!TIP] 本地部署的完整说明、端口与数据持久化细节都在 server/README_EN.md 里。别光看——把上面三条命令跑一遍跑不通就把完整报错按 CONTRIBUTING.md 的指引贴到仓库 issue或对着 server/README_EN.md 逐项核对剩下的交给智能体。【免费下载链接】eigentEigent: The Open Source Cowork Desktop - Local and Free Alternative to Claude Cowork and Codex项目地址: https://gitcode.com/GitHub_Trending/ei/eigent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Eigent 多智能体工作流安装配置指南
Eigent 多智能体工作流安装配置指南【免费下载链接】eigentEigent: The Open Source Cowork Desktop - Local and Free Alternative to Claude Cowork and Codex项目地址: https://gitcode.com/GitHub_Trending/ei/eigent这篇文章带你把 Eigent——一个开源的多智能体协作桌面应用——从克隆仓库到跑通第一个任务的流程走一遍。适合第一次本地部署 Eigent 的开发者和技术爱好者读完你能独立配置云端、本地两种模式接好第一个模型并编排出第一个多智能体任务。全程不用写代码所有命令复制即用。先对配置你的机器够不够用开始之前先对一下数字。Eigent 是 Electron 桌面端 FastAPI 本地后端资源门槛不高但多智能体并行跑任务时会实际吃掉内存。资源最低推荐操作系统Win 10/11 64位 / macOS 12 / Ubuntu 20.04Win 11 / macOS 14 / Ubuntu 22.04Node.js18必须低于 2320 LTSPython3.12本地后端需要3.12.x内存8GB16GB磁盘10GB 可用20GB SSD网络稳定连接50Mbps 以上[!WARNING] 内存低于 8GB 时智能体响应会明显变慢4 个以上智能体并行跑任务可能直接内存不足、任务失败。仓库自带的应用素材如下安装包的窗口背景就取自它图1Eigent 桌面端默认背景素材src/assets 目录6000×40003 分钟跑通两条启动路径快速体验路径克隆仓库地址用官方镜像# 克隆仓库 git clone https://gitcode.com/GitHub_Trending/ei/eigent cd eigent装依赖启动。这条路径连云端服务需要你注册一个账号# 安装前端依赖 npm install# 启动应用云端连接模式首次初始化约 2~3 分钟 npm run dev到这一步还没报错的话基本就稳了等浏览器自动打开应用界面即可。[!TIP] 云端模式会把注册信息、聊天记录存在云上要求数据完全不出本机就走下面这条本地路径。如果你只是想先看看效果走上面就够了要数据留在本地的定制部署往下看。开发者本地路径Docker 本地后端本地后端是 FastAPI PostgreSQL用 Docker 起迁移脚本Alembic在容器启动时自动执行# 启动本地后端 cd server cp .env.example .env docker-compose up --build -dAPI 监听 3001 端口数据库 5432。然后在项目根目录告诉前端后端在本机# 前端指向本地后端写入 .env.development echo VITE_BASE_URL/api .env.development echo VITE_USE_LOCAL_PROXYtrue .env.development echo VITE_PROXY_URLhttp://localhost:3001 .env.development# 安装依赖并启动前端 npm install npm run dev最后打开http://localhost:3001/docs能看到 Swagger 接口文档页面就说明后端活着。[!TIP] 每次git pull之后记得在根目录跑npm install、在backend/目录跑uv sync两边依赖都要更新。把模型接上从决策树到 Gemini 三步配置先按这棵树定位自己的分支别一上来就抄别人的参数需要接入模型 ├── 本地推理 │ ├── 有 NVIDIA GPU → 用 vLLM / LM Studio 起服务 │ └── 无 GPU → Ollama 轻量模型 └── 云端 API ├── 已有 API Key → Settings → Models 直接填 └── 无 Key → Eigent Cloud含免费额度以 Gemini 做端到端演示启动 Eigent 后点顶部导航的 Settings左侧选 Models 进入模型配置中心界面如下Eigent 模型配置中心图2模型配置中心待补充在 Gemini 模块里填三个参数API KeyGoogle AI Studio 申请必填API Host默认https://generativelanguage.googleapis.com/v1beta选填走代理才改Model模型标识必填例如gemini-2.5-pro点 Save 后系统会在线验证连通性通过后点卡片右上角 Set as Default卡片上出现 Default 标记即生效所有智能体优先用它。OpenAI、Anthropic、OpenRouter、DeepSeek 等其余服务商是同一套填法换 Host 和 Key 就行本地推理模型Ollama、vLLM、LM Studio则填本机地址。让智能体各就各位分工、场景与配额Eigent 的智能体分工很明确每个都有对应工厂文件放在 backend/app/agent/factory/ 目录下Browser Agent网页浏览、页面操作与数据采集Developer Agent代码生成、调试与工程文件修改Document Agent文件读取、文档撰写与格式整理Social Media Agent社媒内容生成与发布Multi-modal Agent图片与多模态素材处理Task Summary Agent汇总各智能体产出、生成最终报告资源配额调整有两个入口MCP 服务器白名单在 Settings 的 MCP Tools 菜单里配执行资源范围的高级配置参考 backend/config/hands_clusters.example.toml复制到~/.eigent/hands_clusters.toml并设EIGENT_HANDS_MODEremote生效。启动后进入工作区主界面长这样仓库自带的 e2e 截图图3Eigent 工作区主界面含任务会话列表与智能体协同面板场景一整理一个混乱的桌面New Project 新建一个项目指派 Developer Agent工作区指向桌面目录输入整理指令按类型把文件归到 项目/个人/归档 三类文件夹检查生成的目录结构确认接受场景二多步周报自动化把原始素材PR 列表、会议记录放入工作区Document Agent 读取素材、生成周报初稿Browser Agent 抓取仪表盘数据补充进报告保存产物用 Triggers 功能设定每周定时执行效率方面不拍脑袋项目内置基准测试套件跑完它的输出才是真实数字。任务类型手动耗时自动化耗时节省比例浏览器抓取 文档生成复合任务以项目基准测试为准以项目基准测试为准以项目基准测试为准本地模型月报生成Ollama以项目基准测试为准以项目基准测试为准以项目基准测试为准# 运行内置基准测试 cd backend python3 -m benchmark.main卡住时按顺序走日志、网络、资源别上来就重启按这个顺序查能省不少事。先看日志Docker 模式下用下面命令看后端实时输出容器内日志文件在/app/runtime/log/app.log# 查看本地后端实时日志 docker logs -f eigent_api | cat再查网络和 Key确认 API Key 没过期、服务商服务可用本机访问 API Host 是否被代理或防火墙拦截。最后调资源减少并行智能体数量、换小一号的模型uv run卡住时删掉backend/下的uv_installing.lock、uv_installed.lock再试。[!TIP] 本地部署的完整说明、端口与数据持久化细节都在 server/README_EN.md 里。别光看——把上面三条命令跑一遍跑不通就把完整报错按 CONTRIBUTING.md 的指引贴到仓库 issue或对着 server/README_EN.md 逐项核对剩下的交给智能体。【免费下载链接】eigentEigent: The Open Source Cowork Desktop - Local and Free Alternative to Claude Cowork and Codex项目地址: https://gitcode.com/GitHub_Trending/ei/eigent创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考