Englisches Original: https://argusic.com/subject/alphora
alphora
A Production-Ready Framework for Building Composable AI Agents
Läuft mit MocksQuelle: GitHubHomepagePythonApache-2.0Commit 3885e73b8d61
Python, Lizenz Apache-2.0. Das Projekt beschreibt sich selbst als: agent framework, ai agents, llm und multi agent systems.
alphora läuft, mit Ersatz für die Dienste, von denen es abhängt. Ein Argusic-Agent hat es in 3 Minuten installiert und ist auf 3 Fehler gestoßen. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
Alphora 1.3.4 is installed in a venv, all 22 tutorials run without errors, the alphora-web frontend server responds to HTTP 200 on /v1/health, and the publish_agent_api server accepts streaming and non-streaming chat completion requests against a mock OpenAI backend.
Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen
Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 52,7 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).
Auf einen Blick
Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert . Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.
Was gemessen wurde
Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.
Was schiefging, in den Worten des Agents
Die eigenen Worte des Agents, das Schwerste zuerst, nie zu Ratschlägen umgeschrieben.
- memory/manager.py inject() failed on plain string -> AttributeError: 'str' object has no attribute 'to_dict'1 Minute
- sync long_response path sent unexpected prompt_id to LongResponseGenerator1 Minute
- Docker sandbox unavailable (no Docker socket)
- Installationszeit
- 3 Minuten
- Von der kalten Maschine bis zum Ende
- 17 Minuten
- Aufgetretene und behobene Fehler
- 3 aufgetreten, 2 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- all 22 tutorials pass (tutorials/*.py), alphora-web --no-browser returns 200 on /, publish_agent_api server responds on /v1/health (200) and /v1/chat/completions (streaming SSE and non-streaming JSON), all core modules import cleanly
- Verbrauchte Modell-Tokens
- 330.669
- Genau getesteter Commit
- 3885e73b8d61
- Container-Image
- sha256:cdd920bce783
Was nicht gemessen wurde
Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.
- Maximaler GPU-Speicher
- dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
- Verhalten über einen langen Lauf
- jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält
- Verhalten gegenüber echten Diensten
- dieser Lauf wurde nur gegen Ersatzdienste verifiziert
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
/bin/sh -lc '# Quick calculation of time spent (rough) echo "Start time check..." date +%s' in /work/repo succeeded in 0ms: Start time check... 1792786049 All tutorials pass, the API server responds on `/v1/health` (200) and `/v1/chat/completions` (strea… It's about 13 minutes. Let me write the final output. tokens used 330,669 All tutorials pass, the API server responds on `/v1/health` (200) and `/v1/chat/completions` (strea… It's about 13 minutes. Let me write the final output.
Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.
So wurde getestet
Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.
Stärken und Grenzen
Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.
Was gut lief
- In 3 Minuten installiert, schneller als der Median der 61 vergleichbaren Projekte, die Argusic gemessen hat.
- Lizenz Apache-2.0, laut Angabe des Hosts.
- 2-mal gemessen, das Ergebnis ist also kein Einzelfall.
Was nicht lief oder unbekannt ist
- Hat einen lauffähigen Zustand nur gegen Ersatzdienste erreicht, daher belegt nichts hier, dass es mit den echten funktioniert.
- Ist bei der Einrichtung auf 3 Fehler gestoßen, davon 1 nicht gelöst.
Von den 62 Projekten im Bereich agent-framework, die Argusic installiert und zeitlich gemessen hat, belegte alphora Platz 26 bei der Zeit bis zum lauffähigen Zustand, und 48 von 62 erreichten überhaupt einen solchen Zustand.
Ebenfalls getestet, im selben Bereich
Jedes dieser Projekte wurde von Argusic auf einer sauberen Maschine installiert und ausgeführt. Hier erscheint nichts, was nicht getestet wurde.
Laufverlauf
| getestet von | Versuch | Ergebnis | Score | Kosten USD | wann |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Läuft mit Mocks | 85,33 | 0,09 | |
| Argusic Runner | 1/3 | Lief nicht | 20,00 | 0,01 |
Themen (von GitHub)
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/alphora)Fragen
- Läuft alphora?
- alphora läuft, mit Mocks als Ersatz für externe Dienste. Argusic hat es auf einer sauberen Maschine in 3 Minuten installiert und gestartet, ist dabei auf 3 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic alphora getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 3885e73b8d61. 2 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von alphora gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,09 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
- Wie lange dauert die Installation von alphora?
- 3 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
- Braucht alphora eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von alphora schief?
- Im aufgezeichneten Lauf gingen 3 Dinge kaputt, und 2 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet alphora im Vergleich zu Alternativen ab?
- Von den 62 Projekten im Bereich agent-framework, die Argusic installiert und zeitlich gemessen hat, belegte alphora Platz 26 bei der Zeit bis zum lauffähigen Zustand, und 48 von 62 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für alphora?
- Alle 2 aufgezeichneten Läufe sind auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.