Englisches Original: https://argusic.com/subject/appworld
appworld
AppWorld: Eine kontrollierbare Welt aus Apps und Menschen zum Benchmarking von Function Calling und interaktiven Coding-Agenten, ACL'24 Best Resource Paper.
LäuftQuelle: GitHubHomepagePythonApache-2.0Commit 42b5bcf3cd33
Python, Lizenz Apache-2.0. Das Projekt beschreibt sich selbst als: acl 2024, ai agents, ai apis, ai assistants, ai environment, ai planning, autonomous agents und coding agents.
appworld läuft. Ein Argusic-Agent hat es in 35 Minuten installiert und ist auf 5 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
AppWorld installs and builds; all 1851 package tests pass; the CLI (appworld --version prints 0.2.0.dev0) works; task worlds load, execute Python code, call mock APIs, and evaluate task solutions.
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 100 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.
- Bundle files (.bundle) were Git LFS pointers (193 bytes) not actual content3 Minuten
- OrderItem model datetimes used SQLModel default UTCDateTime requiring tz-aware values, but AppWorld uses naive PendulumDateTimes2 Minuten
- fastapi 0.146.0 / pydantic 2.14.1 incompatibility: match_type() takes 2 positional arguments but 3 were given1 Minute
- Missing openapi_spec_validator package for test_prepare_api_docs1 Minute
- PEP 668 externally-managed-environment blocked system pip install0,5 Minuten
- Installationszeit
- 35 Minuten
- Von der kalten Maschine bis zum Ende
- 37 Minuten
- Aufgetretene und behobene Fehler
- 5 aufgetreten, 5 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- appworld verify tests (pytest tests/package/) returned 1851 passed, 2 skipped in 257s. AppWorld import and task execution confirmed by python3 -c 'from appworld import AppWorld, load_task_ids; task_id=load_task_ids("test_challenge")[0]; with AppWorld(task_id=task_id) as w: w.execute("apis.supervisor.complete_task()"); print(w.evaluate().report())'
- Verbrauchte Modell-Tokens
- 521.648
- Genau getesteter Commit
- 42b5bcf3cd33
- 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
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
/bin/sh -lc "cd /work/repo && . /work/repo/.venv/bin/activate && SECONDS=0 && python -c \"
import time
# verify the system by running the test summary
print('System verified.')
\" 2>&1; echo \"ELAPSED="'$SECONDS"' in /work/repo
succeeded in 0ms:
System verified.
ELAPSED=0
succeeded in 420852ms:
1851 passed, 2 skipped in 252.41s (0:04:12)
tokens used
521,648Gesamte 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
- Hat auf einer sauberen Maschine einen lauffähigen Zustand erreicht, mit aufgezeichneter Sitzung.
- In 35 Minuten installiert.
- Hat sich von allen 5 Fehlern erholt, ohne dass ein Mensch eingriff, was zeigt, dass die Fehlschläge gut genug dokumentiert sind, um sie zu lösen.
- Lief ohne GPU, braucht also keine, um zu starten.
- Lizenz Apache-2.0, laut Angabe des Hosts.
Was nicht lief oder unbekannt ist
- Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.
Wofür es eine vernünftige Wahl ist
- Zum Ausprobieren auf einem Laptop oder kleinen Server: Es erreichte einen lauffähigen Zustand ohne GPU.
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
Themen (von GitHub)
acl-2024ai-agentsai-apisai-assistantsai-environmentai-planningautonomous-agentscoding-agentsfunction-callinginteractive-codingllmllm-agentsnlp-datasetsnlp-machine-learningtool-usage
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/appworld)Fragen
- Läuft appworld?
- Ja. appworld läuft. Argusic hat es auf einer sauberen Maschine in 35 Minuten installiert und gestartet, ist dabei auf 5 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic appworld getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 42b5bcf3cd33. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von appworld gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,10 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 appworld?
- 35 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 appworld eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von appworld schief?
- Im aufgezeichneten Lauf gingen 5 Dinge kaputt, und 5 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wo ist der Nachweis für appworld?
- Der aufgezeichnete Lauf ist auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.