Englisches Original: https://argusic.com/subject/autoflow
autoflow
pingcap/autoflow ist ein Graph-RAG-basiertes und konversationsbasiertes Wissensdatenbank-Tool, das mit TiDB Serverless Vector Storage erstellt wurde.
Nicht verifizierbarQuelle: GitHubHomepageTypeScriptApache-2.0Commit c4cb19d8fa20
TypeScript, Lizenz Apache-2.0. Das Projekt beschreibt sich selbst als: chatbot, cot, graphrag, knowledge graph, mysql, rag, serverless und vector database.
Argusic konnte autoflow nicht zum Laufen bringen. Ein Argusic-Agent hat es in 3 Minuten installiert und ist auf 4 Fehler gestoßen. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
Python dependencies installed and backend module loads 138 API routes, but the app cannot start because TiDB/MySQL server is unreachable on localhost:4000, no Docker is available to start it, and no third-party API keys are provided for LLM or embedding models.
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 25 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.
- TiDB/MySQL server required — backend engine connects to localhost:4000 on module import; no Docker and no root to install MySQL/TiDB15 Minuten
- No third-party API keys available — 7 backend LLM tests fail with AuthenticationError, core model/knowledge_graph tests fail needing OpenAI, Jina AI, etc.10 Minuten
- Backend lifespan startup fails — engine.connect() raises OperationalError (2003) to localhost:4000; 138 routes import but server cannot bind10 Minuten
- No Redis server — required by Celery/Flower for async task queue, cannot start full backend5 Minuten
- Installationszeit
- 3 Minuten
- Von der kalten Maschine bis zum Ende
- 24 Minuten
- Aufgetretene und behobene Fehler
- 4 aufgetreten, 0 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- cd backend && PYTHONPATH=$PWD .venv/bin/python -c 'from app.api_server import app; print(len(app.routes))' returned 138; .venv/bin/python -m pytest tests/test_dynamic_models.py -v returned 1 passed; import of app.core.db creates engine eagerly and connecting to localhost:4000 raises OperationalError
- Verbrauchte Modell-Tokens
- 700.566
- Genau getesteter Commit
- c4cb19d8fa20
- 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
- Ob es überhaupt funktioniert
- dieser Lauf hat nichts verifiziert, daher trifft diese Seite in keine Richtung eine Aussage
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/work/repo/backend/.venv/lib/python3.12/site-packages/pymysql/connections.py", line 361, in…
self.connect()
File "/work/repo/backend/.venv/lib/python3.12/site-packages/pymysql/connections.py", line 716, in…
raise exc
sqlalchemy.exc.OperationalError: (pymysql.err.OperationalError) (2003, "Can't connect to MySQL serv…
(Background on this error at: https://sqlalche.me/e/20/e3q8)
Attempting lifespan startup...
Here is the final report based on everything I verified.
tokens used
700,566
Here is the final report based on everything I verified.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.
- Lizenz Apache-2.0, laut Angabe des Hosts.
- 2-mal gemessen, das Ergebnis ist also kein Einzelfall.
Was nicht lief oder unbekannt ist
- Ein Agent ohne Zeitlimit hat es nicht zum Laufen gebracht.
- Ist bei der Einrichtung auf 4 Fehler gestoßen, davon 4 nicht gelöst.
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 | Lief nicht | 20,00 | 0,23 | |
| Argusic Runner | 1/3 | Lief nicht | 30,00 | 0,12 |
Themen (von GitHub)
chatbotcotgraphragknowledge-graphmysqlragserverlessvector-database
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/autoflow)Fragen
- Läuft autoflow?
- Argusic konnte nicht verifizieren, dass autoflow läuft. Argusic hat es auf einer sauberen Maschine in 3 Minuten installiert und gestartet, ist dabei auf 4 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic autoflow getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit c4cb19d8fa20. 2 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von autoflow gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,12 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 autoflow?
- 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 autoflow eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von autoflow schief?
- Im aufgezeichneten Lauf gingen 4 Dinge kaputt. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wo ist der Nachweis für autoflow?
- 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.