Englisches Original: https://argusic.com/subject/clean-coder-ai
Clean-Coder-AI
2-in-1 AI-Entwickler und Projektmanager. AI agents planen ein gesamtes Projekt in Todoist und programmieren es Aufgabe für Aufgabe.
Läuft mit MocksQuelle: GitHubHomepagePythonApache-2.0Commit 77143dfe5061
Python, Lizenz Apache-2.0. Das Projekt beschreibt sich selbst als: agent, ai, cli, code generation, code writing und coding agents.
Clean-Coder-AI läuft, mit Ersatz für die Dienste, von denen es abhängt. Ein Argusic-Agent hat es in 8 Minuten installiert und ist auf 1 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
All unit tests pass (14/14), all 28 source modules import cleanly, main entry points (manager.py, single_task_coder.py) import without error, and Playwright Chromium browser is installed.
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 92 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.
- 6 unit tests failed due to argument order mismatch: tests called run_script_in_env(script_name, work_dir) but the function signature is run_script_in_env(work_dir, execute_file_name). Also logs_from_running_script mock assertions had wrong argument order.5 Minuten
- Installationszeit
- 8 Minuten
- Von der kalten Maschine bis zum Ende
- 4 Minuten
- Aufgetretene und behobene Fehler
- 1 aufgetreten, 1 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- pytest -m 'not integration' returned 14 passed, 1 skipped, 2 deselected
- Verbrauchte Modell-Tokens
- 59.872
- Genau getesteter Commit
- 77143dfe5061
- 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.
tokens used 59,872 Everything checks out. Let me compile the final result. Here's what I found and fixed: - **Created venv and installed 99+ packages** from `requirements.txt` — all succeeded. - **Identified 6 failing unit tests** due to the tests passing arguments to `run_script_in_env(scri… - **Fixed all tests**: corrected argument order in test calls and assertions to match the real func… - **Verified all 28 source modules** import cleanly. - **Verified `single_task_coder.py` and `manager.py`** parse and import correctly. - **Installed Playwright Chromium** browser for frontend testing support. - **Integration tests** (`pytest -m integration`) require real LLM API keys — that's expected. **Final test suite result**: `14 passed, 1 skipped, 2 deselected` (the 2 deselected are the integra…
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 8 Minuten installiert.
- Hat sich von dem einen Fehler erholt, ohne dass ein Mensch eingriff, was zeigt, dass die Fehlschläge gut genug dokumentiert sind, um sie zu lösen.
- Lizenz Apache-2.0, laut Angabe des Hosts.
Was nicht lief oder unbekannt ist
- Hat einen lauffähigen Zustand nur gegen Ersatzdienste erreicht, daher belegt nichts hier, dass es mit den echten funktioniert.
- Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.
Von den 135 Projekten im Bereich agent, die Argusic installiert und zeitlich gemessen hat, belegte Clean-Coder-AI Platz 65 bei der Zeit bis zum lauffähigen Zustand, und 87 von 135 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 | 1/3 | Läuft mit Mocks | 92,00 | 0,06 |
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/clean-coder-ai)Fragen
- Läuft Clean-Coder-AI?
- Clean-Coder-AI läuft, mit Mocks als Ersatz für externe Dienste. Argusic hat es auf einer sauberen Maschine in 8 Minuten installiert und gestartet, ist dabei auf 1 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic Clean-Coder-AI getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 77143dfe5061. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von Clean-Coder-AI gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,06 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 Clean-Coder-AI?
- 8 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 Clean-Coder-AI eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von Clean-Coder-AI schief?
- Im aufgezeichneten Lauf ging 1 Sache kaputt, und 1 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet Clean-Coder-AI im Vergleich zu Alternativen ab?
- Von den 135 Projekten im Bereich agent, die Argusic installiert und zeitlich gemessen hat, belegte Clean-Coder-AI Platz 65 bei der Zeit bis zum lauffähigen Zustand, und 87 von 135 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für Clean-Coder-AI?
- 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.