Englisches Original: https://argusic.com/subject/leann
LEANN
RAG für alles mit LEANN. Sparen Sie 97% Speicherplatz, während Sie eine schnelle, präzise und zu 100% private RAG-Anwendung auf Ihrem persönlichen Gerät ausführen.
Läuft mit MocksQuelle: GitHubHomepagePythonMITCommit f84dec41db5b
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: ai, faiss, gpt oss, langchain, llama index, llm, localstorage und offline first.
LEANN läuft, mit Ersatz für die Dienste, von denen es abhängt. Ein Argusic-Agent hat es in 85 Minuten installiert und ist auf 8 Fehler gestoßen. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
LEANN Python packages installed, HNSW backend with custom-built Faiss SWIG module works, CI tests pass, README HNSW examples pass with mock embeddings, DiskANN backend blocked by missing libaio system dependency.
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 89,5 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.
- Faiss Python wrapper files had circular import structure when nested under leann_backend_hnsw10 Minuten
- leann-backend-diskann requires libaio and Boost system packages (no root access)10 Minuten
- CMake FindBLAS could not find BLAS (only libblas3 runtime, no .so symlink without version)5 Minuten
- CMake could not find SWIG during Faiss build5 Minuten
- Faiss SWIG module compiled with numpy 1.x but env had numpy 2.x, causing SystemError at import5 Minuten
- Git submodules not initialized3 Minuten
- Installationszeit
- 85 Minuten
- Von der kalten Maschine bis zum Ende
- 87 Minuten
- Aufgetretene und behobene Fehler
- 8 aufgetreten, 7 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- pytest tests/test_ci_minimal.py -v: 4 passed, pytest tests/test_readme_examples.py -v -k hnsw: 2 passed
- Verbrauchte Modell-Tokens
- 1.755.633
- Genau getesteter Commit
- f84dec41db5b
- 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.
2026-09-26T20:42:47.957373Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… 2026-09-26T20:42:47.957387Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… 2026-09-26T20:42:47.957399Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… 2026-09-26T20:42:47.957412Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… 2026-09-26T20:42:47.957425Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… 2026-09-26T20:42:47.957436Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… 2026-09-26T20:42:47.957451Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… 2026-09-26T20:42:47.957466Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… 2026-09-26T20:42:47.957480Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… 2026-09-26T20:42:47.957499Z ERROR codex_core::session: failed to record rollout items: thread 01a0d… tokens used 1,755,633
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
- Lizenz MIT, 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.
- Die Installation dauerte 85 Minuten, langsamer als der Median der 230 vergleichbaren Projekte, die Argusic gemessen hat.
- Ist bei der Einrichtung auf 8 Fehler gestoßen, davon 1 nicht gelöst.
Von den 231 Projekten im Bereich ai, die Argusic installiert und zeitlich gemessen hat, belegte LEANN Platz 231 bei der Zeit bis zum lauffähigen Zustand, und 152 von 231 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 | Zeit abgelaufen | 0,00 | 0,83 | |
| Argusic Runner | 1/3 | Läuft mit Mocks | 89,50 | 0,54 |
Themen (von GitHub)
aifaissgpt-osslangchainllama-indexllmlocalstorageoffline-firstollamaprivacypythonragretrieval-augmented-generationvector-databasevector-searchvectors
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/leann)Fragen
- Läuft LEANN?
- LEANN läuft, mit Mocks als Ersatz für externe Dienste. Argusic hat es auf einer sauberen Maschine in 85 Minuten installiert und gestartet, ist dabei auf 8 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic LEANN getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit f84dec41db5b. 2 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von LEANN gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,54 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 LEANN?
- 85 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 LEANN eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von LEANN schief?
- Im aufgezeichneten Lauf gingen 8 Dinge kaputt, und 7 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet LEANN im Vergleich zu Alternativen ab?
- Von den 231 Projekten im Bereich ai, die Argusic installiert und zeitlich gemessen hat, belegte LEANN Platz 231 bei der Zeit bis zum lauffähigen Zustand, und 152 von 231 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für LEANN?
- 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.