Englisches Original: https://argusic.com/subject/praisonai
PraisonAI
Private AI agents für stark regulierte Teams und für alle, die KI auf ihrem eigenen Computer haben möchten. Open-source Python agent framework, das vollständig offline läuft.
Läuft mit MocksQuelle: GitHubHomepagePythonMITCommit 5c7d76d72d4a
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: agents, ai, ai agent framework, ai agent sdk, ai agents, ai agents sdk, aiagents und air gapped.
PraisonAI läuft, mit Ersatz für die Dienste, von denen es abhängt. Ein Argusic-Agent hat es in 18 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.
Both praisonaiagents and PraisonAI packages install and import successfully. Agent creation works. All core agent unit tests pass (480/480). LLM token tracking race condition fixed with ContextVar. LLM class supports __deepcopy__ for agent cloning. Knowledge tests pass with chonkie installed. 193/194 LLM tests pass. The TypeScript SDK has a pre-existing missing firecrawl-js 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 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.
- current_agent_name was a plain shared attribute on LLM, causing race conditions when concurrent agents shared one LLM instance3 Minuten
- test_agent_clone.py expected _current_agent_name_var ContextVar that doesn't exist on LLM1 Minute
- praisonai-sandbox not installed - 5 sandbox tests fail with ImportError
- TypeScript SDK build fails - @mendable/firecrawl-js dependency missing
- Rate limiter retry test fails - resolve_failover_decision retries unknown errors up to 2 times
- Installationszeit
- 18 Minuten
- Von der kalten Maschine bis zum Ende
- 32 Minuten
- Aufgetretene und behobene Fehler
- 5 aufgetreten, 5 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- cd src/praisonai-agents && python -m pytest tests/unit/agent/ -q = 480 passed 17 skipped; tests/unit/llm/ -q = 193 passed 1 skipped; tests/unit/tools/ -q = 939 passed 3 skipped; tests/unit/workflows/ -q = 1421 passed 2 skipped; tests/unit/task/ -q = 567 passed; tests/unit/rag/ -q = 669 passed; tests/unit/knowledge/ -q = 160 passed 10 skipped; python -c 'from praisonaiagents import Agent; agent = Agent(name="Test", instructions="test", llm="gpt-4o-mini")' = OK
- Verbrauchte Modell-Tokens
- 742.696
- Genau getesteter Commit
- 5c7d76d72d4a
- 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.
tests/unit/gateway/test_recipe_failure_reply.py . [ 29%] tests/unit/goal/test_goal.py ................. [ 30%] tests/unit/goal/test_goal_loop.py ........................ [ 30%] tests/unit/hooks/test_hooks.py ......................................... [ 31%] ... exec /bin/sh -lc 'cd /work/repo/src/praisonai-agents && timeout 90 /home/runner/venv/bin/python -m pytes… Now I have enough data for a complete summary. Let me compile the ARGUSIC_RESULT: 2026-09-27T22:47:23.767772Z ERROR codex_core::session: failed to record rollout items: thread 01a0e… tokens used 742,696 Now I have enough data for a complete summary. Let me compile the ARGUSIC_RESULT:
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
- 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.
- Lizenz MIT, 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.
- Die Installation dauerte 18 Minuten, langsamer als der Median der 37 vergleichbaren Projekte, die Argusic gemessen hat.
- Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.
Von den 38 Projekten im Bereich agents, die Argusic installiert und zeitlich gemessen hat, belegte PraisonAI Platz 30 bei der Zeit bis zum lauffähigen Zustand, und 25 von 38 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 | 0,19 |
Themen (von GitHub)
agentsaiai-agent-frameworkai-agent-sdkai-agentsai-agents-sdkaiagentsair-gappedframeworkllmmulti-agentmulti-agent-systemmulti-agentson-premiseopenclawprivate-aipythonregulated-industriesself-hosted
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/praisonai)Fragen
- Läuft PraisonAI?
- PraisonAI läuft, mit Mocks als Ersatz für externe Dienste. Argusic hat es auf einer sauberen Maschine in 18 Minuten installiert und gestartet, ist dabei auf 5 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic PraisonAI getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 5c7d76d72d4a. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von PraisonAI gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,19 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 PraisonAI?
- 18 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 PraisonAI eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von PraisonAI 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.
- Wie schneidet PraisonAI im Vergleich zu Alternativen ab?
- Von den 38 Projekten im Bereich agents, die Argusic installiert und zeitlich gemessen hat, belegte PraisonAI Platz 30 bei der Zeit bis zum lauffähigen Zustand, und 25 von 38 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für PraisonAI?
- 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.