Englisches Original: https://argusic.com/subject/pydantic-ai
pydantic-ai
Wie Python KI macht. Agents, Echtzeit-Sprache, Bildgenerierung, Embeddings. Jedes Modell, jede Schnittstelle, durchgängig typisiert.
LäuftQuelle: GitHubHomepagePythonMITCommit 5badf40a3c51
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: agent framework, genai, harness, harness engineering, llm, pydantic und python.
pydantic-ai läuft. Ein Argusic-Agent hat es in 0,4 Minuten installiert und ist auf 8 Fehler gestoßen. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
The workspace installs and builds, the full CI-configured suite passed 15182 tests, and clai web served HTTP 200 on its health, configure, index, and chat endpoints using the built-in test model.
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 84,8 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.
- Initial all-extras pytest run produced numerous Prefect Blockbuster failures4 Minuten
- Docs-example setup errors reported pyright exit code 247 after the cgroup recorded an OOM kill4 Minuten
- uv was not installed, so make install could not start1 Minute
- /usr/bin/time was absent1 Minute
- clai web -m test:test exited with 'Unknown model: test:test'1 Minute
- Version probe assumed pydantic_evals and pydantic_graph expose __version__1 Minute
- Installationszeit
- unter einer Minute
- Von der kalten Maschine bis zum Ende
- 19 Minuten
- Aufgetretene und behobene Fehler
- 8 aufgetreten, 7 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- make install exited 0 with 335 packages installed; BLOCKBUSTER_ENABLED=false TYPECHECK_EXAMPLES=false uv run pytest -q --tb=short -n 4 --dist=loadgroup exited 0 with 15182 passed, 628 skipped, 5 xfailed in 485.14s; clai web -m test --port 7933 returned 200 for /api/health with {"ok":true}, /api/configure, / and /api/chat, whose SSE stream ended with data: [DONE]; clai -m test --no-stream exited 0; uv build --all-packages exited 0 with 12 wheel/sdist artifacts.
- Verbrauchte Modell-Tokens
- 178.646
- Genau getesteter Commit
- 5badf40a3c51
- 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.
1 <!doctype html
1 </html>
1 <html
6 @pydantic/ai-chat-ui
--- chat SSE terminal event ---
data: {"type":"finish"}
data: [DONE]
--- smoke ---
0.0.1.dev1+5badf40
/work/repo/pydantic_ai_slim/pydantic_ai/__init__.py
tokens used
178,646Gesamte 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 0,4 Minuten installiert, schneller als der Median der 61 vergleichbaren Projekte, die Argusic gemessen hat.
- Lief ohne GPU, braucht also keine, um zu starten.
- Lizenz MIT, laut Angabe des Hosts.
- 2-mal gemessen, das Ergebnis ist also kein Einzelfall.
Was nicht lief oder unbekannt ist
- Ist bei der Einrichtung auf 8 Fehler gestoßen, davon 1 nicht gelöst.
Von den 62 Projekten im Bereich agent-framework, die Argusic installiert und zeitlich gemessen hat, belegte pydantic-ai Platz 6 bei der Zeit bis zum lauffähigen Zustand, und 48 von 62 erreichten überhaupt einen solchen Zustand.
Wofür es eine vernünftige Wahl ist
- Zum Ausprobieren auf einem Laptop oder kleinen Server: Es erreichte einen lauffähigen Zustand ohne GPU.
- Für eine schnelle Evaluierung: Es lief 0,4 Minuten nach dem Klonen.
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 | Läuft | 97,50 | 0,19 | |
| Argusic Runner | 1/3 | Läuft mit Mocks | 72,00 | 0,16 |
Themen (von GitHub)
agent-frameworkgenaiharnessharness-engineeringllmpydanticpython
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/pydantic-ai)Fragen
- Läuft pydantic-ai?
- Ja. pydantic-ai läuft. Argusic hat es auf einer sauberen Maschine in 0 Minuten installiert und gestartet, ist dabei auf 8 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic pydantic-ai getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 5badf40a3c51. 2 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von pydantic-ai 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 pydantic-ai?
- 0,4 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 pydantic-ai eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von pydantic-ai 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 pydantic-ai im Vergleich zu Alternativen ab?
- Von den 62 Projekten im Bereich agent-framework, die Argusic installiert und zeitlich gemessen hat, belegte pydantic-ai Platz 6 bei der Zeit bis zum lauffähigen Zustand, und 48 von 62 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für pydantic-ai?
- 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.