Englisches Original: https://argusic.com/subject/pydantic-deepagents
pydantic-deepagents
Open-source, self-hosted Claude Code - a terminal AI assistant and the Python framework behind it. Tool-calling, sandboxed execution, multi-agent teams, skills, checkpoints, unlimited context - on Pydantic AI, any model.
LäuftQuelle: GitHubHomepagePythonMITCommit 32b57ba6df24
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: agent framework, ai agents, anthropic, claude code, cli, coding agent, deep research und docker sandbox.
pydantic-deepagents läuft. Ein Argusic-Agent hat es in 5 Minuten installiert und ist auf 2 Fehler gestoßen. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
Package imports cleanly, CLI runs and reports version v0.3.43, 2771 of 2785 tests pass with pydantic-ai-backend pinned to v0.2.29
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 90 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.
- pydantic-ai-backend 0.2.33 (PyPI latest) removed exports needed by pydantic-deep 0.3.4312 Minuten
- 14 pre-existing test failures due to pydantic-ai message API changes
- Installationszeit
- 5 Minuten
- Von der kalten Maschine bis zum Ende
- 25 Minuten
- Aufgetretene und behobene Fehler
- 2 aufgetreten, 1 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- uv run pytest --tb=no --durations=10: 2771 passed, 14 failed (pre-existing); uv run pydantic-deep --version returned 'pydantic-deep v0.3.43'; uv run pydantic-deep --help returned usage info
- Verbrauchte Modell-Tokens
- 183.276
- Genau getesteter Commit
- 32b57ba6df24
- 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.
- The 14 failing tests are all in `test_agent.py` (5), `test_styles.py` (8), and `test_periodic_rem… tokens used 183,276 All working. Let me compile the final report. Here's a summary of what happened and what I found: **Problem identified:** `pydantic-deep` 0.3.43 declares dependency `pydantic-ai-backend[console]>=0… **Fix:** Pinned `pydantic-ai-backend` to exactly `==0.2.29` (the last pre-refactor release) in both… **Verification results:** - `pydantic-deep` imports cleanly (full package) - CLI entry point works: `pydantic-deep --version` → `pydantic-deep v0.3.43`, `--help` shows all co… - `pydantic-deep config set model test:test` works - Test suite: **2771 passed, 14 failed** — the 14 failures are pre-existing issues caused by `pydan… - The 14 failing tests are all in `test_agent.py` (5), `test_styles.py` (8), and `test_periodic_rem…
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 auf einer sauberen Maschine einen lauffähigen Zustand erreicht, mit aufgezeichneter Sitzung.
- Lief ohne GPU, braucht also keine, um zu starten.
- Lizenz MIT, laut Angabe des Hosts.
Was nicht lief oder unbekannt ist
- Die Installation dauerte 5 Minuten, langsamer als der Median der 61 vergleichbaren Projekte, die Argusic gemessen hat.
- Ist bei der Einrichtung auf 2 Fehler gestoßen, davon 1 nicht gelöst.
- Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.
Von den 62 Projekten im Bereich agent-framework, die Argusic installiert und zeitlich gemessen hat, belegte pydantic-deepagents Platz 34 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 5 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
Themen (von GitHub)
agent-frameworkai-agentsanthropicclaude-codeclicoding-agentdeep-researchdocker-sandboxllmsmcpplaywrightpydanticpydantic-aipythonsubagentstuivstorm
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/pydantic-deepagents)Fragen
- Läuft pydantic-deepagents?
- Ja. pydantic-deepagents läuft. Argusic hat es auf einer sauberen Maschine in 5 Minuten installiert und gestartet, ist dabei auf 2 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic pydantic-deepagents getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 32b57ba6df24. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von pydantic-deepagents 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-deepagents?
- 5 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-deepagents eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von pydantic-deepagents schief?
- Im aufgezeichneten Lauf gingen 2 Dinge 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 pydantic-deepagents im Vergleich zu Alternativen ab?
- Von den 62 Projekten im Bereich agent-framework, die Argusic installiert und zeitlich gemessen hat, belegte pydantic-deepagents Platz 34 bei der Zeit bis zum lauffähigen Zustand, und 48 von 62 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für pydantic-deepagents?
- 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.