Englisches Original: https://argusic.com/subject/raglight
RAGLight
RAGLight ist ein modulares Framework für Retrieval-Augmented Generation (RAG). Es erleichtert das Einbinden verschiedener LLMs, Embeddings und Vektor-Datenbanken und bietet jetzt eine nahtlose MCP-Integration zur Anbindung externer Tools und Datenquellen.
LäuftQuelle: GitHubHomepagePythonMITCommit 155cee5d8f06
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: agentic ai, agentic rag, agentic workflow, artificial intelligence, data science, framework, huggingface und lmstudio.
RAGLight läuft. Ein Argusic-Agent hat es in 3 Minuten installiert und ist auf 3 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
RAGLight 3.4.7 is fully installed in a venv at /tmp/venv with all extras (chroma, qdrant, langfuse). The CLI, FastAPI REST API server, and all 75 unit tests (embeddings, LLM, vector store, API, document processing, scrapper, config) all pass and function correctly. The package is importable from Python under the venv.
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 100 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.
- uv package manager not available in base Python installation1 Minute
- raglight package not installed after `uv sync --all-extras`1 Minute
- Relative import errors when running `python -m unittest discover` on test subdirectories (from ..test_config import TestsConfig fails when subpackage is not a top-level package)1 Minute
- Installationszeit
- 3 Minuten
- Von der kalten Maschine bis zum Ende
- 6 Minuten
- Aufgetretene und behobene Fehler
- 3 aufgetreten, 3 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- 75 tests passed via `python -m unittest` in 2.8s (0 failures, 0 errors); CLI `raglight --help` displayed all commands correctly; FastAPI `create_app()` initialized without error; `raglight --version` resolved to 3.4.7
- Verbrauchte Modell-Tokens
- 167.906
- Genau getesteter Commit
- 155cee5d8f06
- 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.
print('FastAPI app created successfully')
\" 2>&1" in /work/repo
succeeded in 9488ms:
FastAPI app created successfully
All systems verified. Let me compile the final report.
exec
/bin/sh -lc '# Get timing for the report
echo "Install and test completed successfully"' in /work/repo
succeeded in 0ms:
Install and test completed successfully
tokens used
167,906Gesamte 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 3 Minuten installiert, schneller als der Median der 37 vergleichbaren Projekte, die Argusic gemessen hat.
- Hat sich von allen 3 Fehlern erholt, ohne dass ein Mensch eingriff, was zeigt, dass die Fehlschläge gut genug dokumentiert sind, um sie zu lösen.
- Lief ohne GPU, braucht also keine, um zu starten.
- Lizenz MIT, laut Angabe des Hosts.
Was nicht lief oder unbekannt ist
- Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.
Von den 38 Projekten im Bereich agentic-ai, die Argusic installiert und zeitlich gemessen hat, belegte RAGLight Platz 12 bei der Zeit bis zum lauffähigen Zustand, und 27 von 38 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 3 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)
agentic-aiagentic-ragagentic-workflowartificial-intelligencedata-scienceframeworkhuggingfacelmstudiomcpmcp-toolsmistral-apimistralaiollamaopenaiopenai-apiragretrieval-augmentedretrieval-augmented-generationvector-database
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/raglight)Fragen
- Läuft RAGLight?
- Ja. RAGLight läuft. Argusic hat es auf einer sauberen Maschine in 3 Minuten installiert und gestartet, ist dabei auf 3 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic RAGLight getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 155cee5d8f06. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von RAGLight gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,01 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 RAGLight?
- 3 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 RAGLight eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von RAGLight schief?
- Im aufgezeichneten Lauf gingen 3 Dinge kaputt, und 3 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet RAGLight im Vergleich zu Alternativen ab?
- Von den 38 Projekten im Bereich agentic-ai, die Argusic installiert und zeitlich gemessen hat, belegte RAGLight Platz 12 bei der Zeit bis zum lauffähigen Zustand, und 27 von 38 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für RAGLight?
- 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.