Englisches Original: https://argusic.com/subject/shopkeeper-agent
shopkeeper-agent
AI-Agent für intelligente E-Commerce-Data-Warehouse-Abfragen, ideal zum systematischen Lernen von LangGraph. Basiert auf LangGraph, FastAPI, Qdrant, Elasticsearch, MySQL, React. Enthält Metadaten-Wissensbasis, hybride Suche, NL2SQL-Erzeugung und Validierung, SQL-Ausführung, Streaming-Anzeige. Full-Stack-Code lauffähig, Docker-Bereitstellung per Klick. Inklusive kostenlosem Tutorial ai-agents-from-zero und Kapitel-Branches. Geeignet für LLM-Anwendungen, Datenanalyse-Agenten und Enterprise-AI-Engineering.
Läuft mit MocksQuelle: GitHubHomepagePythonMITCommit 8045fa4d6160
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: agent workflow, ai agent, elasticsearch, fastapi, langchain, langgraph, llm und nl2sql.
shopkeeper-agent läuft, mit Ersatz für die Dienste, von denen es abhängt. Ein Argusic-Agent hat es in 28 Minuten installiert und ist auf 4 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
With schema-correct mocks for the mandatory external services, the uvicorn-served app answers POST /api/query with a complete SSE pipeline and returns SQL aggregate result sales=10088 for '统计华北地区销售额'; uv sync installs all dependencies and the frontend pnpm build completes.
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.
- App lifespan requires external MySQL/Qdrant/ES/TEI/LLM not present in container20 Minuten
- pip install -e . fails: setuptools flat-layout (app, conf, docker, prompts, frontend)3 Minuten
- Manual pip venv (langchain-huggingface 1.2.3) rejects embedding model=URL; uv pin 1.2.1 accepts it3 Minuten
- Config requires LLM_API_KEY; omegaconf.InterpolationResolutionError without it2 Minuten
- Installationszeit
- 28 Minuten
- Von der kalten Maschine bis zum Ende
- 31 Minuten
- Aufgetretene und behobene Fehler
- 4 aufgetreten, 4 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- uv run pytest tests/test_integration.py -v exited 0 with 1 passed (asserts /api/query 200 and SSE pipeline ends with result data [{'sales':10088}]); also curl -X POST http://127.0.0.1:8000/api/query returned HTTP 200 with full SSE stream ending in [{'sales':10088}]
- Verbrauchte Modell-Tokens
- 497.338
- Genau getesteter Commit
- 8045fa4d6160
- 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.
- App imports under `uv run` (`import main` and `uv run fastapi dev main.py` path).
**Errors encountered and fixed**
1. Config fails without the LLM key (`omegaconf.InterpolationResolutionError: 'LLM_API_KEY' not fou…
2. `pip install -e .` (non-documented path) fails with setuptools flat-layout error (multiple top-l…
3. App lifespan requires external MySQL, Qdrant, Elasticsearch, TEI embedding, and an LLM — none pr…
4. A dependency-version nuance: in a pip venv with `langchain-huggingface 1.2.3`, the embedding `mo…
**Verification**
- `uv run pytest tests/test_integration.py -v` → **1 passed**.
- The test launches the app lifespan and POSTs to `/api/query` with `{"query":"统计华北地区销售额"}`; the SS…
- I also launched the real `uvicorn` (with mocks) and `curl -X POST http://127.0.0.1:8000/api/query…
**Final state**: dependencies install via `uv sync`; the app builds and runs; `/api/query` executes…
Notes on remaining work: the repo has no unit tests originally; I added `tests/test_integration.py`…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
- In 28 Minuten installiert.
- Hat sich von allen 4 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.
- Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.
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 | 0,59 |
Themen (von GitHub)
agent-workflowai-agentelasticsearchfastapilangchainlanggraphllmnl2sqlqdrantragvector-database
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/shopkeeper-agent)Fragen
- Läuft shopkeeper-agent?
- shopkeeper-agent läuft, mit Mocks als Ersatz für externe Dienste. Argusic hat es auf einer sauberen Maschine in 28 Minuten installiert und gestartet, ist dabei auf 4 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic shopkeeper-agent getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 8045fa4d6160. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von shopkeeper-agent gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,59 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 shopkeeper-agent?
- 28 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 shopkeeper-agent eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von shopkeeper-agent schief?
- Im aufgezeichneten Lauf gingen 4 Dinge kaputt, und 4 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wo ist der Nachweis für shopkeeper-agent?
- 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.