Englisches Original: https://argusic.com/subject/vision-agents
Vision-Agents
Open Vision Agents von Stream. Erstellen Sie Sprach- und Bildagenten schnell mit jedem Modell oder Videoanbieter. Nutzt das Edge-Netzwerk von Stream für ultra-niedrige Latenz.
LäuftQuelle: GitHubHomepagePythonApache-2.0Commit 902db86438aa
Python, Lizenz Apache-2.0. Das Projekt beschreibt sich selbst als: agentic ai, agents, ai, ai agents, realtime, stt, tts und video agents.
Vision-Agents läuft. Ein Argusic-Agent hat es in 12 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.
The vision-agents core framework plus anthropic, gemini, openai, deepgram, elevenlabs, getstream, and smart_turn plugins are installed; 733 unit tests pass, the CLI binary responds, and all selected plugin imports resolve correctly.
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.
- No space left on device while extracting torch/CUDA/nvidia wheels (triton, nvidia-cublas, torch) during full uv sync --all-extras --dev8 Minuten
- Docker daemon not available — 10 tests in test_agent_launcher.py and 16 tests in test_redis_store.py raise DockerException on collection2 Minuten
- Blockbuster blocks os.path.abspath during anthropic SDK credential loading — 9 errors in plugins/anthropic/tests/test_anthropic_llm.py1 Minute
- Installationszeit
- 12 Minuten
- Von der kalten Maschine bis zum Ende
- 42 Minuten
- Aufgetretene und behobene Fehler
- 3 aufgetreten, 3 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- pytest tests/ -m 'not integration' --ignore=tests/test_agents/test_session_registry --ignore=tests/test_agents/test_agent_launcher --skip-blockbuster returned 733 passed, 10 deselected, 10 errors (all Docker). Plugin tests (anthropic+gemini+openai+deepgram+elevenlabs+getstream+smart_turn): 149 passed. CLI: 'uv run --no-sync vision-agents --help' returns usage; 'uv run --no-sync vision-agents --version' returns 0.0.1.dev1+g902db8643.
- Verbrauchte Modell-Tokens
- 83.286
- Genau getesteter Commit
- 902db86438aa
- 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.
none 7.8G 2.9G 4.6G 39% /
Now I have all the data needed for the final report. Let me record the full picture
exec
/bin/sh -lc 'export PATH="/home/runner/.local/bin:$PATH" && cd /work/repo && python3 -c "
from datetime import datetime
import time
print(f'"'Script started around: {datetime.now().isoformat()}')
\"" in /work/repo
succeeded in 0ms:
Script started around: 2026-09-28T04:57:28.207512
tokens used
83,286Gesamte 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.
- 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 Apache-2.0, laut Angabe des Hosts.
Was nicht lief oder unbekannt ist
- Die Installation dauerte 12 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 agentic-ai, die Argusic installiert und zeitlich gemessen hat, belegte Vision-Agents Platz 24 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.
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-aiagentsaiai-agentsrealtimesttttsvideo-agentsvideo-aivision-aivoice-ai
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/vision-agents)Fragen
- Läuft Vision-Agents?
- Ja. Vision-Agents läuft. Argusic hat es auf einer sauberen Maschine in 12 Minuten installiert und gestartet, ist dabei auf 3 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic Vision-Agents getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 902db86438aa. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von Vision-Agents gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,10 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 Vision-Agents?
- 12 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 Vision-Agents eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von Vision-Agents 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 Vision-Agents im Vergleich zu Alternativen ab?
- Von den 38 Projekten im Bereich agentic-ai, die Argusic installiert und zeitlich gemessen hat, belegte Vision-Agents Platz 24 bei der Zeit bis zum lauffähigen Zustand, und 27 von 38 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für Vision-Agents?
- 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.