Original en inglés: https://argusic.com/subject/ai-company
AI-company
Sistema operativo de equipos multi-agent para Claude Code. 108 herramientas MCP, 40+ plantillas de agent, 10 ganchos de ciclo de vida, 7 flujos de trabajo de canalización. Equipos persistentes, reuniones estructuradas, muro de tareas, panel de control React en tiempo real. Sin LangChain/AutoGen: integración nativa pura de CC.
Funcionafuente: GitHubPythonMITcommit 329c525e5f56
Python, licencia MIT. El proyecto se describe a sí mismo como: agent framework, agent orchestration, ai agents, autonomous agents, claude, claude code, claude code plugin y dashboard.
AI-company funciona. Un agent de Argusic lo instaló en 23 minutos y encontró 6 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
AI Team OS v1.14.0 API answers 200 on /api/health, serves 187 REST endpoints and 116 MCP tools. Codex adapter installed with 7/7 hook files, MCP via stdio verified. SQLite database at ~/.claude/data/ai-team-os/aiteam.db holds 47 tables with working project/task CRUD and cross-request persistence. Unit tests pass 4109/4128 (1 pre-existing test-env isolation failure).
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 100 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- test_restart_development.py::test_source_switch_child_keeps_existing_database fails — subprocess resolves user-site relative to tmp HOME, not finding sqlalchemy installed in /home/runner/.local5 minutos
- test_codex_adapter_start.py (2 tests) fail — HTTP MCP preflight fails in isolated HOME; same user-site root cause2 minutos
- test_codex_runtime.py (12 tests) fail — subprocesses with isolated HOME can't import psutil from /home/runner/.local2 minutos
- test_mcp_concurrency.py, test_mcp_http_sharing.py (4 tests) fail — child process in isolated env can't import psutil2 minutos
- PEP 668 externally-managed-environment error on 'pip install -e .' in Debian system Python1 minuto
- test_codex_release_database.py fails — reference commit dd60e97 not present in shallow clone1 minuto
- Tiempo de instalación
- 23 minutos
- De máquina en frío a terminar
- 44 minutos
- Errores encontrados y corregidos
- 6 encontrados, 6 corregidos sin ayuda humana
- Cómo se demostró el resultado
- pip install -e . (PEP 668 bypass) -> codex_adapter.py start -> curl localhost:8000/api/health returned 200, status=ok, version=1.14.0 -> MCP stdio client session returned 116 tools -> task_create MCP tool called via API -> task persisted in SQLite (verified via sqlite3 CLI) -> E2E API coverage suite: 22/23 PASS -> API smoke: 13/24 PASS (hardcoded project ID not found) -> Unit tests: 4109 passed, 18 skipped (1 pre-existing env-isolation gap)
- Tokens de modelo usados
- 1.801.192
- Commit exacto probado
- 329c525e5f56
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
\"fix\": \"unfixed — shallow clone doesn't contain the release baseline; CI does a full…
\"minutes\": 1
}
],
\"test_depth\": \"tier1_real\",
\"verified_how\": \"pip install -e . (PEP 668 bypass) -> codex_adapter.py start -> curl localho…
\"final_state\": \"AI Team OS v1.14.0 API answers 200 on /api/health, serves 187 REST endpoints…
}))
EOF" in /work/repo
succeeded in 0ms:
tokens used
1,801,192Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se recuperó de los 6 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia MIT, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Tardó 23 minutos en instalarse, más lento que la mediana de los 61 proyectos comparables que ha medido Argusic.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 62 proyectos de agent-framework que Argusic ha instalado y cronometrado, AI-company fue el 57.º más rápido en llegar a funcionar, y 48 de 62 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
Temas (de GitHub)
agent-frameworkagent-orchestrationai-agentsautonomous-agentsclaudeclaude-codeclaude-code-plugindashboardfastapimcpmcp-servermeeting-systemmulti-agent-systempipeline-workflowpythonreactsqlitetask-managementteam-collaborationtypescript
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/ai-company)Preguntas
- ¿Funciona AI-company?
- Sí. AI-company funciona. Argusic lo instaló y lo inició en una máquina limpia en 23 minutos, con 6 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic AI-company?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 329c525e5f56. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar AI-company?
- La ejecución que produjo este veredicto costó 0,42 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda AI-company en instalarse?
- 23 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita AI-company una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar AI-company?
- En la ejecución registrada fallaron 6 cosas, y 6 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara AI-company con las alternativas?
- De los 62 proyectos de agent-framework que Argusic ha instalado y cronometrado, AI-company fue el 57.º más rápido en llegar a funcionar, y 48 de 62 llegaron a funcionar.
- ¿Dónde está la evidencia de AI-company?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.