Original en inglés: https://argusic.com/subject/autoswarm-shadow-adapter
AutoSwarm-Shadow-Adapter
Adaptador sin modificaciones de humano en el bucle para el entorno de ejecución de DAG de agentes de OpenOPC.
Funcionafuente: GitHubsitio webPythonMITcommit 69d27ddcd626
Python, licencia MIT. El proyecto se describe a sí mismo como: agentic ai, agentic workflow, ai employee, ai native, ai workforce, dag orchestration, external agent adapter y fastapi.
AutoSwarm-Shadow-Adapter funciona. Un agent de Argusic lo instaló en 3 minutos y encontró 1 error, corregido sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
The openopc-shadow-adapter package installs, its 66-test suite passes, the shadow-serve REST API responds 200 on /api/v1/health with register/login/task claim flows working, the shadow-worker CLI authenticates against the live server, and the built React portal is served at the root route.
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.
- Frontend static build (frontend/dist) was not present, so the root route returned a JSON fallback instead of the React portal1 minuto
- Tiempo de instalación
- 3 minutos
- De máquina en frío a terminar
- 3 minutos
- Errores encontrados y corregidos
- 1 encontrados, 1 corregidos sin ayuda humana
- Cómo se demostró el resultado
- curl http://127.0.0.1:8899/api/v1/health returned 200 {"status":"ok","db":"connected","pending_tasks":0}; pytest tests/ --cov exited 0, 66 passed
- Tokens de modelo usados
- 208.085
- Commit exacto probado
- 69d27ddcd626
- 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.
All processes cleanly stopped. Let me record the summary.
The work is complete. Let me now provide the final report.
During my testing:
- **Install**: `pip install -e '.[dev]'` in a fresh venv — succeeded, package built successfully.
- **Tests**: `pytest tests/` — 66 passed, 82% coverage.
- **App**: `shadow-serve` launched on port 8899, `/api/v1/health` returned 200 with `{"status":"ok"…
- **API flow**: register (201), login (200, JWT), park task via adapter, list tasks (200), claim ta…
- **Mock engine**: `python tests/mock_openopc_engine.py` — all assertions passed.
- **CLIs**: both `shadow-serve --help` and `shadow-worker --help` work.
- **Worker**: `shadow-worker --provider mock --once` auto-registered and authenticated on live serv…
- **Frontend gap**: `dist` wasn't built — npm build fixed it; root returned 200 with the real React…
Errors (one gap): missing frontend build. Fixed via `npm install && npm run build`. Not "third-part…Reproducir 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 instaló en 3 minutos, más rápido que la mediana de los 37 proyectos comparables que ha medido Argusic.
- Se recuperó de su único error sin que interviniera una persona, lo que indica que el fallo está lo bastante documentado como para resolverlo.
- 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
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 38 proyectos de agentic-ai que Argusic ha instalado y cronometrado, AutoSwarm-Shadow-Adapter fue el 12.º más rápido en llegar a funcionar, y 27 de 38 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Una evaluación rápida: estaba funcionando 3 minutos después del clon.
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)
agentic-aiagentic-workflowai-employeeai-nativeai-workforcedag-orchestrationexternal-agent-adapterfastapigenerative-aihitlhuman-in-the-loophuman-oversightllmllm-orchestrationmulti-agentopenopcorchestrationpythonreactshadow-mode
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/autoswarm-shadow-adapter)Preguntas
- ¿Funciona AutoSwarm-Shadow-Adapter?
- Sí. AutoSwarm-Shadow-Adapter funciona. Argusic lo instaló y lo inició en una máquina limpia en 3 minutos, con 1 error por el camino, y grabó la sesión.
- ¿Cómo probó Argusic AutoSwarm-Shadow-Adapter?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 69d27ddcd626. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar AutoSwarm-Shadow-Adapter?
- La ejecución que produjo este veredicto costó 0,05 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 AutoSwarm-Shadow-Adapter en instalarse?
- 3 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita AutoSwarm-Shadow-Adapter una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar AutoSwarm-Shadow-Adapter?
- En la ejecución registrada falló 1 cosa, y 1 se corrigió sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara AutoSwarm-Shadow-Adapter con las alternativas?
- De los 38 proyectos de agentic-ai que Argusic ha instalado y cronometrado, AutoSwarm-Shadow-Adapter fue el 12.º más rápido en llegar a funcionar, y 27 de 38 llegaron a funcionar.
- ¿Dónde está la evidencia de AutoSwarm-Shadow-Adapter?
- 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.