Original en inglés: https://argusic.com/subject/devbox
devbox
Harness de ingeniería autónoma de código abierto en tu nube. Un entorno de pruebas por tarea, sin secretos reales dentro.
Funciona con mocksfuente: GitHubsitio webTypeScriptMITcommit fc2b4270eb80
TypeScript, licencia MIT. El proyecto se describe a sí mismo como: agent harness, agent sandbox, agent security, agentic coding, autonomous agents, background agents, coding agents y harness engineering.
devbox funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 1 minuto y encontró 1 error, corregido sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
All three component test suites (CLI 293/293, harness 1101/1101, helm chart 126/126) pass. Control-plane 1597/1608 pass; the 8 failures all require PostgreSQL 18 which is not available in this container. The CLI binary responds to its help command listing 10 commands.
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 92 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.
- 8 control-plane tests fail: no PostgreSQL 18 database available in container1 minuto
- Tiempo de instalación
- 1 minutos
- De máquina en frío a terminar
- 8 minutos
- Errores encontrados y corregidos
- 1 encontrados, 1 corregidos sin ayuda humana
- Cómo se demostró el resultado
- bun test (cli): 293/293 pass; bun test (control-plane): 1597/1608 pass, 8 DB-dependent fail; python3 -m unittest (harness): 1101/1101 pass; bun test (helm chart): 126/126 pass
- Tokens de modelo usados
- 177.450
- Commit exacto probado
- fc2b4270eb80
- 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
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
**Chart tests (Helm):** 126 pass, 0 fail across 7 test files ✅ The `scripts.test.ts` file hangs in this sandbox due to subprocess spawning — not a repo defect. Total install time: installing Bun (8s + download), uv/Python deps (3s), control-plane deps (1s), C… tokens used 177,450 Now I have the full picture. Here's the summary of everything observed: **CLI:** 293 pass, 0 fail ✅ **Harness (Python):** 1101 pass, 0 fail (7 skipped) ✅ **Control-plane (Bun):** 1597 pass, 3 skip, 8 fail — all 8 failures are from missing PostgreSQL (no… **Chart tests (Helm):** 126 pass, 0 fail across 7 test files ✅ The `scripts.test.ts` file hangs in this sandbox due to subprocess spawning — not a repo defect. Total install time: installing Bun (8s + download), uv/Python deps (3s), control-plane deps (1s), C…
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
- Se instaló en 1 minuto, más rápido que la mediana de los 8 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.
- Licencia MIT, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 9 proyectos de agent-harness que Argusic ha instalado y cronometrado, devbox fue el 1.º más rápido en llegar a funcionar, y 6 de 9 llegaron a funcionar.
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
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Funciona con mocks | 92,00 | 0,04 |
Temas (de GitHub)
agent-harnessagent-sandboxagent-securityagentic-codingautonomous-agentsbackground-agentscoding-agentsharness-engineering
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/devbox)Preguntas
- ¿Funciona devbox?
- devbox funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 1 minutos, con 1 error por el camino, y grabó la sesión.
- ¿Cómo probó Argusic devbox?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit fc2b4270eb80. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar devbox?
- La ejecución que produjo este veredicto costó 0,04 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 devbox en instalarse?
- 1 minuto en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita devbox una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar devbox?
- 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 devbox con las alternativas?
- De los 9 proyectos de agent-harness que Argusic ha instalado y cronometrado, devbox fue el 1.º más rápido en llegar a funcionar, y 6 de 9 llegaron a funcionar.
- ¿Dónde está la evidencia de devbox?
- 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.