Original en inglés: https://argusic.com/subject/firered-openstoryline
FireRed-OpenStoryline
FireRed-OpenStoryline es un agent de edición de video AI que transforma la edición manual en dirección impulsada por intención mediante interacción en lenguaje natural, planificación impulsada por LLM y orquestación precisa de herramientas. Facilita una creación transparente con humanos en el bucle con Style Skills reutilizables para una narración profesional y consistente.
Funciona con mocksfuente: GitHubPythonApache-2.0commit c9e945215586
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: agent, chatbot, langchain, mcp, skills, video, video cut y video editing.
FireRed-OpenStoryline funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 45 minutos y encontró 4 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
MCP server starts on port 8001, web UI on port 8005, and the full agent pipeline builds successfully with a mock API endpoint; missing model weights and resource files were stubbed.
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.
- langgraph 1.0.10 removed ExecutionInfo from langgraph.runtime, but langgraph-prebuilt 1.0.13 still imports it, breaking langchain.agents import10 minutos
- No real LLM/VLM API keys configured in config.toml; validation checks require an OpenAI-compatible endpoint5 minutos
- Missing transnetv2-pytorch-weights.pth model weight file2 minutos
- Missing resource files (bgms/meta.json, script_templates/meta.json, tts/tts_providers.json, fonts/font_info.json)1 minuto
- Tiempo de instalación
- 45 minutos
- De máquina en frío a terminar
- 31 minutos
- Errores encontrados y corregidos
- 4 encontrados, 4 corregidos sin ayuda humana
- Tokens de modelo usados
- 328.855
- Commit exacto probado
- c9e945215586
- 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.
- Cómo se demostró el resultado
- las ejecuciones anteriores al 2026-09-07 no registraban el comando usado para comprobar el resultado
- 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.
from langgraph.checkpoint.serde.jsonplus import JsonPlusSerializer
OK
The patch works (I applied it earlier using python to edit the file). Let me verify it's actually
exec
/bin/sh -lc 'grep "ExecutionInfo" /work/repo/venv/lib/python3.12/site-packages/langgraph/prebuilt/t…
succeeded in 0ms:
ExecutionInfo = _Any
execution_info: ExecutionInfo | None = None
Good, the patch is still there. Now let me compile the final result.
tokens used
328,855
Good, the patch is still there. Now let me compile the final result.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 recuperó de los 4 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Licencia Apache-2.0, según su plataforma de origen.
- Medido 3 veces, así que el resultado no es algo puntual.
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.
- Tardó 45 minutos en instalarse, más lento que la mediana de los 134 proyectos comparables que ha medido Argusic.
De los 135 proyectos de agent que Argusic ha instalado y cronometrado, FireRed-OpenStoryline fue el 130.º más rápido en llegar a funcionar, y 87 de 135 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 | 0,20 | |
| Argusic Runner | 2/3 | Se quedó sin tiempo | 0,00 | 0,11 | |
| Argusic Runner | 1/3 | Se quedó sin tiempo | 0,00 | 0,10 |
Temas (de GitHub)
agentchatbotlangchainmcpskillsvideovideo-cutvideo-editingvideo-editing-tools
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/firered-openstoryline)Preguntas
- ¿Funciona FireRed-OpenStoryline?
- FireRed-OpenStoryline funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 45 minutos, con 4 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic FireRed-OpenStoryline?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit c9e945215586. Hay 3 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar FireRed-OpenStoryline?
- La ejecución que produjo este veredicto costó 0,20 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 FireRed-OpenStoryline en instalarse?
- 45 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita FireRed-OpenStoryline una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar FireRed-OpenStoryline?
- En la ejecución registrada fallaron 4 cosas, y 4 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara FireRed-OpenStoryline con las alternativas?
- De los 135 proyectos de agent que Argusic ha instalado y cronometrado, FireRed-OpenStoryline fue el 130.º más rápido en llegar a funcionar, y 87 de 135 llegaron a funcionar.
- ¿Dónde está la evidencia de FireRed-OpenStoryline?
- Las 3 ejecuciones registradas están 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.