Original en inglés: https://argusic.com/subject/future-agi
future-agi
Plataforma de código abierto, de extremo a extremo para evaluar, observar y mejorar aplicaciones de LLM y AI agent. Rastreo · Evaluaciones · Simulaciones · Conjuntos de datos · Gateway · Salvaguardas. Self-hostable. Apache 2.0.
Funciona con mocksfuente: GitHubsitio webPythonApache-2.0commit ec05d596da56
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: agent evaluation, ai agents, ai evals, ai gateway, ai observability, evals, evaluation framework y guardrails.
future-agi funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 49 minutos y encontró 4 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Frontend dependencies installed with yarn, unit and integration tests pass (11/11) using jsdom environment. Backend dependencies installed via uv sync (441 packages). Django 5.1.8 and Django REST framework import correctly. Backend cannot fully start or run tests without Docker for PostgreSQL, ClickHouse, Redis, and MinIO.
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.
- No Docker daemon available - required for the standard install (docker compose)
- Node.js v18.19.1 installed, but frontend requires >=22.18.0
- Frontend test: 1 performance test fails with timing flake - expected duration <200ms but got ~365ms in this container
- Backend tests require Docker-based test infrastructure (PostgreSQL, ClickHouse, Redis, MinIO via docker-compose.test.yml) - cannot run without it
- Tiempo de instalación
- 49 minutos
- De máquina en frío a terminar
- 50 minutos
- Errores encontrados y corregidos
- 4 encontrados, 4 corregidos sin ayuda humana
- Cómo se demostró el resultado
- npx vitest run src/__tests__/unit/utils.test.js src/__tests__/integration/component-integration.test.jsx --reporter=verbose exited 0 with 11/11 tests passed
- Tokens de modelo usados
- 433.979
- Commit exacto probado
- ec05d596da56
- 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.
PROPERTY_CATALOG_SEQUENCER.md README.md cmd config docker-compose.catalog-kafka.dev.yml docker-compose.standalone.yml Here's my comprehensive report on what was accomplished and where the blockers are. 2026-10-04T17:06:10.332284Z ERROR codex_core::session: failed to record rollout items: thread 01a10… 2026-10-04T17:06:10.335356Z ERROR codex_core::session: failed to record rollout items: thread 01a10… tokens used 433,979 Here's my comprehensive report on what was accomplished and where the blockers are.
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.
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 49 minutos en instalarse, más lento que la mediana de los 3 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 4 proyectos de agent-evaluation que Argusic ha instalado y cronometrado, future-agi fue el 4.º más rápido en llegar a funcionar, y 2 de 4 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 | 0,31 |
Temas (de GitHub)
agent-evaluationai-agentsai-evalsai-gatewayai-observabilityevalsevaluation-frameworkguardrailshallucination-detectionllm-evaluationllm-observabilityllm-tracingllmopsmodel-evaluationobservabilityopentelemetryrag-evaluationsimulationtelemetrytracing
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/future-agi)Preguntas
- ¿Funciona future-agi?
- future-agi funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 49 minutos, con 4 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic future-agi?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit ec05d596da56. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar future-agi?
- La ejecución que produjo este veredicto costó 0,31 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 future-agi en instalarse?
- 49 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita future-agi una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar future-agi?
- 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 future-agi con las alternativas?
- De los 4 proyectos de agent-evaluation que Argusic ha instalado y cronometrado, future-agi fue el 4.º más rápido en llegar a funcionar, y 2 de 4 llegaron a funcionar.
- ¿Dónde está la evidencia de future-agi?
- 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.