Original en inglés: https://argusic.com/subject/meta-llm-charter
meta-llm-charter
Carta operativa compacta que convierte LLM coding agents en ingenieros principales disciplinados. Eleven reglas + one meta-regla.
Funcionafuente: GitHubTypeScriptMITcommit 7a814b1152ae
TypeScript, licencia MIT. El proyecto se describe a sí mismo como: ai, ai agents, claude, coding agents, constitution, cursor, frontier ai y llm.
meta-llm-charter funciona. Un agent de Argusic lo instaló en 8 minutos y encontró 3 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
The eval harness installs and builds cleanly, all 70 harness unit tests pass, all 15 fixture suites match their pinned counts, and a documented bug fix plus the --quiet task implemented over the fixture verified green test runs and correct CLI output in this container.
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.
- fixture-local 'npm test' (node --import tsx) fails on container's Node 18.19.1: ERR_MODULE_NOT_FOUND for tsx; README/CI require Node 20+, canonical harness command is npx --yes tsx --test2 minutos
- npm audit reported 1 high severity advisory after install (no install failure)
- Full eval path 'npm start' cannot run: ANTHROPIC_API_KEY missing (harness abort by design), no docker binary/daemon available to build the sandbox image
- Tiempo de instalación
- 8 minutos
- De máquina en frío a terminar
- 4 minutos
- Errores encontrados y corregidos
- 3 encontrados, 3 corregidos sin ayuda humana
- Cómo se demostró el resultado
- npm run test:harness exited 0 (70 tests, 70 pass); npm run fixtures:check exited 0 (15 fixtures, 0 failures, 0 unpinned); npm run build exited 0; fixture 02 repair: npx --yes tsx --test test/format.spec.ts -> pass 9 fail 0 and formatCurrency(null) -> '$0.00'; fixture 09 --quiet implementation: 9/9 pass and CLI printed only '6 records, 2 errors'
- Tokens de modelo usados
- 229.269
- Commit exacto probado
- 7a814b1152ae
- 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.
**Installed & built** - `npm install` in `evals/` — exit 0, added 47 packages (1 high-severity audit advisory, nothing fa… - `npm run build` (`tsc`) — exit 0, 18 compiled JS files in `evals/dist/`. **Tests run (all real, exit 0)** - `npm run test:harness` — `# tests 70, # pass 70, # fail 0`. - `npm run fixtures:check` — discovered 15 fixtures, `0 failure(s), 0 unpinned notice(s)`; per-fixt… - Directly executed fixture suites and a repair check: applying fixture 02's documented bug fix tur… **Errors & repairs** - Node 18 vs fixture-local `npm test` (`node --import tsx`): that script can't resolve `tsx` on Nod… - Real `npm start` path: blocked by `ANTHROPIC_API_KEY is required` (harness's own guard fired as d… **Verification summary** - `npm run build` exit 0; `npm run test:harness` 70/70 pass; `npm run fixtures:check` 15/15 match. …
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 recuperó de los 3 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 8 minutos en instalarse, más lento que la mediana de los 230 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 231 proyectos de ai que Argusic ha instalado y cronometrado, meta-llm-charter fue el 138.º más rápido en llegar a funcionar, y 152 de 231 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 8 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)
aiai-agentsclaudecoding-agentsconstitutioncursorfrontier-aillmllm-agentsprompt-engineering
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/meta-llm-charter)Preguntas
- ¿Funciona meta-llm-charter?
- Sí. meta-llm-charter funciona. Argusic lo instaló y lo inició en una máquina limpia en 8 minutos, con 3 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic meta-llm-charter?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 7a814b1152ae. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar meta-llm-charter?
- 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 meta-llm-charter en instalarse?
- 8 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita meta-llm-charter una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar meta-llm-charter?
- En la ejecución registrada fallaron 3 cosas, y 3 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara meta-llm-charter con las alternativas?
- De los 231 proyectos de ai que Argusic ha instalado y cronometrado, meta-llm-charter fue el 138.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
- ¿Dónde está la evidencia de meta-llm-charter?
- 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.