Original en inglés: https://argusic.com/subject/parlant
parlant
Parlant es una plataforma abierta para crear chat agents orientados al cliente con IA. Describe cómo debe comportarse el agent, y tu coding agent lo implementa para ti.
Funciona con mocksfuente: GitHubsitio webPythonApache-2.0commit ea737442b8ae
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: ai agent, customer experience, customer service, customer success, lead generation, llm y python.
parlant funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 12 minutos y encontró 8 errores en una máquina limpia sin GPU, y toda la sesión quedó grabada.
With a schema-correct mock NLP backend, the Parlant server started on port 18999, answered /healthz 200, created agents/guidelines/sessions (201), and ran the engine to completion status; 208 API tests passed while the parlant CLI remained unimportable.
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 86,2 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.
- parlant CLI fails: ImportError cannot import JourneyTriggerUpdateParams from parlant.client.types12 minutos
- Tests failed with KeyError('EMCIE_API_KEY') because tests/conftest.py hardcodes EmcieService8 minutos
- pytest collection failed on missing qdrant_client, chroma, pymongo, litellm, azure, zhipuai modules4 minutos
- README claims OpenAI is the default NLP provider but p.Server() defaults to NLPServices.emcie and fails without EMCIE_API_KEY4 minutos
- Embedding dimension mismatch (128 mock dims vs 3072 expected)3 minutos
- test_embedding/test_generation fail: HealthReporter.__init__() missing required positional argument application_context3 minutos
- Tiempo de instalación
- 12 minutos
- De máquina en frío a terminar
- 54 minutos
- Errores encontrados y corregidos
- 8 encontrados, 6 corregidos sin ayuda humana
- Cómo se demostró el resultado
- curl -s -o /dev/null -w %{http_code} localhost:18999/healthz returned 200; POST /agents returned 201; POST /sessions returned 201; engine emitted acknowledged/processing/typing/ready status events; pytest run with mock Emcie/OpenAI servers reported '208 passed' on API modules and '229 passed, 1 failed' on the mixed suite; uv run parlant-server run --version printed 'Parlant v3.3.1'
- Tokens de modelo usados
- 899.179
- Commit exacto probado
- ea737442b8ae
- 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.
899,179 All work is complete. Summary of what I observed, followed by the required result line. **What worked** - `uv sync --group dev --extra chroma --extra mongo --extra qdrant --extra litellm --extra azure --… - `uv run parlant-server run --version` printed `Parlant v3.3.1`. - Server launched against a schema-correct Argusic-compatible mock: `GET /healthz`→200, `GET /agent… - README SDK flow (`p.Server(nlp_service=p.NLPServices.openai)` + `create_agent`) created an agent … - Test suite with in-process schema-correct Emcie mock: 208 API tests passed, 0 failed; 229 passed … **Unresolved** - `parlant` CLI crashes on import: `parlant-client` pinned at v3.2.0 lacks `JourneyTriggerUpdatePar… - README states Argusic is the default NLP provider, but `p.Server()` actually defaults to `NLPServ… - Some tests call `HealthReporter()` without the now-required `application_context`.
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
- Licencia Apache-2.0, según su plataforma de origen.
- Medido 2 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 12 minutos en instalarse, más lento que la mediana de los 110 proyectos comparables que ha medido Argusic.
- Encontró 8 errores durante la instalación, 2 de ellos sin resolver.
De los 111 proyectos de ai-agents que Argusic ha instalado y cronometrado, parlant fue el 73.º más rápido en llegar a funcionar, y 83 de 111 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 | 2/3 | Funciona con mocks | 87,00 | 1,05 | |
| Argusic Runner | 1/3 | Funciona con mocks | 85,33 | 0,17 |
Temas (de GitHub)
ai-agentcustomer-experiencecustomer-servicecustomer-successlead-generationllmpython
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/parlant)Preguntas
- ¿Funciona parlant?
- parlant funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 12 minutos, con 8 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic parlant?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit ea737442b8ae. Hay 2 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar parlant?
- La ejecución que produjo este veredicto costó 1,05 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 parlant en instalarse?
- 12 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita parlant una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar parlant?
- En la ejecución registrada fallaron 8 cosas, y 6 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara parlant con las alternativas?
- De los 111 proyectos de ai-agents que Argusic ha instalado y cronometrado, parlant fue el 73.º más rápido en llegar a funcionar, y 83 de 111 llegaron a funcionar.
- ¿Dónde está la evidencia de parlant?
- Las 2 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.