Original en inglés: https://argusic.com/subject/praisonai
PraisonAI
AI agents privados para equipos altamente regulados, y para cualquiera que quiera IA en su propia máquina. Python agent framework de código abierto que funciona completamente sin conexión.
Funciona con mocksfuente: GitHubsitio webPythonMITcommit 5c7d76d72d4a
Python, licencia MIT. El proyecto se describe a sí mismo como: agents, ai, ai agent framework, ai agent sdk, ai agents, ai agents sdk, aiagents y air gapped.
PraisonAI funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 18 minutos y encontró 5 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Both praisonaiagents and PraisonAI packages install and import successfully. Agent creation works. All core agent unit tests pass (480/480). LLM token tracking race condition fixed with ContextVar. LLM class supports __deepcopy__ for agent cloning. Knowledge tests pass with chonkie installed. 193/194 LLM tests pass. The TypeScript SDK has a pre-existing missing firecrawl-js dependency.
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.
- current_agent_name was a plain shared attribute on LLM, causing race conditions when concurrent agents shared one LLM instance3 minutos
- test_agent_clone.py expected _current_agent_name_var ContextVar that doesn't exist on LLM1 minuto
- praisonai-sandbox not installed - 5 sandbox tests fail with ImportError
- TypeScript SDK build fails - @mendable/firecrawl-js dependency missing
- Rate limiter retry test fails - resolve_failover_decision retries unknown errors up to 2 times
- Tiempo de instalación
- 18 minutos
- De máquina en frío a terminar
- 32 minutos
- Errores encontrados y corregidos
- 5 encontrados, 5 corregidos sin ayuda humana
- Cómo se demostró el resultado
- cd src/praisonai-agents && python -m pytest tests/unit/agent/ -q = 480 passed 17 skipped; tests/unit/llm/ -q = 193 passed 1 skipped; tests/unit/tools/ -q = 939 passed 3 skipped; tests/unit/workflows/ -q = 1421 passed 2 skipped; tests/unit/task/ -q = 567 passed; tests/unit/rag/ -q = 669 passed; tests/unit/knowledge/ -q = 160 passed 10 skipped; python -c 'from praisonaiagents import Agent; agent = Agent(name="Test", instructions="test", llm="gpt-4o-mini")' = OK
- Tokens de modelo usados
- 742.696
- Commit exacto probado
- 5c7d76d72d4a
- 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.
tests/unit/gateway/test_recipe_failure_reply.py . [ 29%] tests/unit/goal/test_goal.py ................. [ 30%] tests/unit/goal/test_goal_loop.py ........................ [ 30%] tests/unit/hooks/test_hooks.py ......................................... [ 31%] ... exec /bin/sh -lc 'cd /work/repo/src/praisonai-agents && timeout 90 /home/runner/venv/bin/python -m pytes… Now I have enough data for a complete summary. Let me compile the ARGUSIC_RESULT: 2026-09-27T22:47:23.767772Z ERROR codex_core::session: failed to record rollout items: thread 01a0e… tokens used 742,696 Now I have enough data for a complete summary. Let me compile the ARGUSIC_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 5 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- 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.
- Tardó 18 minutos en instalarse, más lento que la mediana de los 37 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 38 proyectos de agents que Argusic ha instalado y cronometrado, PraisonAI fue el 30.º más rápido en llegar a funcionar, y 25 de 38 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 | 0,19 |
Temas (de GitHub)
agentsaiai-agent-frameworkai-agent-sdkai-agentsai-agents-sdkaiagentsair-gappedframeworkllmmulti-agentmulti-agent-systemmulti-agentson-premiseopenclawprivate-aipythonregulated-industriesself-hosted
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/praisonai)Preguntas
- ¿Funciona PraisonAI?
- PraisonAI funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 18 minutos, con 5 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic PraisonAI?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 5c7d76d72d4a. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar PraisonAI?
- La ejecución que produjo este veredicto costó 0,19 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 PraisonAI en instalarse?
- 18 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita PraisonAI una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar PraisonAI?
- En la ejecución registrada fallaron 5 cosas, y 5 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara PraisonAI con las alternativas?
- De los 38 proyectos de agents que Argusic ha instalado y cronometrado, PraisonAI fue el 30.º más rápido en llegar a funcionar, y 25 de 38 llegaron a funcionar.
- ¿Dónde está la evidencia de PraisonAI?
- 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.