Original en inglés: https://argusic.com/subject/relevanceai
relevanceai
Hogar de la fuerza laboral de IA - Sistema multi-agent, AI agents y herramientas
Funcionafuente: GitHubsitio webPythonApache-2.0commit af61c229bd17
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: clustering, computer vision, embeddings, natural language processing, nlp, python, search y search engine.
relevanceai funciona. Un agent de Argusic lo instaló en 0,5 minutos y no encontró ningún error en una máquina limpia sin GPU, y toda la sesión quedó grabada.
The relevanceai SDK version 10.2.1 is installed and all 46 unit tests pass, covering client initialization, agents, tools, tasks, knowledge, and OAuth resource classes via mocked HTTP responses.
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.
- Tiempo de instalación
- menos de un minuto
- De máquina en frío a terminar
- 1 minutos
- Errores encontrados y corregidos
- 0 encontrados, 0 corregidos sin ayuda humana
- Cómo se demostró el resultado
- cd /work/repo && .venv/bin/python -m pytest tests/ -v exited 0, 46 passed
- Tokens de modelo usados
- 20.198
- Commit exacto probado
- af61c229bd17
- 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.
Everything worked on the first attempt: 1. **Install**: `pip install -e .` succeeded with all dependencies. 2. **Tests**: `pytest` — 46 passed, 0 failed, 0 errors. 3. **Import**: `from relevanceai import RelevanceAI` and version string both work. No errors were encountered, so no fixes or mocks were needed. The test suite uses internal mocking … tokens used 20,198 Everything worked on the first attempt: 1. **Install**: `pip install -e .` succeeded with all dependencies. 2. **Tests**: `pytest` — 46 passed, 0 failed, 0 errors. 3. **Import**: `from relevanceai import RelevanceAI` and version string both work. No errors were encountered, so no fixes or mocks were needed. The test suite uses internal mocking …
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 instaló en 0,5 minutos.
- Nada se rompió por el camino: cero errores entre el clon y el funcionamiento.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
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 0,5 minutos después del clon.
- Seguir su propio README: el camino documentado funcionó sin nada que arreglar.
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)
clusteringcomputer-visionembeddingsnatural-language-processingnlppythonsearchsearch-engineunstructured-datavector-databasevector-search
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/relevanceai)Preguntas
- ¿Funciona relevanceai?
- Sí. relevanceai funciona. Argusic lo instaló y lo inició en una máquina limpia en 1 minutos, con 0 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic relevanceai?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit af61c229bd17. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar relevanceai?
- La ejecución que produjo este veredicto costó 0,01 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 relevanceai en instalarse?
- 0,5 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita relevanceai una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar relevanceai?
- Nada, en la ejecución registrada: cero errores entre el clon y el funcionamiento.
- ¿Dónde está la evidencia de relevanceai?
- 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.