Original en inglés: https://argusic.com/subject/research-claw
research-claw
Un asistente de IA self-hosted para investigación académica. Gestiona tus documentos, busca en la literatura, sigue los plazos y te responde en los canales que ya usas.
Funcionafuente: GitHubPythonMITcommit ce3a4acd65d8
Python, licencia MIT. El proyecto se describe a sí mismo como: academic writing, ai agent, arxiv, autonomous agents, feishu bot, llm, multi agent y overleaf.
research-claw funciona. Un agent de Argusic lo instaló en 8 minutos y encontró 6 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Package installs cleanly via pip, all 52 existing tests pass, the CLI shows all commands (agent, gateway, doctor, onboard, stop, login, reset), the gateway server starts and serves the Web UI on port 18790 responding HTTP 200.
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.
- test_default_max_tokens_is_capped_for_non_reasoning_models failed: max_tokens was None instead of 8192 (no default or clamping in OpenAIProvider)3 minutos
- test_custom_endpoint_prefers_protocol_over_model_name failed: LiteLLMProvider.__init__() got unexpected keyword argument 'provider_type'2 minutos
- test_custom_endpoint_prefers_protocol_over_model_name: expected api_base url mismatch after base class normalization strips /v11 minuto
- test_full_chain_with_parent_message failed: expected inbound_msg.channel 'feishu' but actual is 'im_feishu' (matching channel.name)1 minuto
- test_explicit_max_tokens_above_cap_is_clamped failed: max_tokens 20000 unclamped instead of 8192
- test_native_routing_prefers_protocol_over_model_name failed: same keyword argument issue
- Tiempo de instalación
- 8 minutos
- De máquina en frío a terminar
- 7 minutos
- Errores encontrados y corregidos
- 6 encontrados, 6 corregidos sin ayuda humana
- Cómo se demostró el resultado
- pytest tests/ exited 0, 52 passed; curl -s -L -o /dev/null -w '%{http_code}' http://127.0.0.1:18790/ui returned 200; curl -s -L -o /dev/null -w '%{http_code}' http://127.0.0.1:18790/ returned 200
- Tokens de modelo usados
- 148.079
- Commit exacto probado
- ce3a4acd65d8
- 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.
self.assertIn('[Replying to: "Please review the draft"]', inbound_msg.content)
self.assertIn("Done, LGTM", inbound_msg.content)
- self.assertEqual(inbound_msg.channel, "feishu")
+ self.assertEqual(inbound_msg.channel, "im_feishu")
def test_full_chain_parent_is_post_message(self):
"""Reply to a post (rich text) message should extract text content."""
Now let me format the result:
**ARGUSIC_RESULT:** {"install_succeeded": true, "launch_succeeded": true, "install_minutes": 8, "er…
tokens used
148,079
Now let me format the result:
**ARGUSIC_RESULT:** {"install_succeeded": true, "launch_succeeded": true, "install_minutes": 8, "er…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 8 minutos.
- Se recuperó de los 6 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
- 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 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)
academic-writingai-agentarxivautonomous-agentsfeishu-botllmmulti-agentoverleafoverleaf-syncresearch-toolsscientific-writingself-hostedtelegram-bot
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/research-claw)Preguntas
- ¿Funciona research-claw?
- Sí. research-claw funciona. Argusic lo instaló y lo inició en una máquina limpia en 8 minutos, con 6 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic research-claw?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit ce3a4acd65d8. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar research-claw?
- La ejecución que produjo este veredicto costó 0,10 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 research-claw 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 research-claw una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar research-claw?
- En la ejecución registrada fallaron 6 cosas, y 6 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Dónde está la evidencia de research-claw?
- 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.