Original en inglés: https://argusic.com/subject/seagoat
SeaGOAT
motor de búsqueda de código semántico local-first
Funcionafuente: GitHubsitio webPythonMITcommit dda7778020f4
Python, licencia MIT. El proyecto se describe a sí mismo como: ai, ai project, code search, code search engine, embeddings, grep, grep like y llm.
SeaGOAT funciona. Un agent de Argusic lo instaló en 1 minuto y encontró 1 error, corregido sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
SeaGOAT v1.2.0 installs via poetry, starts a local server, responds to status queries, and returns correct semantic search results for a test repository. 190 of 204 tests pass; 12 snapshot tests fail due to ONNX model processing timeout on this CPU.
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.
- 12 snapshot tests error: ONNX MiniLM embedding model inference times out (>120s) on CPU during test fixture setup5 minutos
- Tiempo de instalación
- 1 minutos
- De máquina en frío a terminar
- 30 minutos
- Errores encontrados y corregidos
- 1 encontrados, 1 corregidos sin ayuda humana
- Cómo se demostró el resultado
- poetry install succeeded; seagoat-server start on /tmp/test-repo (port 19999) responded at /status with 'accuracy.percentage: 100'; gt 'hello world' /tmp/test-repo returned correct lines 'def hello():' and 'return 'world'' on stdout; 190/190 core tests passed (--timeout=60)
- Tokens de modelo usados
- 108.649
- Commit exacto probado
- dda7778020f4
- 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.
- test_result_sorting: 5/5 passed - test_ripgrep: 8/8 passed - test_server: 21/21 passed - test_snapshot: 0/12 passed (ONNX timeout) - test_source_ripgrep: not found in earlier runs (assumed 0 collected) Total core: 190/190 passed, snapshot: 0/12 errors, grand: 190/204 Now I have all the data. Let me compile the final report. 2026-10-08T23:13:31.385771Z ERROR codex_core::session: failed to record rollout items: thread 01a11… 2026-10-08T23:13:31.385952Z ERROR codex_core::session: failed to record rollout items: thread 01a11… tokens used 108,649 Now I have all the data. Let me compile the final report.
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 1 minuto, más rápido que la mediana de los 230 proyectos comparables que ha medido Argusic.
- Se recuperó de su único error sin que interviniera una persona, lo que indica que el fallo está lo bastante documentado como para resolverlo.
- 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.
De los 231 proyectos de ai que Argusic ha instalado y cronometrado, SeaGOAT fue el 29.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 1 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-projectcode-searchcode-search-engineembeddingsgrepgrep-likellmregular-expressionripgrepvector-databasevector-embeddings
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/seagoat)Preguntas
- ¿Funciona SeaGOAT?
- Sí. SeaGOAT funciona. Argusic lo instaló y lo inició en una máquina limpia en 1 minutos, con 1 error por el camino, y grabó la sesión.
- ¿Cómo probó Argusic SeaGOAT?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit dda7778020f4. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar SeaGOAT?
- La ejecución que produjo este veredicto costó 0,09 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 SeaGOAT en instalarse?
- 1 minuto en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita SeaGOAT una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar SeaGOAT?
- En la ejecución registrada falló 1 cosa, y 1 se corrigió sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara SeaGOAT con las alternativas?
- De los 231 proyectos de ai que Argusic ha instalado y cronometrado, SeaGOAT fue el 29.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
- ¿Dónde está la evidencia de SeaGOAT?
- 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.