Original en inglés: https://argusic.com/subject/tracely-ai
Tracely-ai
Trace-native CI/CD para AI agents: los fallos en producción se convierten en pruebas de regresión que bloquean el PR. Detectar automáticamente, agrupar, congelar en casos herméticos, reproducir en CI por $0.
Funcionafuente: GitHubsitio webPythonMITcommit f332bc865d60
Python, licencia MIT. El proyecto se describe a sí mismo como: agent, agent observability, ai agents, ci cd, clickhouse, evals, evaluation y llm.
Tracely-ai funciona. Un agent de Argusic lo instaló en 5 minutos y encontró 2 errores en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Python backend and SDK install, import, and all 1174 pytest tests pass on Python 3.12.3. Frontend installs via pnpm with no errors and next build compiles successfully but OOMs during static page generation (container memory limit). vitest tests require Node 22+ ([email protected] and [email protected]) while this container has Node 18.19.1 - CI uses Node 22. CLI tool tracely --help works.
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 80 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.
- frontend vitest tests fail on Node 18 - jsdom@30 depends on [email protected] (engines: ^22.14.0) and [email protected] (engines: >=22.19.0), container has Node 18.19.115 minutos
- pnpm build (next build) OOM killed during static page generation after successful compilation5 minutos
- Tiempo de instalación
- 5 minutos
- De máquina en frío a terminar
- 43 minutos
- Errores encontrados y corregidos
- 2 encontrados, 0 corregidos sin ayuda humana
- Cómo se demostró el resultado
- pytest backend/tests sdk/tests: 1174 passed, 34 skipped, 0 failed; tracely --help returned usage; uv run uvicorn --help succeeded; next build compiled successfully before OOM
- Tokens de modelo usados
- 667.905
- Commit exacto probado
- f332bc865d60
- 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
Ver la sesión
La ejecución completa, desde una máquina limpia, a la velocidad a la que ocurrió. No se ha cortado ni acelerado nada.
Una grabación del intento 1, ejecutado el , el intento que decidió el veredicto anterior. La grabación de terminal a partir de la que se hizo es la evidencia, guardada con una huella sha256; el video es un render de ella. No se carga nada del servicio de video hasta que pulses reproducir.
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
succeeded in 0ms: Restored @exodus/bytes package.json to original-like state Removed encoding-lite.cjs Removed encoding.cjs Removed whatwg.cjs Removed utf16.cjs Removed utf8.cjs Restored encoding-lite.js from .esm backup Now let me do my final report. All patches are reverted and the repo is back to its original state. tokens used 667,905 Now let me do my final report. All patches are reverted and the repo is back to its original state.
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 5 minutos, más rápido que la mediana de los 134 proyectos comparables que ha medido Argusic.
- 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
- Encontró 2 errores durante la instalación, 2 de ellos sin resolver.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 135 proyectos de agent que Argusic ha instalado y cronometrado, Tracely-ai fue el 48.º más rápido en llegar a funcionar, y 87 de 135 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 5 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)
agentagent-observabilityai-agentsci-cdclickhouseevalsevaluationllmllm-as-judgellm-evaluationllm-observabilityllm-opsllmopsmcpmonitoringopentelemetrypythonself-hostedtracing
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/tracely-ai)Preguntas
- ¿Funciona Tracely-ai?
- Sí. Tracely-ai funciona. Argusic lo instaló y lo inició en una máquina limpia en 5 minutos, con 2 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic Tracely-ai?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit f332bc865d60. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar Tracely-ai?
- La ejecución que produjo este veredicto costó 0,24 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 Tracely-ai en instalarse?
- 5 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita Tracely-ai una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar Tracely-ai?
- En la ejecución registrada fallaron 2 cosas. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara Tracely-ai con las alternativas?
- De los 135 proyectos de agent que Argusic ha instalado y cronometrado, Tracely-ai fue el 48.º más rápido en llegar a funcionar, y 87 de 135 llegaron a funcionar.
- ¿Dónde está la evidencia de Tracely-ai?
- 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.