Original en inglés: https://argusic.com/subject/vectordbz
vectordbz
Una aplicación de escritorio moderna para explorar, gestionar y analizar bases de datos vectoriales.
Funciona con mocksfuente: GitHubsitio webTypeScriptMITcommit 57d51d2549ba
TypeScript, licencia MIT. El proyecto se describe a sí mismo como: ai, aitools, chroma, database management, embeddings, milvus, pgvector y pinecone.
vectordbz funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 29 minutos y encontró 5 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
npm ci completes successfully, Vite builds produce valid bundles, the Electron app launches on Xvfb with a visible VectorDBZ 1400x900 window connected to the Vite renderer dev server. The embedding mock server serves embedding vectors on port 3005. Integration tests require Docker containers not available in this environment. Package step fails with OOM.
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.
- Node.js version mismatch - system has v18.19.1, project requires >=22.12.03 minutos
- Corrupted Vite build artifacts from prior failed package attempt caused Electron SyntaxError: Unexpected end of input2 minutos
- Electron main.js entry-point had duplicated content after rebuild1 minuto
- All 8 database integration test files fail - require Docker containers for Qdrant, Weaviate, ChromaDB, Milvus, pgvector, Pinecone, Elasticsearch, RedisSearch (docker not available in container)
- npm run package (electron-forge make) runs out of memory (OOM)
- Tiempo de instalación
- 29 minutos
- De máquina en frío a terminar
- 30 minutos
- Errores encontrados y corregidos
- 5 encontrados, 5 corregidos sin ayuda humana
- Cómo se demostró el resultado
- npm run start (via electron-forge) launched Electron app; VectorDBZ window 1400x900 appeared on virtual display :99 and Electron processes remained alive for 25+ seconds. Embedding server at localhost:3005 responded 200 on POST /embed/text with valid 384-dim embedding vector. Electron --version via forge returned 7.11.1.
- Tokens de modelo usados
- 497.049
- Commit exacto probado
- 57d51d2549ba
- 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.
succeeded in 0ms:
The task is complete. Let me clean up the running processes.
exec
/bin/sh -lc "ps aux | grep \"[e]lectron\" | grep -v codex | grep -v grep | awk '{print "'$2}'"' | x…
ps aux | grep \"[v]ite\" | grep -v codex | grep -v grep | awk '{print "'$2}'"' | xargs -r kill 2>/d…
echo \"Cleanup done\"" in /work/repo
succeeded in 0ms:
Cleanup done
Done. The app has been installed, built, and launched—VectorDBZ window appeared on the virtual disp…
tokens used
497,049
Done. The app has been installed, built, and launched—VectorDBZ window appeared on the virtual disp…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 29 minutos en instalarse, más lento que la mediana de los 230 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 231 proyectos de ai que Argusic ha instalado y cronometrado, vectordbz fue el 214.º más rápido en llegar a funcionar, y 152 de 231 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 | 0,51 |
Temas (de GitHub)
aiaitoolschromadatabase-managementembeddingsmilvuspgvectorpineconeqdrantragsemantic-searchvector-data-managementvector-databasevector-database-embeddingvector-searchvector-storevectordatabasevectordbvectorspaceweaviate
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/vectordbz)Preguntas
- ¿Funciona vectordbz?
- vectordbz funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 29 minutos, con 5 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic vectordbz?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 57d51d2549ba. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar vectordbz?
- La ejecución que produjo este veredicto costó 0,51 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 vectordbz en instalarse?
- 29 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita vectordbz una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar vectordbz?
- 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 vectordbz con las alternativas?
- De los 231 proyectos de ai que Argusic ha instalado y cronometrado, vectordbz fue el 214.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
- ¿Dónde está la evidencia de vectordbz?
- 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.