Original en inglés: https://argusic.com/subject/wikipedia-semantic-search
wikipedia-semantic-search
Búsqueda semántica en Wikipedia con Upstash Vector
Funciona con mocksfuente: GitHubsitio webTypeScriptMITcommit e0bad8f0c256
TypeScript, licencia MIT. El proyecto se describe a sí mismo como: ai, search, semantic, vector y vector database.
wikipedia-semantic-search funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 30 minutos y encontró 5 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
pnpm install and next build succeed; next start serves / with HTTP 200 and the full chat/search pipeline runs end-to-end against local schema-correct Upstash/OpenAI mocks, with retrieval context and streaming answers verified via the installed SDKs; connecting real Upstash/OpenAI credentials is the only remaining external step.
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.
- mock-only: chat endpoint returned 500 because history pipeline needed list semantics (pipeline result array) and vector query mock routing/response shape were incomplete; later the mock LLM was bypassed by the app hardcoding https://api.openai.com/v115 minutos
- README/.env documents UPSTASH_* and QSTASH_TOKEN but src/lib/rag-chat.ts hardcodes the OpenAI provider base URL to https://api.openai.com/v1, so the chat LLM cannot be pointed at a local mock via env15 minutos
- production next start exited after .next lost BUILD_ID following a dev run; first start with mock env also died at container exec teardown8 minutos
- next build failed during page data collection: UPSTASH_VECTOR_REST_TOKEN is missing (env not configured)5 minutos
- pnpm not installed in container (no root)2 minutos
- Tiempo de instalación
- 30 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
- curl -s -o /dev/null -w %{http_code} http://127.0.0.1:3000/ returned 200 (HTML contains 'Wikipedia Semantic Search by Upstash Vector'); curl -c cookiejar -o /dev/null http://127.0.0.1:3000/ set a sessionId cookie via middleware; pnpm build exited 0 ('Generating static pages (5/5)'); index.query({data}) against the vector mock returned the seeded Eiffel Tower document, and ragChat.chat with streaming returned 'Mock answer for: ...ctx=The Eiffel Tower is a wrought-iron lattice tower in Paris, France...,q=What is the Eiffel Tower? [mock]'
- Tokens de modelo usados
- 4.743.999
- Commit exacto probado
- e0bad8f0c256
- 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.
/bin/sh -lc "echo \"ARGUSIC_RESULT:\"; echo '{\"install_succeeded\": true, \"launch_succeeded\": tr…
exited 2 in 0ms:
/bin/sh: 1: Syntax error: "(" unexpected
exec
/bin/sh -lc "cat > /tmp/result.json <<'EOF'
{\"install_succeeded\": true, \"launch_succeeded\": true, \"install_minutes\": 30, \"errors\": [{\"…
EOF
python3 -c \"import json; json.load(open('/tmp/result.json')); print('json valid')\" && printf 'ARG…
succeeded in 0ms:
json valid
tokens used
4,743,999Reproducir 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 30 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, wikipedia-semantic-search fue el 215.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 | 0,94 |
Temas (de GitHub)
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/wikipedia-semantic-search)Preguntas
- ¿Funciona wikipedia-semantic-search?
- wikipedia-semantic-search funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 30 minutos, con 5 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic wikipedia-semantic-search?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit e0bad8f0c256. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar wikipedia-semantic-search?
- La ejecución que produjo este veredicto costó 0,94 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 wikipedia-semantic-search en instalarse?
- 30 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita wikipedia-semantic-search una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar wikipedia-semantic-search?
- 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 wikipedia-semantic-search con las alternativas?
- De los 231 proyectos de ai que Argusic ha instalado y cronometrado, wikipedia-semantic-search fue el 215.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
- ¿Dónde está la evidencia de wikipedia-semantic-search?
- 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.