Original en anglais: https://argusic.com/subject/parlant
parlant
Parlant est une plateforme ouverte pour créer des agents de chat orientés client avec AI. Décrivez comment l'agent doit se comporter, et votre coding agent l'implémente pour vous.
Fonctionne avec des mockssource : GitHubpage d'accueilPythonApache-2.0commit ea737442b8ae
Python, sous licence Apache-2.0. Le projet se décrit ainsi : ai agent, customer experience, customer service, customer success, lead generation, llm et python.
parlant fonctionne, avec des substituts pour les services dont il dépend. Un agent Argusic l'a installé en 12 minutes et a rencontré 8 erreurs sur une machine propre sans GPU, et toute la session a été enregistrée.
With a schema-correct mock NLP backend, the Parlant server started on port 18999, answered /healthz 200, created agents/guidelines/sessions (201), and ran the engine to completion status; 208 API tests passed while the parlant CLI remained unimportable.
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré
Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 86,2 sur 100 (la moyenne des scores des exécutions de ce projet).
En un coup d'œil
Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le . Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.
Ce qui a été mesuré
Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.
Ce qui s'est mal passé, dans les mots de l'agent
Les propres mots de l'agent, le plus grave en premier, jamais réécrits en conseils.
- parlant CLI fails: ImportError cannot import JourneyTriggerUpdateParams from parlant.client.types12 minutes
- Tests failed with KeyError('EMCIE_API_KEY') because tests/conftest.py hardcodes EmcieService8 minutes
- pytest collection failed on missing qdrant_client, chroma, pymongo, litellm, azure, zhipuai modules4 minutes
- README claims OpenAI is the default NLP provider but p.Server() defaults to NLPServices.emcie and fails without EMCIE_API_KEY4 minutes
- Embedding dimension mismatch (128 mock dims vs 3072 expected)3 minutes
- test_embedding/test_generation fail: HealthReporter.__init__() missing required positional argument application_context3 minutes
- Temps d'installation
- 12 minutes
- De la machine vierge à la fin
- 54 minutes
- Erreurs rencontrées et corrigées
- 8 rencontrées, 6 corrigées sans aide humaine
- Comment le résultat a été prouvé
- curl -s -o /dev/null -w %{http_code} localhost:18999/healthz returned 200; POST /agents returned 201; POST /sessions returned 201; engine emitted acknowledged/processing/typing/ready status events; pytest run with mock Emcie/OpenAI servers reported '208 passed' on API modules and '229 passed, 1 failed' on the mixed suite; uv run parlant-server run --version printed 'Parlant v3.3.1'
- Tokens de modèle utilisés
- 899 179
- Commit exact testé
- ea737442b8ae
- Image de conteneur
- sha256:cdd920bce783
Ce qui n'a pas été mesuré
L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.
- Pic de mémoire GPU
- cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
- Comportement sur une longue durée
- chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge
- Comportement face aux vrais services
- cette exécution n'a été vérifiée qu'avec des services de substitution
La fin de l'enregistrement
Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.
899,179 All work is complete. Summary of what I observed, followed by the required result line. **What worked** - `uv sync --group dev --extra chroma --extra mongo --extra qdrant --extra litellm --extra azure --… - `uv run parlant-server run --version` printed `Parlant v3.3.1`. - Server launched against a schema-correct Argusic-compatible mock: `GET /healthz`→200, `GET /agent… - README SDK flow (`p.Server(nlp_service=p.NLPServices.openai)` + `create_agent`) created an agent … - Test suite with in-process schema-correct Emcie mock: 208 API tests passed, 0 failed; 229 passed … **Unresolved** - `parlant` CLI crashes on import: `parlant-client` pinned at v3.2.0 lacks `JourneyTriggerUpdatePar… - README states Argusic is the default NLP provider, but `p.Server()` actually defaults to `NLPServ… - Some tests call `HealthReporter()` without the now-required `application_context`.
Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.
Comment le test a été mené
Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.
Points forts et limites
Des faits mesurés, pas des opinions. Comment ce site est rédigé.
Ce qui s'est bien passé
- Sous licence Apache-2.0, selon son hébergeur.
- Mesuré 2 fois, le résultat n'est donc pas un cas isolé.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- N'a atteint un état de fonctionnement qu'avec des services de substitution : rien ici ne prouve qu'il fonctionne avec les vrais.
- Installation en 12 minutes, plus lente que la médiane des 110 projets comparables mesurés par Argusic.
- A rencontré 8 erreurs pendant l'installation, dont 2 n'ont pas été résolues.
Sur les 111 projets ai-agents qu'Argusic a installés et chronométrés, parlant a été le 73e plus rapide à atteindre un état de fonctionnement, et 83 sur 111 en ont atteint un.
Également testés, dans le même domaine
Chacun de ces projets a été installé et exécuté par Argusic sur une machine propre. Rien n'apparaît ici sans avoir été testé.
Historique des exécutions
| testé par | tentative | résultat | score | coût USD | date |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Fonctionne avec des mocks | 87,00 | 1,05 | |
| Argusic Runner | 1/3 | Fonctionne avec des mocks | 85,33 | 0,17 |
Sujets (depuis GitHub)
ai-agentcustomer-experiencecustomer-servicecustomer-successlead-generationllmpython
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/parlant)Questions
- parlant fonctionne-t-il ?
- parlant fonctionne, avec des mocks à la place des services externes. Argusic l'a installé et lancé sur une machine propre en 12 minutes, en rencontrant 8 erreurs en route, et a enregistré la session.
- Comment Argusic a-t-il testé parlant ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit ea737442b8ae. 2 tentatives sont enregistrées, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test de parlant ?
- L'exécution qui a produit ce verdict a coûté 1,05 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
- Combien de temps faut-il pour installer parlant ?
- 12 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
- parlant a-t-il besoin d'un GPU ?
- Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
- Qu'est-ce qui pose problème lors de l'installation de parlant ?
- 8 problèmes sont survenus lors de l'exécution enregistrée, et 6 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
- Comment parlant se compare-t-il aux alternatives ?
- Sur les 111 projets ai-agents qu'Argusic a installés et chronométrés, parlant a été le 73e plus rapide à atteindre un état de fonctionnement, et 83 sur 111 en ont atteint un.
- Où sont les preuves pour parlant ?
- Les 2 exécutions enregistrées se trouvent sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.