RAGLight fonctionne-t-il ?

Oui. RAGLight fonctionne. Argusic l'a installé et lancé sur une machine propre en 3 minutes, en rencontrant 3 erreurs en route, et a enregistré la session.

Comment Argusic a-t-il testé RAGLight ?

Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 155cee5d8f06. Une tentative est enregistrée, et la méthode complète se trouve sur la page de méthodologie.

Combien a coûté le test de RAGLight ?

L'exécution qui a produit ce verdict a coûté 0,01 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 RAGLight ?

3 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.

RAGLight 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 RAGLight ?

3 problèmes sont survenus lors de l'exécution enregistrée, et 3 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.

Où sont les preuves pour RAGLight ?

L'exécution enregistrée se trouve 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.

Original en anglais: https://argusic.com/subject/raglight

RAGLight

RAGLight est un framework modulaire pour la génération augmentée par récupération (RAG). Il facilite l'intégration de différents LLM, embeddings et bases de données vectorielles, et inclut désormais une intégration MCP transparente pour connecter des outils externes et des sources de données.

Fonctionnesource : GitHub page d'accueilPythonMITcommit 155cee5d8f06

Python, sous licence MIT. Le projet se décrit ainsi : agentic ai, agentic rag, agentic workflow, artificial intelligence, data science, framework, huggingface et lmstudio.

RAGLight fonctionne. Un agent Argusic l'a installé en 3 minutes et a rencontré 3 erreurs, toutes corrigées sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.

RAGLight 3.4.7 is fully installed in a venv at /tmp/venv with all extras (chroma, qdrant, langfuse). The CLI, FastAPI REST API server, and all 75 unit tests (embeddings, LLM, vector store, API, document processing, scrapper, config) all pass and function correctly. The package is importable from Python under the venv.
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 100 sur 100 (la moyenne des scores des exécutions de ce projet).

En un coup d'œil

verdict: Fonctionne
Score Argusic: 100 / 100
coût de l'exécution de vérification: 0,01 USD (mesuré)
exécutions enregistrées: 1
dernier test: 2026-10-15
étoiles: 672
forks: 102
issues ouvertes: 15
observateurs: 5
taille: 16 MB
créé le: 2024-12-12
dernier push: 2026-10-16

Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le 2026-11-04. 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.

Temps perdu à cause de chaque échec lors du test de RAGLight, tiré de l'exécution enregistrée — Chaque barre est un échec enregistré par l'agent, avec le temps qu'il a coûté. Tiré de cette exécution, et de nulle part ailleurs.

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.

uv package manager not available in base Python installation1 minute
raglight package not installed after `uv sync --all-extras`1 minute
Relative import errors when running `python -m unittest discover` on test subdirectories (from ..test_config import TestsConfig fails when subpackage is not a top-level package)1 minute

Temps d'installation: 3 minutes
De la machine vierge à la fin: 6 minutes
Erreurs rencontrées et corrigées: 3 rencontrées, 3 corrigées sans aide humaine
Comment le résultat a été prouvé: 75 tests passed via `python -m unittest` in 2.8s (0 failures, 0 errors); CLI `raglight --help` displayed all commands correctly; FastAPI `create_app()` initialized without error; `raglight --version` resolved to 3.4.7
Tokens de modèle utilisés: 167 906
Commit exact testé: 155cee5d8f06
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

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.

print('FastAPI app created successfully')
\" 2>&1" in /work/repo
 succeeded in 9488ms:
FastAPI app created successfully
All systems verified. Let me compile the final report.
exec
/bin/sh -lc '# Get timing for the report
echo "Install and test completed successfully"' in /work/repo
 succeeded in 0ms:
Install and test completed successfully
tokens used
167,906

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

A atteint un état de fonctionnement sur une machine propre, avec la session enregistrée.
Installé en 3 minutes, plus vite que la médiane des 37 projets comparables mesurés par Argusic.
S'est remis des 3 erreurs sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
A fonctionné sans GPU, il n'en a donc pas besoin pour démarrer.
Sous licence MIT, selon son hébergeur.

Ce qui ne s'est pas bien passé, ou n'est pas connu

Mesuré une seule fois jusqu'ici. Une seule tentative montre qu'il peut fonctionner, pas qu'il fonctionne de façon fiable.

Sur les 38 projets agentic-ai qu'Argusic a installés et chronométrés, RAGLight a été le 12e plus rapide à atteindre un état de fonctionnement, et 27 sur 38 en ont atteint un.

Pour quoi c'est un choix raisonnable

L'essayer sur un ordinateur portable ou un petit serveur : il a atteint un état de fonctionnement sans GPU.
Une évaluation rapide : il fonctionnait 3 minutes après le clone.

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	1/3	Fonctionne	100,00	0,01	2026-10-15 16:43 UTC

Sujets (depuis GitHub)

agentic-ai agentic-rag agentic-workflow artificial-intelligence data-science framework huggingface lmstudio mcp mcp-tools mistral-api mistralai ollama openai openai-api rag retrieval-augmented retrieval-augmented-generation vector-database

Intégrer le badge

Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.

[![Tested by Argusic](https://argusic.com/badge/RAGLight.svg)](https://argusic.com/subject/raglight)

Questions

RAGLight fonctionne-t-il ?: Oui. RAGLight fonctionne. Argusic l'a installé et lancé sur une machine propre en 3 minutes, en rencontrant 3 erreurs en route, et a enregistré la session.
Comment Argusic a-t-il testé RAGLight ?: Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 155cee5d8f06. Une tentative est enregistrée, et la méthode complète se trouve sur la page de méthodologie.
Combien a coûté le test de RAGLight ?: L'exécution qui a produit ce verdict a coûté 0,01 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 RAGLight ?: 3 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.
RAGLight 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 RAGLight ?: 3 problèmes sont survenus lors de l'exécution enregistrée, et 3 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
Comment RAGLight se compare-t-il aux alternatives ?: Sur les 38 projets agentic-ai qu'Argusic a installés et chronométrés, RAGLight a été le 12e plus rapide à atteindre un état de fonctionnement, et 27 sur 38 en ont atteint un.
Où sont les preuves pour RAGLight ?: L'exécution enregistrée se trouve 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.