Original em inglês: https://argusic.com/subject/aisearch-openai-rag-audio
aisearch-openai-rag-audio
Uma implementação de exemplo simples do padrão VoiceRAG para alimentar experiências interativas de IA generativa por voz usando RAG com Azure AI Search e o modelo gpt-4o-realtime-preview do Azure OpenAI.
Executa com mocksfonte: GitHubpágina do projetoPythonMITcommit 85d0b4e25dc7
Python, licença MIT. O projeto se descreve como: ai azd templates, azd templates, azure, azure ai search, generative ai, gpt, language model e openai.
aisearch-openai-rag-audio executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 3 minutos e encontrou 3 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
Backend server starts on port 8765, serves built frontend (HTML, JS, CSS, favicon all HTTP 200), WebSocket endpoint /realtime accepts client connections and routes to Azure OpenAI, all Python imports compile, Ruff lint passes, frontend TypeScript builds cleanly via Vite.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 92 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- requirements.txt was UTF-16-LE encoded with BOM, causing pip to fail1 minuto
- pyproject.toml ruff target-version set to py39 but code uses Python 3.10+ match statements0,5 minutos
- type(self.text) == str flagged by Ruff E7210,5 minutos
- Tempo de instalação
- 3 minutos
- Da máquina limpa até o fim
- 3 minutos
- Erros encontrados e corrigidos
- 3 encontrados, 3 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- curl http://localhost:8765/ returned 200 with full HTML; JS bundle 200 (399KB); CSS 200 (13.8KB); favicon 200; WebSocket /realtime accepts connections; ruff check passes; frontend tsc+vite build succeeds; .venv/bin/python -c 'import app' succeeds
- Tokens de modelo usados
- 95.828
- Commit exato testado
- 85d0b4e25dc7
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
2. `pyproject.toml` had `target-version = "py39"` but the code uses Python 3.10+ `match` statements… 3. `type(self.text) == str` flagged by Ruff E721 → changed to `isinstance(self.text, str)` **Verification**: Backend starts on port 8765 serving the complete application. HTTP GET `/` return… tokens used 95,828 Here's a summary of everything I did and found: **Install process**: Set up Python virtual environment, fixed a UTF-16-BOM encoding issue in `requi… **Fixes applied**: 1. `requirements.txt` was UTF-16-LE encoded with BOM → converted to UTF-8 so pip could read it 2. `pyproject.toml` had `target-version = "py39"` but the code uses Python 3.10+ `match` statements… 3. `type(self.text) == str` flagged by Ruff E721 → changed to `isinstance(self.text, str)` **Verification**: Backend starts on port 8765 serving the complete application. HTTP GET `/` return…
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Instalado em 3 minutos.
- Recuperou-se de todos os 3 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Executa com mocks | 92,00 | 0,01 |
Tópicos (de GitHub)
ai-azd-templatesazd-templatesazureazure-ai-searchgenerative-aigptlanguage-modelopenairagretrieval-augmented-generationsearchvector-database
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/aisearch-openai-rag-audio)Perguntas
- aisearch-openai-rag-audio executa?
- aisearch-openai-rag-audio executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 3 minutos, encontrando 3 erros no caminho, e gravou a sessão.
- Como a Argusic testou aisearch-openai-rag-audio?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 85d0b4e25dc7. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar aisearch-openai-rag-audio?
- A execução que produziu este veredito custou US$ 0,01: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar aisearch-openai-rag-audio?
- 3 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- aisearch-openai-rag-audio precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar aisearch-openai-rag-audio?
- 3 coisas quebraram na execução registrada, e 3 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Onde estão as evidências de aisearch-openai-rag-audio?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.