Original em inglês: https://argusic.com/subject/gentle-ai
gentle-ai
O Gentle-AI configura os AI coding agents que você já usa: Claude Code, Cursor, OpenCode, Codex, Pi e outros. Escolha memória persistente, Organic-Driven Development, habilidades selecionadas, servidores MCP, personas e revisão limitada opcional. Código aberto, sem lock-in de agent.
Executafonte: GitHubpágina do projetoGoMITcommit 2c25e878eea4
Go, licença MIT. O projeto se descreve como: agent skills, ai agents, ai coding, claude code, code review, codex, coding agents e copilot.
gentle-ai executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 3 minutos e encontrou 2 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
gentle-ai 2.0.0 builds from source, prints version (2.0.0-20260906031619-2c25e878eea4) and help text, all 53 Go test packages pass.
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 93,3 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.
- Go 1.25.10+ not found in container (Ubuntu 24.04 ships Go 1.22)2,5 minutos
- Node.js 18 does not natively support .mts TypeScript files; tests failed with SyntaxError: Cannot use import statement outside a module2,5 minutos
- Tempo de instalação
- 3 minutos
- Da máquina limpa até o fim
- 17 minutos
- Erros encontrados e corrigidos
- 2 encontrados, 2 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- go test ./... exited 0, all 53 packages passed
- Tokens de modelo usados
- 74.394
- Commit exato testado
- 2c25e878eea4
- 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
Assista à sessão
A execução inteira, a partir de uma máquina limpa, na velocidade em que realmente aconteceu. Nada é cortado e nada é acelerado.
Uma gravação da tentativa 1, executada em . O veredito acima vem de outra tentativa, então veja isto como uma sessão e não como o resultado atual. A gravação do terminal da qual ele foi feito é a evidência, guardada com uma impressão digital sha256; o vídeo é uma renderização dela. Nada é carregado do serviço de vídeo até você apertar o play.
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
sdd-status [change]
Print native SDD phase status for orchestrators
sdd-continue [change]
Print native SDD dispatcher routing output
sdd-attempt <acquire|settle> --cwd <repo> --change <change>
Run bounded normal orchestration without exposing runtime history
sdd-verify-validate --input <path|-> --requirements <n> --scenarios <n>
Validate exact verification-report bytes without persistence
All 53 test packages pass, the binary builds and runs. Here is the final result:
tokens used
74,394
All 53 test packages pass, the binary builds and runs. Here is the final result: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
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Recuperou-se de todos os 2 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
- Medido 3 vezes, então o resultado não é um caso isolado.
O que não deu certo, ou não se sabe
- Levou 3 minutos para instalar, mais devagar que a mediana dos 106 projetos comparáveis que a Argusic mediu.
Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, gentle-ai foi o 55º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Uma avaliação rápida: ele estava executando 3 minutos depois do clone.
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
Tópicos (de GitHub)
agent-skillsai-agentsai-codingclaude-codecode-reviewcodexcoding-agentscopilotcursordeveloper-toolsgolangllmmcpopencodepersistent-memorypispec-driven-development
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/gentle-ai)Perguntas
- gentle-ai executa?
- Sim. gentle-ai executa. A Argusic o instalou e iniciou em uma máquina limpa em 3 minutos, encontrando 2 erros no caminho, e gravou a sessão.
- Como a Argusic testou gentle-ai?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 2c25e878eea4. Há 3 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar gentle-ai?
- A execução que produziu este veredito custou US$ 0,08: 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 gentle-ai?
- 3 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- gentle-ai 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 gentle-ai?
- 2 coisas quebraram na execução registrada, e 2 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como gentle-ai se compara às alternativas?
- Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, gentle-ai foi o 55º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
- Onde estão as evidências de gentle-ai?
- Todas as 3 execuções registradas estão 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.