Original em inglês: https://argusic.com/subject/home-generative-agent
home-generative-agent
AI agent para Home Assistant: converse com sua casa, crie automações em linguagem natural, analise câmeras com reconhecimento facial e receba alertas proativos de anomalias. LLMs na nuvem ou totalmente local.
Executa com mocksfonte: GitHubpágina do projetoPythonMITcommit 3cbead48e586
Python, licença MIT. O projeto se descreve como: ai agent, anomaly detection, anthropic, computer vision, gemini, generative ai, hacs e hacs integration.
home-generative-agent executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 30 minutos e encontrou 1 erro, corrigindo-o sem ajuda, e a sessão inteira foi gravada.
Python 3.14.9 virtualenv with Home Assistant 2026.9.3, all runtime+dev+test dependencies installed, and the full test suite of 3,796 tests passes cleanly with zero failures.
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.
- Python 3.14 not available in container — HA 2026.9.3 requires Python >=3.13.215 minutos
- Tempo de instalação
- 30 minutos
- Da máquina limpa até o fim
- 19 minutos
- Erros encontrados e corrigidos
- 1 encontrado, 1 corrigido sem ajuda humana
- Como o resultado foi comprovado
- PYTHONPATH=/work/repo hga/bin/python -m pytest tests/custom_components/home_generative_agent/ -q --co returned 3796 collected; executed 12 batches covering all test_*.py files, each with --timeout=30 -q; 0 failures, 2 skipped, 10 deprecation warnings
- Tokens de modelo usados
- 163.525
- Commit exato testado
- 3cbead48e586
- 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.
**Environment gap discovered**: The project requires HA 2026.9.3 which needs Python ≥3.13.2. The co… **Error 1** (fixed): Missing Python 3.13+/3.14 — installed via `uv python install 3.14.9`, rebuilt … The test suite was run in 12 batches covering all 111 test files (3,796 total tests collected), and… 2026-10-23T16:49:16.700567Z ERROR codex_core::session: failed to record rollout items: thread 01a16… 2026-10-23T16:49:16.700615Z ERROR codex_core::session: failed to record rollout items: thread 01a16… tokens used 163,525 Now I have a complete picture. Every test file I ran passed. Let me provide the final report. Here's a summary of what was done and what was found: **Environment gap discovered**: The project requires HA 2026.9.3 which needs Python ≥3.13.2. The co… **Error 1** (fixed): Missing Python 3.13+/3.14 — installed via `uv python install 3.14.9`, rebuilt … The test suite was run in 12 batches covering all 111 test files (3,796 total tests collected), and…
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
- Recuperou-se do único erro 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.
- Levou 30 minutos para instalar, mais devagar que a mediana dos 69 projetos comparáveis que a Argusic mediu.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 70 projetos de ai-agent que a Argusic instalou e cronometrou, home-generative-agent foi o 64º mais rápido a chegar a um estado de execução, e 43 de 70 chegaram a esse estado.
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 | 0,45 |
Tópicos (de GitHub)
ai-agentanomaly-detectionanthropiccomputer-visiongeminigenerative-aihacshacs-integrationhome-assistanthome-automationlangchainlanggraphllmslocal-llmollamaopenaipgvectorsmart-homevoice-assistant
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/home-generative-agent)Perguntas
- home-generative-agent executa?
- home-generative-agent executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 30 minutos, encontrando 1 erro no caminho, e gravou a sessão.
- Como a Argusic testou home-generative-agent?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 3cbead48e586. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar home-generative-agent?
- A execução que produziu este veredito custou US$ 0,45: 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 home-generative-agent?
- 30 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- home-generative-agent 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 home-generative-agent?
- 1 coisa quebrou na execução registrada, e 1 foi corrigida sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como home-generative-agent se compara às alternativas?
- Dos 70 projetos de ai-agent que a Argusic instalou e cronometrou, home-generative-agent foi o 64º mais rápido a chegar a um estado de execução, e 43 de 70 chegaram a esse estado.
- Onde estão as evidências de home-generative-agent?
- 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.