Original em inglês: https://argusic.com/subject/livestream-agent-studio
LiveStream-Agent-Studio
Um AI Agent Studio local para Windows, voltado ao e-commerce de transmissão ao vivo no Douyin, unificando o fluxo de trabalho inteligente de descoberta de apresentadores, insights de transmissão, revisão de transmissão e direção de conteúdo de vídeos curtos.
Executa com mocksfonte: GitHubPythonMITcommit 1614dfa166f7
Python, licença MIT. O projeto se descreve como: ai agent, douyin, livestream e speech to text.
LiveStream-Agent-Studio executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 27 minutos e encontrou 7 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
The web UI serves 200 with the LiveAgent Studio title, the local gateway health endpoint verifies both mock DashScope and mock OSS as configured/verified, all 37+16+3 agent unit tests plus the frontend build tests pass, and the full video breakdown pipeline produced and decoded a real timestamped Excel transcript.
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.
- Gateway /api/connections/verify ignored DASHSCOPE_BASE_URL and used GET models5 minutos
- Python agent packages not importable for tests (src layout)4 minutos
- System Node is v18 but project requires Node >=22.133 minutos
- config.py load_dotenv used setdefault so pre-set env overrode .env3 minutos
- process_video_with_status.py hardcoded ALIYUN_OSS_ENDPOINT2 minutos
- Gateway configure did not persist DASHSCOPE_BASE_URL2 minutos
- Tempo de instalação
- 27 minutos
- Da máquina limpa até o fim
- 27 minutos
- Erros encontrados e corrigidos
- 7 encontrados, 7 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- curl -s -o /dev/null -w %{http_code} http://127.0.0.1:4173/ returned 200; curl -s http://127.0.0.1:8785/api/health returned 200; npm test exited 0 with 2 pass; python3 -m unittest scout 37 OK, breakdown 16 OK, retro 3 OK; process_video_with_status.py completed and openpyxl decoded the Excel
- Tokens de modelo usados
- 3.782.234
- Commit exato testado
- 1614dfa166f7
- 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.
1. `live_breakdown_agent/process_video_with_status.py` hardcoded `ALIYUN_OSS_ENDPOINT`, ignoring th…
2. `live_breakdown_agent/src/live_breakdown_agent/config.py` used `os.environ.setdefault`, so a pre…
3. `liveagent-studio/local_gateway.py`:
- `/api/connections/verify` always hit the real DashScope URL and used GET (404 on my mock) → no…
- `/api/connections/configure` didn't persist `DASHSCOPE_BASE_URL` → added to the mapping.
- Retro submission required `job_id` in the response, my mock returns `id` → added a fallback.
**Mock verification (tier2_mock)**
- Stood up a local DashScope-compatible mock and a minimal OSS mock (schema-correct `BucketInfo` XM…
- Configured via the real gateway API: `/api/connections/configure` then `/api/connections/verify` …
- Ran the real full breakdown pipeline (`process_video_with_status.py`) on a generated 3-second vid…
**Final state:** web UI, gateway, all three agent test suites, and the full livestream breakdown pi…
`ARGUSIC_RESULT:{"install_succeeded":true,"launch_succeeded":true,"install_minutes":27,"errors":[{"…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 de todos os 7 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.
- Levou 27 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, LiveStream-Agent-Studio foi o 59º 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 | 0,76 |
Tópicos (de GitHub)
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/livestream-agent-studio)Perguntas
- LiveStream-Agent-Studio executa?
- LiveStream-Agent-Studio executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 27 minutos, encontrando 7 erros no caminho, e gravou a sessão.
- Como a Argusic testou LiveStream-Agent-Studio?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 1614dfa166f7. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar LiveStream-Agent-Studio?
- A execução que produziu este veredito custou US$ 0,76: 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 LiveStream-Agent-Studio?
- 27 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- LiveStream-Agent-Studio 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 LiveStream-Agent-Studio?
- 7 coisas quebraram na execução registrada, e 7 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como LiveStream-Agent-Studio se compara às alternativas?
- Dos 70 projetos de ai-agent que a Argusic instalou e cronometrou, LiveStream-Agent-Studio foi o 59º mais rápido a chegar a um estado de execução, e 43 de 70 chegaram a esse estado.
- Onde estão as evidências de LiveStream-Agent-Studio?
- 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.