Original em inglês: https://argusic.com/subject/open-workflow-library
Open-Workflow-Library
Inteligência aberta de fluxos de trabalho para descobrir, validar, reparar e gerar fluxos de trabalho de automação entre frameworks, começando com n8n.
Executafonte: GitHubPythonMITcommit 1113193fced2
Python, licença MIT. O projeto se descreve como: ai agents, ai agents automation, ai agents framework, automation, automation framework, llm, n8n e n8n workflow.
Open-Workflow-Library executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 0 minutos e não encontrou nenhum erro, e a sessão inteira foi gravada.
All 21 Python tools in tools/ run with standard-library Python 3.12 with no dependencies or credentials: audit scans 3181 workflows, search returns ranked results, prompt-to-n8n exports valid workflows, static validation passes, repair/learning pipelines work, and schema validation confirms IR/catalog/metadata integrity.
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 90 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.
- Tempo de instalação
- menos de um minuto
- Da máquina limpa até o fim
- 3 minutos
- Erros encontrados e corrigidos
- 0 encontrados, 0 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- python3 tools/prompt_to_n8n.py returned PASS with 6 nodes 0 errors; python3 tools/audit_workflows.py returned 3181 workflows 0 secrets 0 invalid; python3 tools/search_workflows.py --query lead --top 5 returned ranked results; python3 tools/build_unified_catalog.py returned 3181 entries avg_quality=86.05; python3 tools/validate_generated_pack.py returned 420/420 PASS; python3 tools/validate_schemas.py returned all OK; python3 tools/propose_runtime_repair.py --all ran; python3 tools/create_learning_event.py --all ran; python3 tools/build_review_queue.py returned 159 items; python3 tools/analyze_duplicates.py returned 50 exact 275 title clusters; python3 tools/audit_public_claims.py returned 0 risky; reports/final-readiness-check.json confirmed ALL HARD GATES PASSED
- Tokens de modelo usados
- 20.459
- Commit exato testado
- 1113193fced2
- 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
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
Errors: none
Test depth: tier1_real
Verified: python3 tools/audit_workflows.py -> 3181 workflows, 0 secrets, 0 invalid; python3 tools/p…
exec
/bin/sh -lc "echo \"ARGUSIC_RESULT:{\\\"install_succeeded\\\": true, \\\"launch_succeeded\\\": true…
succeeded in 0ms:
exec
/bin/sh -lc "python3 -c \"import json; json.loads('{\\\"install_succeeded\\\": true, \\\"launch_suc…
succeeded in 0ms:
Valid JSON
tokens used
20,459Reproduzir 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.
- Instalado em 0 minutos, mais rápido que a mediana dos 110 projetos comparáveis que a Argusic mediu.
- Nada quebrou no caminho: zero erros entre o clone e a execução.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
- Medido 2 vezes, então o resultado não é um caso isolado.
Dos 111 projetos de ai-agents que a Argusic instalou e cronometrou, Open-Workflow-Library foi o 1º mais rápido a chegar a um estado de execução, e 83 de 111 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 0 minutos depois do clone.
- Seguir o próprio README: o caminho documentado funcionou sem nada para corrigir.
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 | 2/3 | Executa | 100,00 | 0,01 | |
| Argusic Runner | 1/3 | Não verificado | 80,00 | 0,01 |
Tópicos (de GitHub)
ai-agentsai-agents-automationai-agents-frameworkautomationautomation-frameworkllmn8nn8n-workflowopen-sourceprompt-to-workflowworkflow-automationworkflow-generatorworkflow-repairworkflow-validation
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/open-workflow-library)Perguntas
- Open-Workflow-Library executa?
- Sim. Open-Workflow-Library executa. A Argusic o instalou e iniciou em uma máquina limpa em 0 minutos, encontrando 0 erros no caminho, e gravou a sessão.
- Como a Argusic testou Open-Workflow-Library?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 1113193fced2. Há 2 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar Open-Workflow-Library?
- 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 Open-Workflow-Library?
- 0 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- Open-Workflow-Library 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 Open-Workflow-Library?
- Nada deu errado na execução registrada: zero erros entre o clone e a execução.
- Como Open-Workflow-Library se compara às alternativas?
- Dos 111 projetos de ai-agents que a Argusic instalou e cronometrou, Open-Workflow-Library foi o 1º mais rápido a chegar a um estado de execução, e 83 de 111 chegaram a esse estado.
- Onde estão as evidências de Open-Workflow-Library?
- Todas as 2 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.