Original em inglês: https://argusic.com/subject/optillm
optillm
Otimizando proxy de inferência para LLMs
Executafonte: GitHubPythonApache-2.0commit eaf171aa6da5
Python, licença Apache-2.0. O projeto se descreve como: agent, agentic ai, agentic framework, agentic workflow, agents, api gateway, chain of thought e genai.
optillm executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 18,5 minutos e encontrou 2 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
OptiLLM package installed in a venv, plugins load correctly, CLI entry point works, test suite runs 153/163 passing (10 skipped due to MLX/environment conditions), and the local inference server starts, accepts HTTP requests, and generates real LLM responses with the codelion/dhara-250m model.
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 60 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.
- mcp v2.2.0 missing mcp.client.websocket module2,5 minutos
- test_batching.py, test_reasoning_tokens.py can't find test_utils0,5 minutos
- Tempo de instalação
- 19 minutos
- Da máquina limpa até o fim
- 22 minutos
- Erros encontrados e corrigidos
- 2 encontrados, 2 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- curl -s -X POST http://localhost:8005/v1/chat/completions -H 'Content-Type: application/json' -H 'Authorization: Bearer optillm' -d '{"model":"codelion/dhara-250m","messages":[{"role":"user","content":"Hi"}],"max_tokens":10}' returned 200 with generated text; server health endpoint returned {"status":"ok"}
- Tokens de modelo usados
- 109.796
- Commit exato testado
- eaf171aa6da5
- 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.
- `test_utils` not found from root dir in test_batching.py / test_reasoning_tokens.py → set `PYTHON… **Tests excluded** (need real API keys or a GPU): `test_api_compatibility.py`, `test_conversation_l… tokens used 109,796 Here's the summary of everything I did and found. **Install**: Created a venv, installed the package with `pip install -e .`. One dependency issue: t… **Tests run**: 153 passed, 10 skipped, 0 failed across all test suites that don't need external API… **Server verification (local inference)**: Started the server on port 8005 with `codelion/dhara-250… **Errors encountered and fixes**: - `mcp.client.websocket` not found in mcp v2.2.0 → installed mcp v1.30.0 - `test_utils` not found from root dir in test_batching.py / test_reasoning_tokens.py → set `PYTHON… **Tests excluded** (need real API keys or a GPU): `test_api_compatibility.py`, `test_conversation_l…
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 Apache-2.0, segundo a plataforma onde o projeto está hospedado.
- Medido 2 vezes, então o resultado não é um caso isolado.
O que não deu certo, ou não se sabe
- Levou 18,5 minutos para instalar, mais devagar que a mediana dos 134 projetos comparáveis que a Argusic mediu.
Dos 135 projetos de agent que a Argusic instalou e cronometrou, optillm foi o 111º mais rápido a chegar a um estado de execução, e 87 de 135 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.
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 | 0,11 | |
| Argusic Runner | 1/3 | Não executou | 20,00 | 0,20 |
Tópicos (de GitHub)
agentagentic-aiagentic-frameworkagentic-workflowagentsapi-gatewaychain-of-thoughtgenailarge-language-modelsllmllm-inferencellmapimixture-of-expertsmoamonte-carlo-tree-searchopenaiopenai-apioptimizationprompt-engineeringproxy-server
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/optillm)Perguntas
- optillm executa?
- Sim. optillm executa. A Argusic o instalou e iniciou em uma máquina limpa em 19 minutos, encontrando 2 erros no caminho, e gravou a sessão.
- Como a Argusic testou optillm?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit eaf171aa6da5. Há 2 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar optillm?
- A execução que produziu este veredito custou US$ 0,11: 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 optillm?
- 18,5 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- optillm 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 optillm?
- 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 optillm se compara às alternativas?
- Dos 135 projetos de agent que a Argusic instalou e cronometrou, optillm foi o 111º mais rápido a chegar a um estado de execução, e 87 de 135 chegaram a esse estado.
- Onde estão as evidências de optillm?
- 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.