Original em inglês: https://argusic.com/subject/parlant
parlant
Parlant é uma plataforma aberta para criar chat agents voltados para o cliente com IA. Descreva como o agent deve se comportar, e seu coding agent implementa isso para você.
Executa com mocksfonte: GitHubpágina do projetoPythonApache-2.0commit ea737442b8ae
Python, licença Apache-2.0. O projeto se descreve como: ai agent, customer experience, customer service, customer success, lead generation, llm e python.
parlant executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 12 minutos e encontrou 8 erros, e a sessão inteira foi gravada.
With a schema-correct mock NLP backend, the Parlant server started on port 18999, answered /healthz 200, created agents/guidelines/sessions (201), and ran the engine to completion status; 208 API tests passed while the parlant CLI remained unimportable.
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 86,2 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.
- parlant CLI fails: ImportError cannot import JourneyTriggerUpdateParams from parlant.client.types12 minutos
- Tests failed with KeyError('EMCIE_API_KEY') because tests/conftest.py hardcodes EmcieService8 minutos
- pytest collection failed on missing qdrant_client, chroma, pymongo, litellm, azure, zhipuai modules4 minutos
- README claims OpenAI is the default NLP provider but p.Server() defaults to NLPServices.emcie and fails without EMCIE_API_KEY4 minutos
- Embedding dimension mismatch (128 mock dims vs 3072 expected)3 minutos
- test_embedding/test_generation fail: HealthReporter.__init__() missing required positional argument application_context3 minutos
- Tempo de instalação
- 12 minutos
- Da máquina limpa até o fim
- 54 minutos
- Erros encontrados e corrigidos
- 8 encontrados, 6 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- curl -s -o /dev/null -w %{http_code} localhost:18999/healthz returned 200; POST /agents returned 201; POST /sessions returned 201; engine emitted acknowledged/processing/typing/ready status events; pytest run with mock Emcie/OpenAI servers reported '208 passed' on API modules and '229 passed, 1 failed' on the mixed suite; uv run parlant-server run --version printed 'Parlant v3.3.1'
- Tokens de modelo usados
- 899.179
- Commit exato testado
- ea737442b8ae
- 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.
899,179 All work is complete. Summary of what I observed, followed by the required result line. **What worked** - `uv sync --group dev --extra chroma --extra mongo --extra qdrant --extra litellm --extra azure --… - `uv run parlant-server run --version` printed `Parlant v3.3.1`. - Server launched against a schema-correct Argusic-compatible mock: `GET /healthz`→200, `GET /agent… - README SDK flow (`p.Server(nlp_service=p.NLPServices.openai)` + `create_agent`) created an agent … - Test suite with in-process schema-correct Emcie mock: 208 API tests passed, 0 failed; 229 passed … **Unresolved** - `parlant` CLI crashes on import: `parlant-client` pinned at v3.2.0 lacks `JourneyTriggerUpdatePar… - README states Argusic is the default NLP provider, but `p.Server()` actually defaults to `NLPServ… - Some tests call `HealthReporter()` without the now-required `application_context`.
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
- 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
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Levou 12 minutos para instalar, mais devagar que a mediana dos 110 projetos comparáveis que a Argusic mediu.
- Encontrou 8 erros durante a configuração, 2 dos quais não foram resolvidos.
Dos 111 projetos de ai-agents que a Argusic instalou e cronometrou, parlant foi o 73º mais rápido a chegar a um estado de execução, e 83 de 111 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 | 2/3 | Executa com mocks | 87,00 | 1,05 | |
| Argusic Runner | 1/3 | Executa com mocks | 85,33 | 0,17 |
Tópicos (de GitHub)
ai-agentcustomer-experiencecustomer-servicecustomer-successlead-generationllmpython
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/parlant)Perguntas
- parlant executa?
- parlant executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 12 minutos, encontrando 8 erros no caminho, e gravou a sessão.
- Como a Argusic testou parlant?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit ea737442b8ae. Há 2 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar parlant?
- A execução que produziu este veredito custou US$ 1,05: 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 parlant?
- 12 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- parlant 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 parlant?
- 8 coisas quebraram na execução registrada, e 6 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como parlant se compara às alternativas?
- Dos 111 projetos de ai-agents que a Argusic instalou e cronometrou, parlant foi o 73º mais rápido a chegar a um estado de execução, e 83 de 111 chegaram a esse estado.
- Onde estão as evidências de parlant?
- 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.