Original em inglês: https://argusic.com/subject/relevanceai
relevanceai
A casa da força de trabalho de IA: sistema multi-agent, AI agents e ferramentas.
Executafonte: GitHubpágina do projetoPythonApache-2.0commit af61c229bd17
Python, licença Apache-2.0. O projeto se descreve como: clustering, computer vision, embeddings, natural language processing, nlp, python, search e search engine.
relevanceai executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 0,5 minutos e não encontrou nenhum erro, e a sessão inteira foi gravada.
The relevanceai SDK version 10.2.1 is installed and all 46 unit tests pass, covering client initialization, agents, tools, tasks, knowledge, and OAuth resource classes via mocked HTTP responses.
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 100 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
- 1 minuto
- Erros encontrados e corrigidos
- 0 encontrados, 0 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- cd /work/repo && .venv/bin/python -m pytest tests/ -v exited 0, 46 passed
- Tokens de modelo usados
- 20.198
- Commit exato testado
- af61c229bd17
- 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.
Everything worked on the first attempt: 1. **Install**: `pip install -e .` succeeded with all dependencies. 2. **Tests**: `pytest` — 46 passed, 0 failed, 0 errors. 3. **Import**: `from relevanceai import RelevanceAI` and version string both work. No errors were encountered, so no fixes or mocks were needed. The test suite uses internal mocking … tokens used 20,198 Everything worked on the first attempt: 1. **Install**: `pip install -e .` succeeded with all dependencies. 2. **Tests**: `pytest` — 46 passed, 0 failed, 0 errors. 3. **Import**: `from relevanceai import RelevanceAI` and version string both work. No errors were encountered, so no fixes or mocks were needed. The test suite uses internal mocking …
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.
- Instalado em 0,5 minutos.
- Nada quebrou no caminho: zero erros entre o clone e a execução.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença Apache-2.0, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
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 0,5 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
Tópicos (de GitHub)
clusteringcomputer-visionembeddingsnatural-language-processingnlppythonsearchsearch-engineunstructured-datavector-databasevector-search
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/relevanceai)Perguntas
- relevanceai executa?
- Sim. relevanceai executa. A Argusic o instalou e iniciou em uma máquina limpa em 1 minutos, encontrando 0 erros no caminho, e gravou a sessão.
- Como a Argusic testou relevanceai?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit af61c229bd17. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar relevanceai?
- 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 relevanceai?
- 0,5 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- relevanceai 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 relevanceai?
- Nada deu errado na execução registrada: zero erros entre o clone e a execução.
- Onde estão as evidências de relevanceai?
- 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.