Original em inglês: https://argusic.com/subject/research-claw
research-claw
Um assistente de IA auto-hospedado para pesquisa acadêmica: gerencia seus artigos, pesquisa literatura, acompanha prazos e responde nos canais que você já usa.
Executafonte: GitHubPythonMITcommit ce3a4acd65d8
Python, licença MIT. O projeto se descreve como: academic writing, ai agent, arxiv, autonomous agents, feishu bot, llm, multi agent e overleaf.
research-claw executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 8 minutos e encontrou 6 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
Package installs cleanly via pip, all 52 existing tests pass, the CLI shows all commands (agent, gateway, doctor, onboard, stop, login, reset), the gateway server starts and serves the Web UI on port 18790 responding HTTP 200.
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.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- test_default_max_tokens_is_capped_for_non_reasoning_models failed: max_tokens was None instead of 8192 (no default or clamping in OpenAIProvider)3 minutos
- test_custom_endpoint_prefers_protocol_over_model_name failed: LiteLLMProvider.__init__() got unexpected keyword argument 'provider_type'2 minutos
- test_custom_endpoint_prefers_protocol_over_model_name: expected api_base url mismatch after base class normalization strips /v11 minuto
- test_full_chain_with_parent_message failed: expected inbound_msg.channel 'feishu' but actual is 'im_feishu' (matching channel.name)1 minuto
- test_explicit_max_tokens_above_cap_is_clamped failed: max_tokens 20000 unclamped instead of 8192
- test_native_routing_prefers_protocol_over_model_name failed: same keyword argument issue
- Tempo de instalação
- 8 minutos
- Da máquina limpa até o fim
- 7 minutos
- Erros encontrados e corrigidos
- 6 encontrados, 6 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- pytest tests/ exited 0, 52 passed; curl -s -L -o /dev/null -w '%{http_code}' http://127.0.0.1:18790/ui returned 200; curl -s -L -o /dev/null -w '%{http_code}' http://127.0.0.1:18790/ returned 200
- Tokens de modelo usados
- 148.079
- Commit exato testado
- ce3a4acd65d8
- 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.
self.assertIn('[Replying to: "Please review the draft"]', inbound_msg.content)
self.assertIn("Done, LGTM", inbound_msg.content)
- self.assertEqual(inbound_msg.channel, "feishu")
+ self.assertEqual(inbound_msg.channel, "im_feishu")
def test_full_chain_parent_is_post_message(self):
"""Reply to a post (rich text) message should extract text content."""
Now let me format the result:
**ARGUSIC_RESULT:** {"install_succeeded": true, "launch_succeeded": true, "install_minutes": 8, "er…
tokens used
148,079
Now let me format the result:
**ARGUSIC_RESULT:** {"install_succeeded": true, "launch_succeeded": true, "install_minutes": 8, "er…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 8 minutos.
- Recuperou-se de todos os 6 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 MIT, 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 8 minutos depois do clone.
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)
academic-writingai-agentarxivautonomous-agentsfeishu-botllmmulti-agentoverleafoverleaf-syncresearch-toolsscientific-writingself-hostedtelegram-bot
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/research-claw)Perguntas
- research-claw executa?
- Sim. research-claw executa. A Argusic o instalou e iniciou em uma máquina limpa em 8 minutos, encontrando 6 erros no caminho, e gravou a sessão.
- Como a Argusic testou research-claw?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit ce3a4acd65d8. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar research-claw?
- A execução que produziu este veredito custou US$ 0,10: 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 research-claw?
- 8 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- research-claw 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 research-claw?
- 6 coisas quebraram na execução registrada, e 6 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Onde estão as evidências de research-claw?
- 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.