Original em inglês: https://argusic.com/subject/sagify
sagify
LLMs e Aprendizado de Máquina feitos de forma fácil
Executa com mocksfonte: GitHubpágina do projetoPythonMITcommit 054a6a2edc21
Python, licença MIT. O projeto se descreve como: ai gateway, anthropic, cohere, generative ai, langchain, langchain python, large language model e large language models.
sagify executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 30 minutos e encontrou 3 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
sagify 0.25.4 installed in a Python 3.12 virtual environment. CLI responds to --help with 7 command groups (build, cloud, configure, init, llm, local, push) and all 63 existing pytest unit tests pass.
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 92 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.
- LLM gateway dependencies (structlog, anthropic, uvicorn, fastapi, openai, Pillow) not listed in setup.py install_requires4 minutos
- future 0.18.3 references removed `imp` module on Python 3.123 minutos
- pkg_resources missing with setuptools 84.x3 minutos
- Tempo de instalação
- 30 minutos
- Da máquina limpa até o fim
- 14 minutos
- Erros encontrados e corrigidos
- 3 encontrados, 3 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- /tmp/venv/bin/python -m pytest tests/ -q exited 0: 63 passed, 3 warnings in 12.74s
- Tokens de modelo usados
- 97.587
- Commit exato testado
- 054a6a2edc21
- 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.
-- Docs: https://docs.pytest.org/en/stable/how-to/capture-warnings.html
63 passed, 3 warnings in 12.74s
All verification is complete. Here is the summary:
exec
/bin/sh -lc "cd /work/repo && echo '{\"install_succeeded\":true,\"launch_succeeded\":true,\"install…
succeeded in 0ms:
{"install_succeeded":true,"launch_succeeded":true,"install_minutes":30,"errors":[{"msg":"future 0.1…
exec
/bin/sh -lc "cd /work/repo && ARGUSIC_RESULT='{\"install_succeeded\":true,\"launch_succeeded\":true…
succeeded in 0ms:
tokens used
97,587Reproduzir 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
- Recuperou-se de todos os 3 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
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 30 minutos para instalar, mais devagar que a mediana dos 22 projetos comparáveis que a Argusic mediu.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 23 projetos de ai-gateway que a Argusic instalou e cronometrou, sagify foi o 21º mais rápido a chegar a um estado de execução, e 17 de 23 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 | 1/3 | Executa com mocks | 92,00 | 0,20 |
Tópicos (de GitHub)
ai-gatewayanthropiccoheregenerative-ailangchainlangchain-pythonlarge-language-modellarge-language-modelsllmllm-inferencellmopsopen-source-llmopenaisagemaker
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/sagify)Perguntas
- sagify executa?
- sagify executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 30 minutos, encontrando 3 erros no caminho, e gravou a sessão.
- Como a Argusic testou sagify?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 054a6a2edc21. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar sagify?
- A execução que produziu este veredito custou US$ 0,20: 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 sagify?
- 30 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- sagify 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 sagify?
- 3 coisas quebraram na execução registrada, e 3 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como sagify se compara às alternativas?
- Dos 23 projetos de ai-gateway que a Argusic instalou e cronometrou, sagify foi o 21º mais rápido a chegar a um estado de execução, e 17 de 23 chegaram a esse estado.
- Onde estão as evidências de sagify?
- 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.