Original em inglês: https://argusic.com/subject/wikipedia-semantic-search
wikipedia-semantic-search
Busca semântica na Wikipedia com Upstash Vector
Executa com mocksfonte: GitHubpágina do projetoTypeScriptMITcommit e0bad8f0c256
TypeScript, licença MIT. O projeto se descreve como: ai, search, semantic, vector e vector database.
wikipedia-semantic-search 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 5 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
pnpm install and next build succeed; next start serves / with HTTP 200 and the full chat/search pipeline runs end-to-end against local schema-correct Upstash/OpenAI mocks, with retrieval context and streaming answers verified via the installed SDKs; connecting real Upstash/OpenAI credentials is the only remaining external step.
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.
- mock-only: chat endpoint returned 500 because history pipeline needed list semantics (pipeline result array) and vector query mock routing/response shape were incomplete; later the mock LLM was bypassed by the app hardcoding https://api.openai.com/v115 minutos
- README/.env documents UPSTASH_* and QSTASH_TOKEN but src/lib/rag-chat.ts hardcodes the OpenAI provider base URL to https://api.openai.com/v1, so the chat LLM cannot be pointed at a local mock via env15 minutos
- production next start exited after .next lost BUILD_ID following a dev run; first start with mock env also died at container exec teardown8 minutos
- next build failed during page data collection: UPSTASH_VECTOR_REST_TOKEN is missing (env not configured)5 minutos
- pnpm not installed in container (no root)2 minutos
- Tempo de instalação
- 30 minutos
- Da máquina limpa até o fim
- 30 minutos
- Erros encontrados e corrigidos
- 5 encontrados, 5 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- curl -s -o /dev/null -w %{http_code} http://127.0.0.1:3000/ returned 200 (HTML contains 'Wikipedia Semantic Search by Upstash Vector'); curl -c cookiejar -o /dev/null http://127.0.0.1:3000/ set a sessionId cookie via middleware; pnpm build exited 0 ('Generating static pages (5/5)'); index.query({data}) against the vector mock returned the seeded Eiffel Tower document, and ragChat.chat with streaming returned 'Mock answer for: ...ctx=The Eiffel Tower is a wrought-iron lattice tower in Paris, France...,q=What is the Eiffel Tower? [mock]'
- Tokens de modelo usados
- 4.743.999
- Commit exato testado
- e0bad8f0c256
- 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.
/bin/sh -lc "echo \"ARGUSIC_RESULT:\"; echo '{\"install_succeeded\": true, \"launch_succeeded\": tr…
exited 2 in 0ms:
/bin/sh: 1: Syntax error: "(" unexpected
exec
/bin/sh -lc "cat > /tmp/result.json <<'EOF'
{\"install_succeeded\": true, \"launch_succeeded\": true, \"install_minutes\": 30, \"errors\": [{\"…
EOF
python3 -c \"import json; json.load(open('/tmp/result.json')); print('json valid')\" && printf 'ARG…
succeeded in 0ms:
json valid
tokens used
4,743,999Reproduzir 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 5 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 230 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 231 projetos de ai que a Argusic instalou e cronometrou, wikipedia-semantic-search foi o 215º mais rápido a chegar a um estado de execução, e 152 de 231 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 | 0,94 |
Tópicos (de GitHub)
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/wikipedia-semantic-search)Perguntas
- wikipedia-semantic-search executa?
- wikipedia-semantic-search executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 30 minutos, encontrando 5 erros no caminho, e gravou a sessão.
- Como a Argusic testou wikipedia-semantic-search?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit e0bad8f0c256. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar wikipedia-semantic-search?
- A execução que produziu este veredito custou US$ 0,94: 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 wikipedia-semantic-search?
- 30 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- wikipedia-semantic-search 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 wikipedia-semantic-search?
- 5 coisas quebraram na execução registrada, e 5 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como wikipedia-semantic-search se compara às alternativas?
- Dos 231 projetos de ai que a Argusic instalou e cronometrou, wikipedia-semantic-search foi o 215º mais rápido a chegar a um estado de execução, e 152 de 231 chegaram a esse estado.
- Onde estão as evidências de wikipedia-semantic-search?
- 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.