英文原文: https://argusic.com/subject/cheat-on-content
cheat-on-content
你正在读这段话。这项技能预测到了。一个将每篇帖子变成校准实验的工作流：评分、盲预测、回顾、进化。未来不会奖励努力，而是奖励最先看清模式的人。一个月内获得 1M 关注者：不是运气，是系统。
借助 mock 可运行来源：GitHubPythonMITcommit d6b737bf79c1
Python，MIT 许可证.
cheat-on-content 可以运行，其依赖的服务由替身代替。一个 Argusic agent 在一台没有 GPU 的干净机器上用 4.2 分钟完成了安装，没有遇到任何错误，整个会话都被记录了下来。
Install via bash install.sh --codex symlinks 16 skills into ~/.codex/skills/; diff_pct.py computes string similarity using difflib fallback; 3 core tool unit test suites pass with 13 total tests; all hook scripts parse correctly; --reinstall-hooks copies hook scripts into user projects; uninstall/install cycle is clean.
agent 在干净的机器上最终得到的结果，用它自己的话说。 测量方式
每一次都由 Argusic 在全新机器上实测。每个数字都链接到对应的证据。 Argusic 评分 92，满分 100（该项目各次运行得分的平均值）。
概览
项目数据来自 GitHub，链接见本页顶部，更新于 。测试数据由 Argusic 提供 (CC BY 4.0)；每个数字都链接到一个运行页面，附完整的 log、录屏及其 sha256 哈希。
测量了什么
来自决定该结论的那次运行。 每一行都是记录下来的数值，而非估算。
- 安装时间
- 4 分钟
- 从冷启动机器到完成
- 5 分钟
- 遇到并修复的错误
- 遇到 0 个，在无人协助的情况下修复了 0 个
- 结果是如何证明的
- bash tools/diff_pct_test.sh exited 0, 3/3 passed (difflib fallback); python3 tools/score-curve.py emitted CSV with 3 predictions found and 3 with retro data; python3 adapters/perf-data/linkedin-session/test_extract.py 7/7 passed; python3 -m unittest adapters/perf-data/wechat-channels/test_adapter.py 3/3 passed; bash adapters/perf-data/wechat-channels/test_run_contract.sh passed; all 3 hook scripts pass bash -n syntax check; bash install.sh --reinstall-hooks copied hooks successfully
- 使用的模型 token
- 45,659
- 测试的确切 commit
- d6b737bf79c1
- 容器镜像
- sha256:cdd920bce783
没有测量什么
另一半内容，让你清楚看到这些证据能说明到什么程度。缺失的数据就标为缺失，从不填补。
- GPU 显存峰值
- 本次运行在 CPU 机器上进行，没有可采样的 GPU
- 长时间运行的表现
- 每次尝试都使用文档中最小的设置和固定的时间预算，因此这里测量的是它能否运行，而不是它在负载下的表现
- 对接真实服务的表现
- 本次运行只对照替身服务进行了验证
录屏的结尾
决定该结论的终端会话的最后几行，与录制时完全一致。
Starting: 1790612400 Ending: 1790612649 exec /bin/sh -lc 'echo "scale=2; (1790612649 - 1790612400) / 60" | bc' in /work/repo exited 127 in 0ms: /bin/sh: 1: bc: not found exec /bin/sh -lc 'python3 -c "print((1790612649 - 1790612400) / 60)"' in /work/repo succeeded in 0ms: 4.15 tokens used 45,659
回放完整会话，从干净的机器到此刻的每一条命令。
测试方式
一个 agent，一个容器，没有人工协助。它按照项目自身文档所写的方式安装项目，运行它，并修复出错的地方。下面的一切都按实际发生的过程记录：终端会话、log 和确切的 commit。 完整方法论.
优势与局限
均为实测事实，而非观点。内容是如何撰写的.
顺利的部分
- 过程中没有任何故障：从克隆到运行，零错误。
- 采用 MIT 许可证，以其托管平台报告的信息为准。
不顺利或尚不清楚的部分
- 只在替身服务下达到了运行状态，因此这里没有任何内容能证明它在真实服务下可以工作。
- 安装用了 4.2 分钟，慢于 Argusic 测量过的 46 个同类项目的中位数。
- 目前只测量过一次。单次尝试只能说明它可以运行，不能说明它能稳定运行。
在 Argusic 安装并计时过的 47 个 Python 项目中，cheat-on-content 达到运行状态的速度排名第 27，47 个项目中有 28 个达到了运行状态。
运行历史
| 测试者 | 尝试 | 结果 | 评分 | 成本 USD | 时间 |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | 借助 mock 可运行 | 92.00 | 0.03 |
嵌入徽章
用于项目 README 的 Markdown。徽章链接回本页；使用条款见 条款页面.
[](https://argusic.com/subject/cheat-on-content)常见问题
- cheat-on-content 能运行吗？
- cheat-on-content 可以运行，外部服务由 mock 代替. Argusic 在一台干净的机器上安装并启动了它，用时 4 分钟，过程中遇到 0 个错误，并记录了整个会话。
- Argusic 是如何测试 cheat-on-content 的？
- 在一台全新的一次性机器上进行，每条命令都被记录，仓库固定在 commit d6b737bf79c1。共记录了 1 次尝试，完整方法见方法论页面。
- 测试 cheat-on-content 花了多少钱？
- 得出该结论的那次运行花费 0.03 USD：这是真实的算力和模型成本，而不是按每百万 token 计的标价。该数字记录在那次运行的页面上。
- cheat-on-content 安装需要多长时间？
- 在决定该结论的那次运行中，从干净的机器到运行状态用了 4.2 分钟。这是一次实测的尝试，不是平均值。
- cheat-on-content 需要 GPU 吗？
- 启动它不需要。Argusic 在一台没有 GPU 的机器上让它达到了运行状态。
- 安装 cheat-on-content 时会出现什么问题？
- 在已记录的运行中没有出现任何问题：从克隆到运行，零错误。
- cheat-on-content 与其他替代方案相比如何？
- 在 Argusic 安装并计时过的 47 个 Python 项目中，cheat-on-content 达到运行状态的速度排名第 27，47 个项目中有 28 个达到了运行状态。
- cheat-on-content 的证据在哪里？
- 这次已记录的运行都在本页上，每次都链接到完整的 log 和终端录屏，并连同 sha256 指纹一起保存，因此无法被悄悄篡改。