wikipedia-semantic-search 能运行吗？

wikipedia-semantic-search 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 30 分钟，过程中遇到 5 个错误，并记录了整个会话。

Argusic 是如何测试 wikipedia-semantic-search 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 e0bad8f0c256。共记录了 1 次尝试，完整方法见方法论页面。

测试 wikipedia-semantic-search 花了多少钱？

得出该结论的那次运行花费 0.94 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。

wikipedia-semantic-search 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 30 分钟。这是一次实测的尝试，不是平均值。

wikipedia-semantic-search 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 wikipedia-semantic-search 时会出现什么问题？

已记录的运行中出现了 5 个问题，其中 5 个在无人协助的情况下被修复。每个问题及其耗费的时间都列在本页上。

wikipedia-semantic-search 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。

英文原文: https://argusic.com/subject/wikipedia-semantic-search

wikipedia-semantic-search

基于 Upstash Vector 的维基百科语义搜索

借助 mock 可运行来源：GitHub 项目主页TypeScriptMITcommit e0bad8f0c256

TypeScript，MIT 许可证. 项目的自我描述：ai、search、semantic、vector 和 vector database.

wikipedia-semantic-search 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 30 分钟完成了安装，遇到 5 个错误，并在无人协助的情况下全部修复，整个会话都被记录了下来。

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.
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

结论: 借助 mock 可运行
Argusic 评分: 92 / 100
验证运行的成本: 0.94 USD（实测）
已记录的运行次数: 1
最近测试: 2026-10-20
星标: 470
fork 数: 36
未关闭的 issue: 2
关注者: 9
大小: 0 MB
创建于: 2024-07-26
最近推送: 2025-12-12

项目数据来自 GitHub，链接见本页顶部，更新于 2026-11-04。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。

测试 wikipedia-semantic-search 时每个故障耗费的时间，取自已记录的运行 — 每一根柱子都是 agent 记录的一次失败，以及它耗费的时间。数据仅取自本次运行。

哪里出了问题，用 agent 自己的话说

agent 的原话，最严重的排在最前，从不改写成建议。

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 分钟
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 分钟
production next start exited after .next lost BUILD_ID following a dev run; first start with mock env also died at container exec teardown8 分钟
next build failed during page data collection: UPSTASH_VECTOR_REST_TOKEN is missing (env not configured)5 分钟
pnpm not installed in container (no root)2 分钟

安装时间: 30 分钟
从冷启动机器到完成: 30 分钟
遇到并修复的错误: 遇到 5 个，在无人协助的情况下修复了 5 个
结果是如何证明的: 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]'
使用的模型 token: 4,743,999
测试的确切 commit: e0bad8f0c256
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。

/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
4,743,999

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

在无人介入的情况下从全部 5 个错误中恢复，说明这些故障的文档足以让人解决。
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 30 分钟，慢于 Argusic 测量过的 230 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 231 个 ai 项目中，wikipedia-semantic-search 达到运行状态的速度排名第 215，231 个项目中有 152 个达到了运行状态。

同一领域中也测试过的项目

这里的每个项目都由 Argusic 在干净的机器上安装并运行过。未经测试的项目不会出现在这里。

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	0.94	2026-10-20 05:43 UTC

主题 (来自 GitHub)

ai search semantic vector vector-database

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.

[![Tested by Argusic](https://argusic.com/badge/wikipedia-semantic-search.svg)](https://argusic.com/subject/wikipedia-semantic-search)

常见问题

wikipedia-semantic-search 能运行吗？: wikipedia-semantic-search 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 30 分钟，过程中遇到 5 个错误，并记录了整个会话。
Argusic 是如何测试 wikipedia-semantic-search 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 e0bad8f0c256。共记录了 1 次尝试，完整方法见方法论页面。
测试 wikipedia-semantic-search 花了多少钱？: 得出该结论的那次运行花费 0.94 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。
wikipedia-semantic-search 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 30 分钟。这是一次实测的尝试，不是平均值。
wikipedia-semantic-search 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 wikipedia-semantic-search 时会出现什么问题？: 已记录的运行中出现了 5 个问题，其中 5 个在无人协助的情况下被修复。每个问题及其耗费的时间都列在本页上。
wikipedia-semantic-search 与其他替代方案相比如何？: 在 Argusic 安装并计时过的 231 个 ai 项目中，wikipedia-semantic-search 达到运行状态的速度排名第 215，231 个项目中有 152 个达到了运行状态。
wikipedia-semantic-search 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。