mAIverse

Repository · Pronto

Analisi rapida del 27 settembre 2026, 04:08

Cambiato dopo l'ultima analisi
  • nuovi aggiornamenti al codice
  • README modificato
7,7
Stelle
521
Licenza
MIT
Linguaggio
Python
Ultimo aggiornamento su GitHub
21 novembre 2026, 01:53

Voto complessivo: media pesata dei sei voti dell'analisi, da 1 a 10, 10 è meglio · stelle, licenza e date come le pubblica GitHub

Libreria Python per creare, eseguire e analizzare sondaggi ed esperimenti usando agenti IA e più modelli linguistici.

Permette di definire domande e sondaggi in Python, farli rispondere a molti agenti IA o modelli diversi, applicare regole tra le domande, importare dati e documenti, conservare i risultati e analizzarli. Può funzionare localmente o tramite i servizi Expected Parrot.

Categorie e capacità

Simulazioni sociali · Software auto-ospitato

Uso

Adatto a

  • Prototipazione e pre-test di sondaggi con persone simulate da modelli linguistici.
  • Confronto tra modelli come GPT-4o e Gemini su una stessa domanda.
  • Etichettatura automatica di testi o altri contenuti.
  • Analisi di documenti importati da file CSV, PDF, immagini e altri formati supportati.
  • Ricerca di mercato, ricerca qualitativa e simulazioni di ricerca sociale.
  • Creazione di interviste e sondaggi con domande condizionali, piping e regole di salto.

Non adatto a

  • Non è adatto a misurare da solo opinioni o comportamenti reali di una popolazione.
  • Non va usato come sostituto di risposte raccolte da persone quando servono risultati rappresentativi.
  • Non è adatto se non si possono usare chiavi API per modelli linguistici o servizi remoti.
  • Non è una soluzione pronta per utenti non tecnici: l'uso principale richiede Python o la sua CLI.

Che cosa serve per usarlo

  • Python da 3.10 a meno di 3.14.
  • Installazione del pacchetto Python edsl.
  • Chiavi API per i modelli linguistici, oppure una chiave Expected Parrot.
  • Account Expected Parrot per esecuzione remota, cache universale e funzioni di collaborazione.
  • Dipendenze opzionali per alcuni provider IA, formati di file, visualizzazioni e servizi.

Che cosa può andare storto

  • Le risposte degli agenti simulati riflettono schemi appresi dai modelli e non opinioni reali di gruppi demografici.
  • Per usare i modelli servono chiavi API proprie oppure una chiave Expected Parrot.
  • L'esecuzione remota e la cache universale richiedono un account Expected Parrot.
  • Il supporto a molti provider e formati dipende da dipendenze opzionali.
  • Il dossier non documenta risultati indipendenti sulla precisione delle simulazioni o sulla rappresentatività statistica.
  • Le chiavi API, i costi e l'uso dei modelli devono essere gestiti con attenzione.
  • I dati inviati a modelli o al servizio remoto possono creare rischi di riservatezza.
  • Le risposte sintetiche possono contenere errori, stereotipi o risultati non rappresentativi.
  • L'adozione coinvolge un servizio proprietario Expected Parrot per account, cache, chiavi e inferenza remota, anche se il codice è MIT.
  • Il progetto ha 58 questioni aperte, quindi restano problemi o richieste da valutare.

Valutazione

Fatti tecnici

Descrizione su GitHubDesign, conduct and analyze results of AI-powered surveys and experiments. Simulate social science and market research with large numbers of AI agents and LLMs.
Ultima versione pubblicatawasm-wheel
Copie derivate93
Segnalazioni aperte59
Argomentianthropic, data-labeling, deepinfra, domain-specific-language, experiments, llama2, llm, llm-agent, llm-framework, llm-inference, market-research, mixtral, open-source, openai, python, social-science, surveys, synthetic-data
Ramo predefinitomain
Creato su GitHub2 gennaio 2024, 23:18
Pagina del progettohttps://docs.expectedparrot.com
File nell'albero1.596

Alternative interne

Nessuna alternativa interna indicata.

Fonti usate

Quello che l'analisi ha davvero letto. L'analisi approfondita aggiunge il codice da cui si entra nel progetto, lo storico delle versioni, le segnalazioni e quello che se ne dice fuori da GitHub.

Note

Quello che hai visto provandolo. Le note non cambiano i voti dell'analisi e restano qui anche se scarti il repository.

Nessuna nota ancora.

Freschezza

Ultima analisi
Analisi rapida del 27 settembre 2026, 04:08
Ultimo controllo su GitHub
21 novembre 2026, 06:47
Cambiamenti dopo l'ultima analisi
  • nuovi aggiornamenti al codice
  • README modificato

Il controllo guarda quello che GitHub pubblica: nessuna intelligenza artificiale, nessuna spesa. Archiviato su GitHub, licenza cambiata o versione principale nuova rendono la scheda «Da riverificare»; nuovo codice, README e argomenti restano un avviso. Una nuova analisi azzera gli avvisi.

Analisi

Analisi rapida del 27 settembre 2026, 04:08.

Costo di questa analisi
0,008319 USD
Testo elaborato
23.850 token in ingresso, 1.964 token in uscita

Il costo comprende tutto quello che questa analisi ha chiesto all'intelligenza artificiale: la scheda, la ricerca delle fonti esterne e il riassunto dei cambiamenti.

In tutto il catalogo: 54 schede da analisi rapida, nessuna scheda da analisi approfondita.

Il costo medio di un'analisi approfondita non è ancora disponibile: nessuna analisi ha registrato il costo.

Che cosa leggono le due analisi

Analisi rapida. Legge la scheda pubblica di GitHub, il file di presentazione, l'elenco dei file e i file di configurazione, poi fa una domanda al modello.

Analisi approfondita. Aggiunge i file da cui si entra nel programma, il diario delle modifiche, le ultime 10 versioni con le loro note, 30 segnalazioni aperte e 30 chiuse e 10 discussioni. Cerca inoltre su internet che cosa si dice del progetto fuori da GitHub. Solo dopo rifà la scheda da zero: due domande al modello, più una terza per raccontare che cosa è cambiato.

La scheda non acquista campi in più: voti, capacità e usi restano gli stessi. Cambiano le informazioni su cui sono fondati, visibili nella sezione «Fonti usate».

1 esecuzione ▾
  • Analisi rapida · 27 settembre 2026, 04:08 — completata