Repository · Pronto
expectedparrot/edsl
Analisi rapida del 27 settembre 2026, 04:08
- nuovi aggiornamenti al codice
- README modificato
- 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
-
Qualità tecnica8
Il progetto è ampio e organizzato in molti moduli, include test unitari e di integrazione, controlli statici, workflow CI e supporto a più versioni di Python. La complessità elevata e il numero di dipendenze impediscono un voto più alto.
-
Maturità8
È attivo dal gennaio 2024, ha 497 stelle, 85 fork, una versione pubblicata e una suite di test molto estesa. Il dossier non mostra però una storia completa delle versioni o dati di utilizzo in produzione.
-
Documentazione9
Il README offre installazione, esempi pratici e avvertenze sull'uso degli agenti simulati. Il repository contiene una documentazione ampia, tutorial, riferimenti CLI e numerosi notebook.
-
Facilità di integrazione6
Si installa con pip e offre una CLI, ma richiede Python, chiavi per i modelli e spesso dipendenze opzionali. L'integrazione è inoltre legata a molte classi e concetti propri di EDSL.
-
Cura della manutenzione8
Il repository non è archiviato, ha workflow automatici per test e pubblicazione, molti test e una modifica GitHub recente. Le 58 questioni aperte e la notevole ampiezza del codice mostrano comunque un carico di manutenzione significativo.
-
Sicurezza e rischi6
La licenza MIT è chiara e il progetto contiene test, validazione delle risposte e gestione delle chiavi. Restano rischi importanti legati all'invio di dati a modelli e servizi remoti, ai costi delle API e all'uso di risposte sintetiche come se fossero dati umani.
Fatti tecnici
| Descrizione su GitHub | Design, 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 pubblicata | wasm-wheel |
| Copie derivate | 93 |
| Segnalazioni aperte | 59 |
| Argomenti | anthropic, 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 predefinito | main |
| Creato su GitHub | 2 gennaio 2024, 23:18 |
| Pagina del progetto | https://docs.expectedparrot.com |
| File nell'albero | 1.596 |
Alternative interne
Nessuna alternativa interna indicata.
Fonti usate
- Fatti pubblicati da GitHub su expectedparrot/edsl
- README del progetto
- Manifesto docs/README.md
- Manifesto pyproject.toml
- Albero dei file (1425 percorsi)
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