Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-16 02:43 UTC

llm-workflow-engine / llm-workflow-engine

Power CLI and Workflow manager for LLMs (core package)

PythonMIT★ 3.715 Sterne⑂ 467 Forksseit Dez. 2022Auf GitHub ansehen ↗

ArtKommandozeilenwerkzeugPluginBibliothekwie das ermittelt wird

#chatgpt #chatbot #gpt3 #llm #openai #gpt-3 #gpt4 #python

llm-workflow-engine/llm-workflow-engine erreicht einen Gesundheitsindex von 77 von 100 und liegt damit im Bereich Gut. Am stärksten schneidet es bei Engineering Quality (82/100) ab, am schwächsten bei AI Readiness (49/100). Zuletzt vor 10 Tagen aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

gesamt / 100

Gut

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien

Exzellent80-92Durchgehend stark; geringfügige Lücken

Gut65-79Gesund; Lücken sind begrenzt und beherrschbar

Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen

Schwach35-49Wesentliche Schwächen in mehreren Bereichen

Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht

Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 66 wird auf der veröffentlichten Indexskala auf 77 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

LLM Workflow EngineOrganisation

30 Follower29 öffentliche Reposseit Mai 2023

Dieses Repository wird von einer Organisation getragen — geteilte, rechenschaftspflichtige Trägerschaft, die jeden einzelnen Maintainer überdauern kann.

Paket-Ökosysteme

Registry	Paket	Version	Downloads / Monat	Versionen	Zuletzt veröffentlicht
PyPI	llm-workflow-engine	0.22.25	289	17	vor 10 Tagen

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

75Gut · 21 % des Gesamtindex

Entwicklungsaktivität

58Mittel

Wie die Bewertung erfolgt

28.8/36	Push-Aktualität — letzter Push vor 10 Tagen
9/36	Commit-Rhythmus — 13/52 Wochen mit Commits
13.3/18	Commit-Volumen — 29 Commits im letzten Jahr
7/10	OpenSSF Scorecard: Maintained — 9 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 7

Verwendete Eingangsdaten

commits_last_year	29
human_commit_share	1
days_since_last_push	10
active_weeks_last_year	13

Release-Disziplin

100Außergewöhnlich

Wie die Bewertung erfolgt

27/27	Liefert Releases aus — 100 Releases veröffentlicht
36/36	Release-Aktualität — letztes Release vor 10 Tagen
27/27	Release-Rhythmus — ein Release etwa alle 38,7 Tage
0/10	OpenSSF Scorecard: Signed-Releases — keine Daten

Verwendete Eingangsdaten

releases_count	100
latest_release_tag	v0.22.25
releases_from_tags	nein
days_since_latest_release	10
mean_days_between_releases	38,7

Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

63Mittel · 17 % des Gesamtindex

Popularität & Verbreitung

89Exzellent

Wie die Bewertung erfolgt

57.9/60	Stars — 3.715 Stars
22.2/25	Forks — 467 Forks
8.9/15	Watcher — 41 Watcher

Verwendete Eingangsdaten

forks	467
stars	3.715
watchers	41
growth_state	unverified
growth_factor_pct	100
growth_unverified_reason	no_history

Community-Gesundheit

50Mittel

Wie die Bewertung erfolgt

22.5/22.5	README
22.5/22.5	Lizenz — anerkannte Lizenz (MIT)
0/18	CONTRIBUTING-Leitfaden
0/13.5	Verhaltenskodex
0/7.2	Issue-Vorlage
0/6.3	PR-Vorlage

Verwendete Eingangsdaten

has_readme	ja
has_license	ja
readme_badges	2
has_contributing	nein
has_issue_template	nein
has_code_of_conduct	nein
readme_badge_services	github.com
has_pull_request_template	nein

Ökosystem-Verbreitung (Downloads)

41Schwach

Wie die Bewertung erfolgt

32.8/80	Downloads pro Monat — 289 Downloads/Monat über pypi
0/20	Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen

Verwendete Eingangsdaten

packages	llm-workflow-engine
dependents	—
ecosystems	pypi
total_downloads	—
monthly_downloads	289
unverified_packages_excluded	—

Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Abhängige in der Registry. Die verbleibenden Gewichte wurden renormalisiert.

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

63Mittel · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

36Schwach

Wie die Bewertung erfolgt

9/54	Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
3/22.5	Commit-Verteilung — wichtigste beitragende Person verfasste 87 % der Commits
13.5/13.5	Breite der Beitragenden — 24 Beitragende
10/10	OpenSSF Scorecard: Contributors — project has 4 contributing companies or organizations

Verwendete Eingangsdaten

bus_factor	1
contributors_sampled	24
top_contributor_share	0,867

Reaktionsfähigkeit bei Issues & PRs

72Gut

Wie die Bewertung erfolgt

41.4/42	Issue-Lösungsquote — 99 % der Issues geschlossen
21/30	PR-Annahme — 68/97 entschiedene PRs gemergt
0/13	Newcomer PR acceptance — kein PR eines Erstbeitragenden in 30 Tagen entschieden
0/15	OpenSSF Scorecard: Code-Review — Found 0/30 approved changesets -- score normalized to 0

Verwendete Eingangsdaten

merged_prs	68
open_issues	3
closed_issues	219
prs_merged_7d	0
prs_decided_7d	0
prs_merged_30d	0
prs_decided_30d	0
issue_closed_ratio	0,986
closed_unmerged_prs	29
first_time_authors_30d	0
first_time_prs_merged_30d	0
first_time_prs_decided_30d	0

Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Newcomer PR acceptance. Die verbleibenden Gewichte wurden renormalisiert.

Eigentümerschaft & Trägerschaft

58Mittel

Wie die Bewertung erfolgt

30/30	Organisatorische Trägerschaft — im Besitz einer Organisation
0/20	Verifizierte Domain
10.7/25	Reichweite des Inhabers — 30 Follower von llm-workflow-engine
17.4/25	Kontohistorie — 29 öffentliche Repos, Kontoalter ca. 3 Jahre

Verwendete Eingangsdaten

followers	30
owner_type	Organization
is_verified	nein
owner_login	llm-workflow-engine
public_repos	29
account_age_days	1.212

Paketpflege

100Außergewöhnlich

Wie die Bewertung erfolgt

25/25	Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35	Veröffentlichungsaktualität — letzte Veröffentlichung vor 10 Tagen
20/20	Versionshistorie — 17 veröffentlichte Versionen
20/20	Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen

Verwendete Eingangsdaten

packages	llm-workflow-engine
ecosystems	pypi
any_deprecated	nein
min_days_since_publish	10

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

82Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

80Exzellent

Wie die Bewertung erfolgt

24/24	CI-Workflows — 2 Workflow(s)
24/24	Tests vorhanden
16/16	Linter-Konfiguration — .flake8, pyproject.toml ([tool.black])
0/9.6	Pre-Commit-Hooks
0/6.4	.editorconfig
0/20	OpenSSF Scorecard: CI-Tests — keine Daten

Verwendete Eingangsdaten

has_ci	ja
has_tests	ja
has_editorconfig	nein
has_linter_config	ja
has_precommit_config	nein

Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: CI-Tests. Die verbleibenden Gewichte wurden renormalisiert.

Dokumentation

85Exzellent

Wie die Bewertung erfolgt

30/30	README
25/25	Dokumentationsverzeichnis
0/15	Dokumentations-/Homepage-Site
10/10	Repository-Beschreibung
10/10	Topics — 8 Topics
10/10	Wiki

Verwendete Eingangsdaten

topics	chatgpt, chatbot, gpt3, llm, openai, gpt-3, gpt4, python
has_wiki	ja
homepage	—
docs_site	—
has_readme	ja
has_docs_dir	ja
has_description	ja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

50Mittel · 16 % des Gesamtindex

Sicherheitslage

37Schwach

Wie die Bewertung erfolgt

7.5/7.5	Binary-Artifacts — no binaries found in the repo
0/7.5	Branch-Protection — keine Daten
0/2.5	CI-Tests — keine Daten
0/2.5	CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
0/7.5	Code-Review — Found 0/30 approved changesets -- score normalized to 0
2.5/2.5	Contributors — project has 4 contributing companies or organizations
10/10	Dangerous-Workflow — no dangerous workflow patterns detected
0/7.5	Dependency-Update-Tool — no update tool detected
0/5	Fuzzing — project is not fuzzed
2.5/2.5	Lizenz — license file detected
5.2/7.5	Maintained — 9 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 7
5/5	Packaging — packaging workflow detected
0/5	Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
0/5	SAST — no SAST tool detected
0/5	Security-Policy — security policy file not detected
0/7.5	Signed-Releases — keine Daten
0/7.5	Token-Permissions — detected GitHub workflow tokens with excessive permissions
0/7.5	Vulnerabilities — 17 existing vulnerabilities detected

Verwendete Eingangsdaten

source	openssf_scorecard
checks_evaluated	15
scorecard_version	v5.5.0
checks_inconclusive	3
scorecard_aggregate	3,7

Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Branch-Protection, CI-Tests, Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

100Außergewöhnlich

Wie die Bewertung erfolgt

35/35	Direkte Abhängigkeiten ohne bekannte Advisories — keine direkte Abhängigkeit trägt ein bekanntes Advisory
25/25	Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
0/40	Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum

Verwendete Eingangsdaten

source	osv
advisories	0
affected_packages	0
assessed_packages	100
unassessed_packages	0
affected_by_severity	none
direct_affected_packages	0

Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:llm-workflow-engine@0.22.25 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 100 Paketen. Erreichbarkeit wird nicht analysiert.

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

49Schwach · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

4Kritisch

Wie die Bewertung erfolgt

0/45	Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15	Maschinenlesbare Doku (llms.txt)
4.3/40	Lesbare Commit-Historie — 8 von 100 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)

Verwendete Eingangsdaten

has_llms_txt	nein
llms_txt_url	—
legible_history_share	0,08
agent_instruction_files	—
agent_instruction_max_bytes	—

AI-Verify-Loop (Build / Test / Typprüfung)

61Mittel

Wie die Bewertung erfolgt

18/18	Bootstrap mit einem Befehl — docs/Makefile
22/22	Automatisierte Tests
11/11	Lint-/Format-Konfiguration — .flake8, pyproject.toml ([tool.black])
0/11	Statische Typprüfung
10/10	Reproduzierbare Umgebung — Dockerfile
0/10	Belegte Agentenpraxis — keine von Agenten verfassten Commits unter den letzten 100
0/8	Automatisierte Wartung — keine automatisierten Abhängigkeits-Updates beobachtet
0/10	OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0

Verwendete Eingangsdaten

has_nix	nein
has_tests	ja
lockfiles	—
has_dockerfile	ja
typed_language	nein
bootstrap_files	docs/Makefile
has_devcontainer	nein
has_linter_config	ja
typecheck_configs	—
agent_commit_share	0
toolchain_manifests	—
dependency_bot_commit_share	0

AI-Code-Lesbarkeit für Modelle

54Mittel

Wie die Bewertung erfolgt

0/45	Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
54.4/55	Handhabbare Dateigrößen — 1/88 Quelldateien über 60 KB

Verwendete Eingangsdaten

primary_language	Python
largest_source_bytes	60.930
source_files_sampled	88
oversized_source_files	1

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich

Wie die Bewertung erfolgt

0/40	API-Schema (OpenAPI/GraphQL/proto) — für diese Art von Software nicht anwendbar
0/20	MCP-Server — für diese Art von Software nicht anwendbar
40/40	Lauffähige Beispiele — examples

Verwendete Eingangsdaten

example_dirs	examples
has_mcp_signal	nein
api_schema_files	—
interfaces_expected_of	—

Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): API-Schema (OpenAPI/GraphQL/proto), MCP-Server. Die verbleibenden Gewichte wurden renormalisiert.

Eckdaten

3.715GitHub-Sterne

24Mitwirkende

29Commits, letzte 12 Monate

10Tage seit letztem Push

100Releases

1Bus-Faktor

3offene Issues

PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 467 ⇿

0Sterne

467Forks

99Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

Major 0Minor 17Patch 82

Jeder Punkt umfasst 4 Tage.

OpenSSF Scorecard 3.7 / 10

3.7Gesamtwert

Unabhängige, werkzeugneutrale Sicherheitsbewertung durch das quelloffene OpenSSF Scorecard. Jede Prüfung honoriert eine Sicherheits-Praxis, nicht das Werkzeug eines bestimmten Anbieters. Prüfungen, die Scorecard nicht ermitteln konnte, sind mit k. A. markiert und vom Sicherheitswert ausgeschlossen (nie als null gezählt).Scorecard v5.5.0 · 2026-09-16 02:43 UTC

10	Binary-Artifacts	no binaries found in the repo
k. A.	Branch-Protection	internal error: error during branchesHandler.setup: internal error: some github tokens can't read classic branch protection rules: https://github.com/ossf/scorecard-action/blob/main/docs/authentication/fine-grained-auth-token.md
k. A.	CI-Tests	no pull request found
0	CII-Best-Practices	no effort to earn an OpenSSF best practices badge detected
0	Code-Review	Found 0/30 approved changesets -- score normalized to 0
10	Contributors	project has 4 contributing companies or organizations
10	Dangerous-Workflow	no dangerous workflow patterns detected
0	Dependency-Update-Tool	no update tool detected
0	Fuzzing	project is not fuzzed
10	License	license file detected
7	Maintained	9 commit(s) and 0 issue activity found in the last 90 days -- score normalized to 7
10	Packaging	packaging workflow detected
0	Pinned-Dependencies	dependency not pinned by hash detected -- score normalized to 0
0	SAST	no SAST tool detected
0	Security-Policy	security policy file not detected
k. A.	Signed-Releases	no releases found
0	Token-Permissions	detected GitHub workflow tokens with excessive permissions
0	Vulnerabilities	17 existing vulnerabilities detected

Direkte Abhängigkeiten 25

Registry	Paket	Versionsvorgabe	Manifest
PyPI	ansible	`>=8.0`	pyproject.toml
PyPI	ansible-core	`>=2.15`	pyproject.toml
PyPI	alembic	`—`	pyproject.toml
PyPI	beautifulsoup4	`—`	pyproject.toml
PyPI	docutils	`>=0.20.1`	pyproject.toml
PyPI	email-validator	`—`	pyproject.toml
PyPI	Jinja2	`—`	pyproject.toml
PyPI	kreuzberg	`—`	pyproject.toml
PyPI	langchain	`>=1.2.16,<2`	pyproject.toml
PyPI	langchain-core	`>=1.3.2,<2`	pyproject.toml
PyPI	langchain-community	`>=0.4.1,<0.5`	pyproject.toml
PyPI	langchain_openai	`>=1.2.1`	pyproject.toml
PyPI	names	`—`	pyproject.toml
PyPI	numexpr	`>=2.8.4`	pyproject.toml
PyPI	openpyxl	`—`	pyproject.toml
PyPI	pdfminer.six	`—`	pyproject.toml
PyPI	prompt-toolkit	`—`	pyproject.toml
PyPI	pymupdf4llm	`—`	pyproject.toml
PyPI	pyperclip	`—`	pyproject.toml
PyPI	python-frontmatter	`—`	pyproject.toml
PyPI	PyYAML	`—`	pyproject.toml
PyPI	rich	`—`	pyproject.toml
PyPI	setuptools	`—`	pyproject.toml
PyPI	sqlalchemy	`>=1.4.48`	pyproject.toml
PyPI	tiktoken	`—`	pyproject.toml

Alle Abhängigkeiten 53

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 27 direkte und 26 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

Registry	Paket	Version	Beziehung
PyPI	alembic	`—`	direkt
PyPI	ansible	`—`	direkt
PyPI	ansible-core	`—`	direkt
PyPI	beautifulsoup4	`—`	direkt
PyPI	docutils	`—`	direkt
PyPI	docutils	`0.21.2`	direkt
PyPI	email-validator	`—`	direkt
PyPI	jinja2	`—`	direkt
PyPI	jinja2	`3.1.6`	direkt
PyPI	kreuzberg	`—`	direkt
PyPI	langchain	`—`	direkt
PyPI	langchain-community	`—`	direkt
PyPI	langchain-core	`—`	direkt
PyPI	langchain-openai	`—`	direkt
PyPI	names	`—`	direkt
PyPI	numexpr	`—`	direkt
PyPI	openpyxl	`—`	direkt
PyPI	pdfminer-six	`—`	direkt
PyPI	prompt-toolkit	`—`	direkt
PyPI	pymupdf4llm	`—`	direkt
PyPI	pyperclip	`—`	direkt
PyPI	python-frontmatter	`—`	direkt
PyPI	pyyaml	`—`	direkt
PyPI	rich	`—`	direkt
PyPI	setuptools	`—`	direkt
PyPI	sqlalchemy	`—`	direkt
PyPI	tiktoken	`—`	direkt
PyPI	alabaster	`0.7.16`	indirekt
PyPI	babel	`2.17.0`	indirekt
PyPI	black	`—`	indirekt
PyPI	certifi	`2025.1.31`	indirekt
PyPI	charset-normalizer	`3.4.1`	indirekt
PyPI	flake8	`—`	indirekt
PyPI	idna	`3.10`	indirekt
PyPI	imagesize	`1.4.1`	indirekt
PyPI	markupsafe	`3.0.2`	indirekt
PyPI	packaging	`24.2`	indirekt
PyPI	pip-tools	`—`	indirekt
PyPI	pygments	`2.19.1`	indirekt
PyPI	pytest	`—`	indirekt
PyPI	pytest-datadir	`—`	indirekt
PyPI	requests	`2.32.3`	indirekt
PyPI	snowballstemmer	`2.2.0`	indirekt
PyPI	sphinx	`7.3.7`	indirekt
PyPI	sphinx-copybutton	`0.5.2`	indirekt
PyPI	sphinxcontrib-applehelp	`2.0.0`	indirekt
PyPI	sphinxcontrib-devhelp	`2.0.0`	indirekt
PyPI	sphinxcontrib-htmlhelp	`2.1.0`	indirekt
PyPI	sphinxcontrib-jsmath	`1.0.1`	indirekt
PyPI	sphinxcontrib-qthelp	`2.0.0`	indirekt
PyPI	sphinxcontrib-serializinghtml	`2.0.0`	indirekt
PyPI	textract	`—`	indirekt
PyPI	urllib3	`2.4.0`	indirekt

Abhängigkeits-Advisories 0

Die Installation von pypi:llm-workflow-engine@0.22.25 zieht 100 Pakete nach sich, direkt und transitiv: 0 tragen bekannte Advisories, davon 0 direkte Abhängigkeiten.

Keine bekannten Advisories betreffen die bewerteten Abhängigkeiten.

Ein Advisory bedeutet, dass die im Abhängigkeitsgraphen erfasste Version in den betroffenen Bereich eines Advisories fällt. Erreichbarkeit wird nicht analysiert, und der Graph enthält Entwicklungs- und Test-Pins — ein Fund kann das Werkzeug betreffen und nicht die ausgelieferte Software.

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.34.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.

Software-Gesundheitsindex

Bewertungsprofil

Eigentümerschaft

Paket-Ökosysteme

Metriken nach Kategorie

Eckdaten

Warnungen zur Datenerhebung

Weitere Details

Feedback

Verwandte Einträge