Registro público
Informe de salud del softwareesquema 0.34.0 · métricas 2.10.0 · 2026-10-20 21:23 UTC

fmind / brain-framework

🧠 Brain Framework: from information to informed actions.

PythonMIT★ 5 estrellas⑂ 0 forksdesde ago 2026Ver en GitHub ↗
TipoHerramienta de línea de comandosBibliotecaServidor MCPcómo se determina
#ai-agents#local-first#mcp#python#knowledge-management#second-brain#agent-memory#ai#context-engineering#model-context-protocol

fmind/brain-framework tiene un índice de salud de 78 sobre 100, lo que lo sitúa en la banda Bueno. Su puntuación más alta es AI Readiness (92/100) y la más baja, Community & Adoption (52/100). Se actualizó por última vez hoy. Una sola persona concentra la mayor parte del trabajo reciente.

78
global / 100
Bueno

Índice de salud del software

Las métricas se agrupan en categorías ponderadas sobre una escala estandarizada de 1 a 100. El resultado global parte de su media ponderada, calibrada contra la distribución del registro público para que las bandas tengan significado percentil; cuando la evidencia pública activa la Política de Jurisdicciones de Alto Riesgo, la calificación se ajusta y recibe un límite «En riesgo» de 34.

78
Excepcional93-100El nivel más alto del registro (≈ el 5% superior); cumple prácticamente todos los criterios evaluados
Excelente80-92Sólido en todos los frentes; carencias menores
Bueno65-79Saludable; carencias limitadas y manejables
Moderado50-64Aceptable con carencias notables; se recomienda revisión
Débil35-49Debilidades sustanciales en varias áreas
En riesgo20-34Debilidades significativas; su adopción exige cautela
Crítico1-19Problemas graves (proyecto abandonado, un solo mantenedor, sin higiene)
VitalidadComunidad yAdopciónSostenibilidady GobernanzaCalidad deIngenieríaSeguridadPreparaciónpara IA

Perfil de puntuación

Cada eje es una categoría. La forma importa más que la media: un proyecto sano llena toda la figura, mientras que un perfil de picos y cráteres indica que la fortaleza en una dimensión enmascara el riesgo en otra.

El resultado global ponderado 67 se calibra a 78 en la escala publicada del índice (calibración del registro 2026-08-02).

Titularidad

Médéric Hurier (Fmind)Cuenta personal
310 seguidores170 repositorios públicosdesde mar 2013Fmind.dev

Este repositorio pertenece a una cuenta personal. Un proyecto con un único propietario conlleva más riesgo de continuidad que uno respaldado por una organización.

Ecosistemas de paquetes

RegistroPaqueteVersiónDescargas / mesVersionesÚltima publicaciónEtiquetas
PyPIbrain-framework19.0.1617428hace 0 díasaiai-agentsagent-memorycontext-engineeringknowledge-managementlocal-firstmcpmodel-context-protocolpythonsecond-brain

Métricas por categoría

Vitalidad

¿Está vivo el proyecto: se escribe código y se publican versiones?

72Bueno · 21% del índice global

Actividad de desarrollo

60Moderado
Cómo se puntúa
36/36Recencia de push — último push hace 0 días
5.5/36Cadencia de commits — 8/52 semanas con commits
18/18Volumen de commits — 140 commits en el último año
0/10OpenSSF Scorecard: Maintained — project was created within the last 90 days. Please review its contents carefully
Datos de entrada utilizados
commits_last_year140
human_commit_share1
days_since_last_push0
active_weeks_last_year8

Disciplina de publicación

90Excelente
Cómo se puntúa
27/27Publica versiones — 50 versiones publicadas
36/36Recencia de las versiones — última versión hace 0 días
27/27Cadencia de publicación — una versión cada ~1,8 días
0/10OpenSSF Scorecard: Signed-Releases — Project has not signed or included provenance with any releases.
Datos de entrada utilizados
releases_count50
latest_release_tagv19.0.1
releases_from_tagsno
days_since_latest_release0
mean_days_between_releases1,8

Comunidad y Adopción

¿Tiene el proyecto usuarios, descargas, atención y unas condiciones acogedoras para quienes contribuyen?

52Moderado · 17% del índice global

Popularidad y adopción

10Crítico
Cómo se puntúa
9.8/60Estrellas — 5 estrellas
0/25Forks — 0 forks
0/15Observadores — 0 observadores
Datos de entrada utilizados
forks0
stars5
watchers0
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Salud de la comunidad

92Excelente
Cómo se puntúa
22.5/22.5README
22.5/22.5Licencia — licencia reconocida (MIT)
18/18Guía CONTRIBUTING
13.5/13.5Código de conducta
0/7.2Plantilla de issues
6.3/6.3Plantilla de PR
Datos de entrada utilizados
has_readmesí
has_licensesí
readme_badges4
has_contributingsí
has_issue_templateno
has_code_of_conductsí
readme_badge_servicesgithub.com, shields.io
has_pull_request_templatesí

Adopción en el ecosistema (descargas)

63Moderado
Cómo se puntúa
50.5/80Descargas mensuales — 6174 descargas/mes en pypi
0/20Dependientes en el registro — no lo informa este ecosistema
Datos de entrada utilizados
packagesbrain-framework
dependents—
ecosystemspypi
total_downloads—
monthly_downloads6174
unverified_packages_excluded—
Excluidos de la puntuación (sin datos o no aplicable): Dependientes en el registro. Los pesos restantes se han renormalizado.

Sostenibilidad y Gobernanza

¿Sobrevivirá el proyecto a sus personas: factor bus, capacidad de respuesta, quién lo respalda y mantenimiento del paquete?

56Moderado · 23% del índice global

Resiliencia de mantenedores (factor bus)

13Crítico
Cómo se puntúa
9/54Factor bus — la mitad de los commits recae en 1 contribuyente(s)
0/22.5Distribución de commits — el principal contribuyente firma el 100% de los commits
1.4/13.5Amplitud de contribuyentes — 1 contribuyentes
3/10OpenSSF Scorecard: Contributors — project has 1 contributing companies or organizations -- score normalized to 3
Datos de entrada utilizados
bus_factor1
contributors_sampled1
top_contributor_share1

Capacidad de respuesta a issues y PR

63Moderado
Cómo se puntúa
42/42Resolución de issues — 100% de issues cerradas
12.9/30Aceptación de PR — 3/7 PR decididos fusionados
0/13Newcomer PR acceptance — ningún PR de un contribuyente primerizo decidido en 30 d
0/15OpenSSF Scorecard: Code-Review — Found 0/30 approved changesets -- score normalized to 0
Datos de entrada utilizados
merged_prs3
open_issues0
closed_issues2
prs_merged_7d0
prs_decided_7d0
prs_merged_30d0
prs_decided_30d0
issue_closed_ratio1
closed_unmerged_prs4
first_time_authors_30d0
first_time_prs_merged_30d0
first_time_prs_decided_30d0
Excluidos de la puntuación (sin datos o no aplicable): Newcomer PR acceptance. Los pesos restantes se han renormalizado.

Propiedad y custodia

66Bueno
Cómo se puntúa
10/30Respaldo de la propiedad — cuenta personal (usuario)
0/20Dominio verificado — no aplicable a cuentas de usuario
17.9/25Alcance del propietario — 310 seguidores de fmind
25/25Trayectoria — 170 repos públicos, cuenta de ~13 años
Datos de entrada utilizados
followers310
owner_typeUser
is_verified—
owner_loginfmind
public_repos170
account_age_days4961
Excluidos de la puntuación (sin datos o no aplicable): Dominio verificado. Los pesos restantes se han renormalizado.

Mantenimiento de paquetes

100Excepcional
Cómo se puntúa
25/25Publicado y resoluble — 1 paquete(s) en pypi
35/35Recencia de publicación — última publicación hace 0 días
20/20Historial de versiones — 28 versiones en el registro
20/20No obsoleto — activo, ni obsoleto ni retirado
Datos de entrada utilizados
packagesbrain-framework
ecosystemspypi
any_deprecatedno
min_days_since_publish0

Calidad de Ingeniería

¿Existen unas prácticas mínimas de ingeniería y documentación?

84Excelente · 19% del índice global

Prácticas de ingeniería

80Excelente
Cómo se puntúa
24/24Flujos de trabajo de CI — 4 flujo(s) de trabajo
24/24Pruebas presentes
16/16Configuración de linter — pyproject.toml ([tool.ruff])
0/9.6Hooks de pre-commit
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — sin datos
Datos de entrada utilizados
has_cisí
has_testssí
has_editorconfigno
has_linter_configsí
has_precommit_configno
Excluidos de la puntuación (sin datos o no aplicable): OpenSSF Scorecard: CI-Tests. Los pesos restantes se han renormalizado.

Documentación

90Excelente
Cómo se puntúa
30/30README
25/25Directorio de documentación
15/15Sitio de documentación / página del proyecto — https://fmind.github.io/brain-framework/
10/10Descripción del repositorio
10/10Topics — 10 topics
0/10Wiki
Datos de entrada utilizados
topicsai-agents, local-first, mcp, python, knowledge-management, second-brain, agent-memory, ai, context-engineering, model-context-protocol
has_wikino
homepagehttps://fmind.github.io/brain-framework/
docs_sitehttps://fmind.github.io/brain-framework/
has_readmesí
has_docs_dirsí
has_descriptionsí

Seguridad

¿Son sólidas las prácticas visibles de seguridad y de cadena de suministro, sin exposición jurisdiccional de alto riesgo sin resolver?

67Bueno · 16% del índice global

Postura de seguridad

59Moderado
Cómo se puntúa
7.5/7.5Binary-Artifacts — no binaries found in the repo
2.2/7.5Branch-Protection — branch protection is not maximal on development and all release branches
0/2.5CI-Tests — sin datos
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
0/7.5Code-Review — Found 0/30 approved changesets -- score normalized to 0
0.8/2.5Contributors — project has 1 contributing companies or organizations -- score normalized to 3
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Licencia — license file detected
0/7.5Maintained — project was created within the last 90 days. Please review its contents carefully
5/5Packaging — packaging workflow detected
5/5Pinned-Dependencies — all dependencies are pinned
0/5SAST — no SAST tool detected
5/5Security-Policy — security policy file detected
0/7.5Signed-Releases — Project has not signed or included provenance with any releases.
7.5/7.5Token-Permissions — GitHub workflow tokens follow principle of least privilege
7.5/7.5Vulnerabilities — 0 existing vulnerabilities detected
Datos de entrada utilizados
sourceopenssf_scorecard
checks_evaluated17
scorecard_versionv5.5.0
checks_inconclusive1
scorecard_aggregate5,9
Excluidos de la puntuación (sin datos o no aplicable): CI-Tests. Los pesos restantes se han renormalizado.

Avisos de dependencias

100Excepcional
Cómo se puntúa
35/35Dependencias directas libres de avisos conocidos — ninguna dependencia directa tiene un aviso conocido
0/25Dependencias indirectas libres de avisos conocidos — el conjunto transitivo no es separable de las dependencias de desarrollo y prueba en este alcance
0/40Sin avisos pendientes — ningún aviso tiene fecha de publicación
Datos de entrada utilizados
sourceosv
advisories0
affected_packages0
assessed_packages83
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Excluidos de la puntuación (sin datos o no aplicable): Dependencias indirectas libres de avisos conocidos, Sin avisos pendientes. Los pesos restantes se han renormalizado. Se cotejaron 83 dependencias resueltas con OSV. Este repositorio no publica ningún paquete que el índice resuelva, por lo que se evaluó en su lugar el grafo de dependencias del repositorio. Ese grafo mezcla fijaciones de desarrollo y prueba con las dependencias distribuidas, de modo que solo se puntúan las dependencias declaradas en tiempo de ejecución; los hallazgos transitivos se informan como contexto y quedan excluidos de la puntuación. No se analiza la alcanzabilidad.

Preparación para IA

¿Hasta qué punto está el repositorio preparado para desarrollarse y mantenerse con agentes de codificación de IA? Tiene un peso deliberadamente pequeño (4%): las herramientas para agentes son una señal real de mantenimiento, pero un repositorio sin ninguna puede alcanzar igualmente 100/100.

92Excelente · 4% del índice global

Contexto y guía para agentes

100Excepcional
Cómo se puntúa
45/45Instrucciones para agentes — AGENTS.md, docs/docs/agents.md, examples/brain/AGENTS.md, src/bf/starter/AGENTS.md
15/15Documentación legible por máquinas (llms.txt) — llms.txt servido por el sitio web del proyecto (https://fmind.github.io/brain-framework/llms.txt)
40/40Historial de commits legible — 100 de 100 commits humanos declaran su intención (asunto estructurado o cuerpo explicativo)
Datos de entrada utilizados
has_llms_txtsí
llms_txt_urlhttps://fmind.github.io/brain-framework/llms.txt
legible_history_share1
agent_instruction_filesAGENTS.md, docs/docs/agents.md, examples/brain/AGENTS.md, src/bf/starter/AGENTS.md
agent_instruction_max_bytes16.306

Bucle de verificación (compilación / pruebas / verificación de tipos)

87Excelente
Cómo se puntúa
18/18Arranque con un solo comando — mise.toml
22/22Pruebas automatizadas
11/11Configuración de lint / formato — pyproject.toml ([tool.ruff])
11/11Verificación estática de tipos — src/bf/py.typed
10/10Entorno reproducible — lockfile
0/10Práctica demostrada con agentes — ningún commit con autoría de agente entre los últimos 100
5/8Mantenimiento automatizado — automatización de dependencias configurada, no observada en los commits muestreados
10/10OpenSSF Scorecard: Pinned-Dependencies — all dependencies are pinned
Datos de entrada utilizados
has_nixno
has_testssí
lockfilesuv.lock
has_dockerfileno
typed_languageno
bootstrap_filesmise.toml
has_devcontainerno
has_linter_configsí
typecheck_configssrc/bf/py.typed
agent_commit_share0
toolchain_manifests—
dependency_bot_commit_share0

Legibilidad del código para modelos

80Excelente
Cómo se puntúa
27/45Código verificable por tipos — Python con configuración de verificación de tipos (src/bf/py.typed)
52.7/55Tamaños de archivo manejables — 5/122 archivos fuente de más de 60 KB
Datos de entrada utilizados
primary_languagePython
largest_source_bytes91.462
source_files_sampled122
oversized_source_files5

Interfaces legibles por máquina

100Excepcional
Cómo se puntúa
0/40Esquema de API (OpenAPI/GraphQL/proto) — no aplicable a este tipo de software
20/20Servidor MCP
40/40Ejemplos ejecutables — examples
Datos de entrada utilizados
example_dirsexamples
has_mcp_signalsí
api_schema_files—
interfaces_expected_of—
Excluidos de la puntuación (sin datos o no aplicable): Esquema de API (OpenAPI/GraphQL/proto). Los pesos restantes se han renormalizado.

Datos clave

5estrellas de GitHub
1contribuidores
140commits en los últimos 12 meses
0días desde el último push
50versiones publicadas
1factor bus
0issues abiertas
PyPIecosistemas de paquetes

Advertencias de recopilación de datos

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • deps.dev does not index pypi:brain-framework@19.0.1; advisories assessed against the repository dependency graph instead

Más detalle

OpenSSF Scorecard 5.9 / 10
5.9agregado

Evaluación de seguridad independiente y agnóstica en cuanto a herramientas, procedente del proyecto de código abierto OpenSSF Scorecard. Cada comprobación premia una práctica de seguridad, no la herramienta de un proveedor concreto. Las comprobaciones que Scorecard no pudo determinar se marcan como n/d y se excluyen de la puntuación de seguridad (nunca se cuentan como cero).Scorecard v5.5.0 · 2026-10-20 21:23 UTC

10Binary-Artifactsno binaries found in the repo
3Branch-Protectionbranch protection is not maximal on development and all release branches
n/dCI-Testsno pull request found
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
0Code-ReviewFound 0/30 approved changesets -- score normalized to 0
3Contributorsproject has 1 contributing companies or organizations -- score normalized to 3
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
0Maintainedproject was created within the last 90 days. Please review its contents carefully
10Packagingpackaging workflow detected
10Pinned-Dependenciesall dependencies are pinned
0SASTno SAST tool detected
10Security-Policysecurity policy file detected
0Signed-ReleasesProject has not signed or included provenance with any releases.
10Token-PermissionsGitHub workflow tokens follow principle of least privilege
10Vulnerabilities0 existing vulnerabilities detected
Dependencias directas 6
RegistroPaqueteRestricción de versiónManifiesto
PyPImarkdown-it-py>=4.2.0,<5pyproject.toml
PyPImcp>=2.1.1,<3pyproject.toml
PyPIpydantic>=2.13.5,<3pyproject.toml
PyPIpyyaml>=6.0.3,<7pyproject.toml
PyPIrich>=15.0.0,<16pyproject.toml
PyPItyper>=0.27.2,<1pyproject.toml
Todas las dependencias 83

Conjunto completo de dependencias resueltas según el grafo de dependencias de GitHub: 6 paquetes directos y 77 indirectos (transitivos). El cierre transitivo es completo cuando el repositorio incluye un lockfile.

RegistroPaqueteVersiónRelación
PyPImarkdown-it-py4.2.0directa
PyPImcp2.3.0directa
PyPIpydantic2.14.1directa
PyPIpyyaml6.0.3directa
PyPIrich15.0.0directa
PyPItyper0.27.3directa
Gogithub.com/davecgh/go-spewv1.1.2-0.20180830191138-d8f796af33ccindirecta
Gogithub.com/google/jsonschema-gov0.4.3indirecta
Gogithub.com/itchyny/gojqv0.12.19indirecta
Gogithub.com/itchyny/timefmt-gov0.1.8indirecta
Gogithub.com/modelcontextprotocol/go-sdkv1.7.0indirecta
Gogithub.com/pmezard/go-difflibv1.0.1-0.20181226105442-5d4384ee4fb2indirecta
Gogithub.com/segmentio/asmv1.2.1indirecta
Gogithub.com/segmentio/encodingv0.5.4indirecta
Gogithub.com/urfave/cli/v3v3.11.0indirecta
Gogithub.com/yosida95/uritemplate/v3v3.0.2indirecta
Gogithub.com/yuin/goldmarkv1.8.5indirecta
Gogo.yaml.in/yaml/v3v3.0.5indirecta
Gogolang.org/x/modv0.40.0indirecta
Gogolang.org/x/oauth2v0.36.0indirecta
Gogolang.org/x/syncv0.22.0indirecta
Gogolang.org/x/sysv0.47.0indirecta
Gogolang.org/x/telemetryv0.0.0-20260824150023-1f5465a7b7fbindirecta
Gogolang.org/x/timev0.15.0indirecta
Gogolang.org/x/toolsv0.49.0indirecta
Gogolang.org/x/vulnv1.7.0indirecta
PyPIannotated-doc0.0.5indirecta
PyPIannotated-types0.8.0indirecta
PyPIanyio4.15.1indirecta
PyPIattrs26.1.0indirecta
PyPIbrain-framework19.0.1indirecta
PyPIcffi2.1.1indirecta
PyPIclick8.5.0indirecta
PyPIcolorama0.4.6indirecta
PyPIcoverage7.16.2indirecta
PyPIcryptography50.0.2indirecta
PyPIdeepmerge3.0.1indirecta
PyPIexecnet2.1.2indirecta
PyPIfastjsonschema2.22.2indirecta
PyPIh110.16.0indirecta
PyPIhttpcore22.13.1indirecta
PyPIhttpx22.13.1indirecta
PyPIhttpx2-jsfetch1.0indirecta
PyPIidna3.20indirecta
PyPIiniconfig2.3.1indirecta
PyPIjinja23.1.6indirecta
PyPIjsonschema4.26.0indirecta
PyPIjsonschema-specifications2025.9.1indirecta
PyPImarkdown3.11.1indirecta
PyPImarkupsafe3.0.4indirecta
PyPImcp-types2.3.0indirecta
PyPImdurl0.1.2indirecta
PyPIopentelemetry-api1.45.1indirecta
PyPIpackaging26.3indirecta
PyPIpathspec1.1.1indirecta
PyPIpluggy1.7.0indirecta
PyPIpycparser3.11indirecta
PyPIpydantic-core2.50.1indirecta
PyPIpygments2.21.0indirecta
PyPIpyjwt2.15.1indirecta
PyPIpymdown-extensions12.3indirecta
PyPIpytest9.1.1indirecta
PyPIpytest-cov7.1.0indirecta
PyPIpytest-watcher0.6.3indirecta
PyPIpytest-xdist3.8.0indirecta
PyPIpython-multipart0.0.32indirecta
PyPIpywin32312indirecta
PyPIreferencing0.37.0indirecta
PyPIrpds-py2026.9.1indirecta
PyPIruff0.17.1indirecta
PyPIshellingham1.5.4indirecta
PyPIsse-starlette3.5.0indirecta
PyPIstarlette1.8.0indirecta
PyPItomli2.5.0indirecta
PyPItrove-classifiers2026.9.21.13indirecta
PyPItruststore0.10.5indirecta
PyPIty0.0.89indirecta
PyPItyping-extensions4.16.0indirecta
PyPItyping-inspection0.4.4indirecta
PyPIuvicorn0.54.0indirecta
PyPIvalidate-pyproject0.26indirecta
PyPIwatchdog6.0.0indirecta
PyPIzensical0.0.71indirecta
Avisos de dependencias 0

Este repositorio no publica ningún paquete que el índice resuelva, así que se evaluó su propio grafo de dependencias — 83 paquetes, que incluyen también fijaciones de desarrollo y prueba que nunca se distribuyen: 0 tienen avisos conocidos, de los cuales 0 son directas.

Ningún aviso conocido afecta a las dependencias evaluadas.

Un aviso significa que la versión registrada en el grafo de dependencias cae dentro del rango afectado de un aviso. No se analiza la alcanzabilidad, y el grafo incluye fijaciones de desarrollo y prueba: un hallazgo puede referirse al utillaje y no al software distribuido.

Informe JSON sin procesar legible por máquina

Comentarios

¿Algo no cuadra en este informe, o hay ideas que compartir? Mediciones erróneas, herramientas no detectadas, ideas, preguntas: todo es bienvenido. Cada mensaje se lee y recibe respuesta.

El mensaje se conserva durante el inicio de sesión.

Registros relacionados

Repositorios inspeccionados que comparten etiquetas de catálogo o ecosistemas con fmind/brain-framework. Leer en paralelo →

100deepset-ai/haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.Excepcional99awslabs/cli-agent-orchestratorMulti-agent orchestration for AI coding CLIs — Claude Code, Kiro, Codex, and more, coordinated in isolated tmux sessionsExcepcional99IBM/mcp-context-forgeAn AI Gateway, registry, and proxy that sits in front of any MCP, A2A, or REST/gRPC APIs, exposing a unified endpoint with centralized discovery, guardrails and management. Optimizes Agent & Tool calling, and supports plugins.Excepcional98topoteretes/cogneeCognee is the open-source AI memory platform for agents. Give your AI agents persistent long-term memory across sessions with a self-hosted knowledge graph engine.Excepcional98ComposioHQ/composioComposio powers 1000+ toolkits, tool search, context management, authentication, and a sandboxed workbench to help you build AI agents that turn intent into action.Excepcional98deepnote/deepnoteDeepnote is a drop-in replacement for Jupyter with an AI-first design, sleek UI, new blocks, and native data integrations. Use Python, R, and SQL locally in your favorite IDE, then scale to Deepnote cloud for real-time collaboration, Deepnote agent, and deployable data apps. https://deepnote.com/Excepcional

Las puntuaciones son señales, no garantías. Reflejan prácticas públicamente visibles en GitHub; no son una auditoría de código ni una garantía de seguridad.

Los datos ausentes se excluyen y los pesos se renormalizan; nunca se puntúan como cero. La metodología es versionada y abierta: métricas v2.10.0, esquema v0.34.0 — metodología completa · wiki de métricas.

Cómo se sitúa un resultado dentro del registro general: estadísticas agregadas — PyPI.