Публічний реєстр
Звіт про здоров'я програмного забезпеченнясхема 0.11.0 · метрики 2.10.0 · 2026-07-15 16:55 UTC

cognizant-ai-lab / neuro-san

Neuro AI System of Agent Networks

PythonApache-2.0★ 136 зірок⑂ 43 форкиз лист. 2024 р.Переглянути на GitHub ↗
ТипБібліотекаяк це визначено
#agents#ai#ai-agents#mas#multi-agent-systems#mutli-agent#ai-agents-framework#langchain#multi-agent-framework#agentic-ai#agentic-framework#llms#aaosa#sly-data

cognizant-ai-lab/neuro-san має індекс здоров’я 92 зі 100, що відповідає смузі «Відмінний». Найвищий показник — Vitality (100/100), найнижчий — AI Readiness (42/100). Останнє оновлення — сьогодні. Більшість нещодавньої роботи виконує один учасник.

92
загалом / 100
Відмінний

Індекс здоров'я програмного забезпечення

Метрики згруповано у зважені категорії на шкалі 1–100. Загальна оцінка починається як їхнє зважене середнє, відкаліброване за розподілом публічного реєстру, тож діапазони мають перцентильний зміст; коли публічні дані активують Політику юрисдикцій високого ризику, рейтинг коригується й отримує верхню межу 34 («У зоні ризику»).

92
Винятковий93-100Верхній щабель реєстру (≈ топ-5%); відповідає практично всім перевіреним критеріям
Відмінний80-92Сильний за всіма напрямами; незначні прогалини
Добрий65-79Здоровий; прогалини обмежені та керовані
Помірний50-64Прийнятний, але з помітними прогалинами; рекомендовано перевірку
Слабкий35-49Суттєві недоліки в кількох сферах
У зоні ризику20-34Суттєві слабкі місця; впровадження потребує обережності
Критичний1-19Серйозні проблеми (покинутий, єдиний мейнтейнер, без базової гігієни)
ЖиттєздатністьСпільнота тавпровадженняСталість таврядуванняІнженернаякістьБезпекаГотовність доШІ

Профіль оцінок

Кожна вісь — окрема категорія. Форма важить більше, ніж середнє: здоровий об'єкт заповнює всю фігуру, тоді як профіль із піками та провалами означає, що сила в одному вимірі маскує ризик в іншому.

Зважений загальний бал 78 калібровано до 92 за шкалою опублікованого індексу (калібрування реєстру 2026-08-02).

Власність

Cognizant AI LabОрганізація
188 підписників18 публічних репозиторіївз груд. 2018 р.

За цим репозиторієм стоїть організація — спільна, підзвітна опіка, здатна пережити будь-якого окремого мейнтейнера.

Пакетні екосистеми

РеєстрПакетВерсіяЗавантажень / місВерсіїОстання публікаціяТеги
PyPIneuro-san0.6.79-1290 днів томуllmlangchainagentmulti-agent

Метрики за категоріями

Життєздатність

Чи живий проєкт — чи пишеться код і чи виходять релізи?

100Винятковий · 21% загального індексу

Активність розробки

100Винятковий
Як обчислюється оцінка
36/36Свіжість push — останній push 0 дн. тому
36/36Ритм комітів — 52/52 тижнів із комітами
18/18Обсяг комітів — 3 078 комітів за останній рік
0/10OpenSSF Scorecard: Maintained — немає даних
Використані вхідні дані
commits_last_year3 078
human_commit_share—
days_since_last_push0
active_weeks_last_year52

Дисципліна релізів

100Винятковий
Як обчислюється оцінка
27/27Випускає релізи — опубліковано 100 релізів
36/36Свіжість релізів — останній реліз 0 дн. тому
27/27Ритм релізів — реліз кожні ~0,9 дн.
0/10OpenSSF Scorecard: Signed-Releases — немає даних
Використані вхідні дані
releases_count100
latest_release_tag0.6.79
releases_from_tagsні
days_since_latest_release0
mean_days_between_releases0,9

Спільнота та впровадження

Чи має проєкт користувачів, завантаження, увагу та влаштовані умови для контриб’юторів?

68Добрий · 17% загального індексу

Популярність і впровадження

53Помірний
Як обчислюється оцінка
34.6/60Зірки — 136 зірок
13.5/25Форки — 43 форків
5.3/15Спостерігачі — 10 спостерігачів
Використані вхідні дані
forks43
stars136
watchers10
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Здоров'я спільноти

85Відмінний
Як обчислюється оцінка
22.5/22.5README
22.5/22.5Ліцензія — визнана ліцензія (Apache-2.0)
18/18Настанови CONTRIBUTING
13.5/13.5Кодекс поведінки
0/7.2Шаблон issue
0/6.3Шаблон PR
Використані вхідні дані
has_readmeтак
has_licenseтак
readme_badges—
has_contributingтак
has_issue_templateні
has_code_of_conductтак
readme_badge_services—
has_pull_request_templateні

Сталість та врядування

Чи переживе проєкт своїх людей — бас-фактор, реактивність, хто за ним стоїть і як супроводжуються пакети?

72Добрий · 23% загального індексу

Стійкість мейнтейнерів (бас-фактор)

37Слабкий
Як обчислюється оцінка
9/54Бас-фактор — на 1 контриб’ютор(ів) припадає половина всіх комітів
10.7/22.5Розподіл комітів — головний контриб’ютор — автор 53% комітів
13.5/13.5Широта контриб’юторів — 21 контриб’юторів
0/10OpenSSF Scorecard: Contributors — немає даних
Використані вхідні дані
bus_factor1
contributors_sampled21
top_contributor_share0,526

Реактивність на issue та PR

79Добрий
Як обчислюється оцінка
29/42Вирішення issue — закрито 69% issue
28.1/30Прийняття PR — злито 709/756 вирішених PR
0/13Newcomer PR acceptance — за 30 дн. не вирішено жодного PR від новачка
0/15OpenSSF Scorecard: Code-Review — немає даних
Використані вхідні дані
merged_prs709
open_issues102
closed_issues227
prs_merged_7d—
prs_decided_7d—
prs_merged_30d—
prs_decided_30d—
issue_closed_ratio0,69
closed_unmerged_prs47
first_time_authors_30d—
first_time_prs_merged_30d—
first_time_prs_decided_30d—
Виключено з оцінювання (немає даних або не застосовно): Newcomer PR acceptance. Залишкові ваги перенормовано.

Власність та опіка

85Відмінний
Як обчислюється оцінка
30/30Підтримка власника — у власності організації
0/20Верифікований домен — статус підтвердженого домену для цієї організації не зчитано
16.4/25Охоплення власника — 188 підписників у cognizant-ai-lab
21.3/25Послужний список — 18 публічних репозиторіїв, вік облікового запису ~7 р.
Використані вхідні дані
followers188
owner_typeOrganization
is_verified—
owner_logincognizant-ai-lab
public_repos18
account_age_days2 778
Виключено з оцінювання (немає даних або не застосовно): Верифікований домен. Залишкові ваги перенормовано.

Супровід пакетів

100Винятковий
Як обчислюється оцінка
25/25Опубліковано й доступно — 1 пакет(ів) у pypi
35/35Свіжість публікацій — остання публікація 0 дн. тому
20/20Історія версій — 129 опублікованих версій
20/20Не застарілий — активний, не deprecated і не yanked
Використані вхідні дані
packagesneuro-san
ecosystemspypi
any_deprecatedні
min_days_since_publish0

Інженерна якість

Чи наявні базові інженерні практики та документація?

88Відмінний · 19% загального індексу

Інженерні практики

80Відмінний
Як обчислюється оцінка
24/24Процеси CI — 6 процес(ів) CI
24/24Наявні тести
16/16Конфігурація лінтера — .flake8, .pylintrc
0/9.6Pre-commit-хуки
0/6.4.editorconfig
0/20OpenSSF Scorecard: CI-Tests — немає даних
Використані вхідні дані
has_ciтак
has_testsтак
has_editorconfigні
has_linter_configтак
has_precommit_configні

Документація

100Винятковий
Як обчислюється оцінка
30/30README
25/25Каталог документації
15/15Сайт документації / домашня сторінка — https://decisionai.ml/neuro-san
10/10Опис репозиторію
10/10Теми — 14 тем
10/10Wiki
Використані вхідні дані
topicsagents, ai, ai-agents, mas, multi-agent-systems, mutli-agent, ai-agents-framework, langchain, multi-agent-framework, agentic-ai, agentic-framework, llms, aaosa, sly-data
has_wikiтак
homepagehttps://decisionai.ml/neuro-san
docs_sitehttps://decisionai.ml/neuro-san
has_readmeтак
has_docs_dirтак
has_descriptionтак

Безпека

Чи міцні видимі практики безпеки й ланцюга постачання, без непослабленої пов’язаності з юрисдикціями високого ризику?

67Добрий · 16% загального індексу

Стан безпеки

67Добрий
Як обчислюється оцінка
30/30Політика безпеки (SECURITY.md)
0/25Конфігурація Dependabot
0/25Файли фіксації залежностей — опублікована бібліотека — lockfile є справою застосунків, не очікується
20/20Процес CodeQL
Використані вхідні дані
sourcefile_signals
lockfiles—
manifestspyproject.toml, requirements-build.txt, requirements.txt, setup.py
has_codeql_workflowтак
has_security_policyтак
has_dependabot_configні
Виключено з оцінювання (немає даних або не застосовно): Файли фіксації залежностей. Залишкові ваги перенормовано.

Готовність до ШІ

Наскільки репозиторій оснащений для розробки та супроводу за участі ШІ-агентів? Має свідомо малу вагу (4%): агентний інструментарій — реальний сигнал супроводу, але репозиторій без нього все одно може отримати 100/100.

42Слабкий · 4% загального індексу

Контекст і настанови для агентів

1Критичний
Як обчислюється оцінка
0/45Інструкції для агентів — немає CLAUDE.md / AGENTS.md / правил редактора
0/15Машиночитана документація (llms.txt)
0/40Читабельна історія комітів — немає даних
Використані вхідні дані
has_llms_txtні
llms_txt_url—
legible_history_share—
agent_instruction_files—
agent_instruction_max_bytes—
Виключено з оцінювання (немає даних або не застосовно): Читабельна історія комітів. Залишкові ваги перенормовано.

Цикл верифікації (збірка / тести / перевірка типів)

60Помірний
Як обчислюється оцінка
0/18Розгортання однією командою
22/22Автоматизовані тести
11/11Конфігурація лінтера / форматера — .flake8, .pylintrc
0/11Статична перевірка типів
10/10Відтворюване середовище — Dockerfile
0/10Підтверджена практика роботи з агентами — немає даних
0/8Автоматизоване супроводження — немає даних
0/10OpenSSF Scorecard: Pinned-Dependencies — немає даних
Використані вхідні дані
has_nixні
has_testsтак
lockfiles—
has_dockerfileтак
typed_languageні
bootstrap_files—
has_devcontainerні
has_linter_configтак
typecheck_configs—
agent_commit_share—
toolchain_manifests—
dependency_bot_commit_share—
Виключено з оцінювання (немає даних або не застосовно): Підтверджена практика роботи з агентами, Автоматизоване супроводження. Залишкові ваги перенормовано.

Читабельність коду для моделей

55Помірний
Як обчислюється оцінка
0/45Типізований код — Python без конфігурації перевірки типів
55/55Керовані розміри файлів — 0/519 файлів вихідного коду понад 60 КБ
Використані вхідні дані
primary_languagePython
largest_source_bytes36 180
source_files_sampled519
oversized_source_files0

Машиночитні інтерфейси

60Помірний
Як обчислюється оцінка
40/40Схема API (OpenAPI/GraphQL/proto) — neuro_san/api/grpc/agent.proto, neuro_san/api/grpc/chat.proto, neuro_san/api/grpc/concierge.proto, neuro_san/api/grpc/google/api/annotations.proto, neuro_san/api/grpc/google/api/http.proto, neuro_san/api/grpc/mime_data.proto
20/20Сервер MCP
0/40Придатні до запуску приклади
Використані вхідні дані
example_dirs—
has_mcp_signalтак
api_schema_filesneuro_san/api/grpc/agent.proto, neuro_san/api/grpc/chat.proto, neuro_san/api/grpc/concierge.proto, neuro_san/api/grpc/google/api/annotations.proto, neuro_san/api/grpc/google/api/http.proto, neuro_san/api/grpc/mime_data.proto
interfaces_expected_of—

Ключові факти

136зірок GitHub
21контриб'юторів
3 078комітів за останні 12 місяців
0днів від останнього пушу
100релізів
1бас-фактор
102відкритих issue
PyPIпакетних екосистем

Попередження щодо збору даних

  • OpenSSF Scorecard timed out after 240s; skipping Scorecard checks

Докладніше

Усі залежності 62

Повний розв'язаний набір залежностей із графа залежностей GitHub: 0 прямих і 62 непрямих (транзитивних) пакетів. Транзитивне замикання є повним, коли в репозиторії закомічено lockfile.

РеєстрПакетВерсіяЗв'язок
PyPIaiobotocore—непряма
PyPIaiofiles—непряма
PyPIaiohttp—непряма
PyPIboto3—непряма
PyPIbotocore—непряма
PyPIbs4—непряма
PyPIbuild—непряма
PyPIcmarkgfm—непряма
PyPIcoverage7.6.1непряма
PyPIcroniter—непряма
PyPIflake87.3.0непряма
PyPIgrpcio—непряма
PyPIgrpcio-tools—непряма
PyPIhttpx—непряма
PyPIidna—непряма
PyPIjanus—непряма
PyPIjson-repair—непряма
PyPIjsonschema—непряма
PyPIlangchain—непряма
PyPIlangchain-anthropic—непряма
PyPIlangchain-aws—непряма
PyPIlangchain-classic—непряма
PyPIlangchain-community—непряма
PyPIlangchain-core—непряма
PyPIlangchain-google-genai—непряма
PyPIlangchain-mcp-adapters—непряма
PyPIlangchain-nvidia-ai-endpoints—непряма
PyPIlangchain-ollama—непряма
PyPIlangchain-openai—непряма
PyPIlangchain-openrouter—непряма
PyPIlangfuse—непряма
PyPIleaf-common—непряма
PyPIleaf-server-common—непряма
PyPImcp—непряма
PyPIobjsize—непряма
PyPIopenfga-sdk—непряма
PyPIparameterized—непряма
PyPIprotobuf—непряма
PyPIpsutil—непряма
PyPIpydantic—непряма
PyPIpyhocon—непряма
PyPIpylint4.0.2непряма
PyPIpylint-protobuf0.22.0непряма
PyPIpymarkdownlnt0.9.30непряма
PyPIpyopenssl—непряма
PyPIpytest9.0.3непряма
PyPIpytest-asyncio1.3.0непряма
PyPIpytest-cov5.0.0непряма
PyPIpytest-timeout—непряма
PyPIpytest-timer1.0.0непряма
PyPIpytest-xdist—непряма
PyPIreadme-renderer—непряма
PyPIruamel-yaml—непряма
PyPIsetuptools—непряма
PyPIsetuptools-scm8.1.0непряма
PyPItimedinput—непряма
PyPItimeout-decorator0.5.0непряма
PyPItornado—непряма
PyPIurllib3—непряма
PyPIvalidators—непряма
PyPIwatchdog—непряма
PyPIwheel—непряма
Звіт у форматі JSON машиночитний

Зворотний зв’язок

Помітили щось хибне у цьому звіті або маєте чим поділитися? Неправильні вимірювання, непомічені інструменти, ідеї, запитання — усе доречно. Кожне повідомлення читається й отримує відповідь.

Повідомлення збережеться під час входу.

Пов’язані записи

Перевірені репозиторії, що мають спільні каталожні теги або екосистеми з cognizant-ai-lab/neuro-san. Читати поруч →

99google/adk-pythonAn open-source, code-first Python toolkit for building, evaluating, and deploying sophisticated AI agents with flexibility and control.Винятковий96google/adk-jsAn open-source, code-first Typescript toolkit for building, evaluating, and deploying sophisticated AI agents with flexibility and control.Винятковий99ag2ai/ag2AG2 (formerly AutoGen): The Open-Source AgentOS.Join us at: https://discord.gg/sNGSwQME3xВинятковий98bytedance/deer-flowAn open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours.Винятковий100deepset-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.Винятковий98ModelEngine-Group/nexentNexent is a zero-code platform for auto-generating production-grade AI agents using Harness Engineering principles — unified tools, skills, memory, and orchestration with built-in constraints, feedback loops, and control planes.Винятковий

Оцінки — це сигнали, а не гарантії. Вони відображають публічно видимі практики на GitHub — це не аудит коду й не гарантія безпеки.

Відсутні дані виключаються, а ваги перенормовуються — нуль за відсутність ніколи не ставиться. Методологія версіонована й відкрита: метрики v2.10.0, схема v0.11.0 — повна методологія · вікі метрик.

Як окремий результат виглядає на тлі всього реєстру: сукупна статистика — PyPI.