公开记录
软件健康报告模式 0.11.0 · 指标 2.10.0 · 2026-07-15 16:55 UTC

cognizant-ai-lab / neuro-san

Neuro AI System of Agent Networks

PythonApache-2.0★ 136 星标⑂ 43 复刻始于 2024年11月在 GitHub 上查看 ↗
类型库如何判定
#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 的健康指数为 100 分中的 92 分，处于「优秀」区间。 其得分最高的类别是Vitality（100/100），最低的是AI Readiness（42/100）。 最近一次更新在今天。 近期的大部分工作由 1 位贡献者完成。

92
总分 / 100
优秀

软件健康指数

指标归入加权类别，统一采用 1–100 量表。总体分先取类别加权平均，再依据公开记录的分布进行校准，使各等级具有百分位含义；当公开证据触发高风险司法辖区政策时，评级会按政策调整，并设置 34（存在风险）的上限。

92
卓越93-100公开记录中的最高层级（约前 5%）；基本满足所有检验标准
优秀80-92各方面均表现强劲；仅有少量不足
良好65-79健康；不足之处有限且可控
中等50-64可接受，但存在明显不足；建议进行审查
薄弱35-49多个领域存在实质性薄弱环节
存在风险20-34存在重大薄弱环节；采用时应保持审慎
危急1-19问题严重（项目被弃置、仅有单一维护者、缺乏基本工程规范）
活力社区与采用可持续性与治理工程质量安全AI 就绪度

评分画像

每条轴代表一个类别。形状比平均值更重要——健康的对象会填满整个图形，而“一峰一谷”式画像意味着某一维度的优势正掩盖另一维度的风险。

加权总体分 78 经校准后在公布的指数量表上为 92（记录校准 2026-08-02）。

所有权

Cognizant AI Lab组织
188 关注者18 个公开仓库始于 2018年12月

该仓库由组织支持——共同承担、可问责的托管责任，可延续于任何单一维护者之后。

软件包生态系统

注册表软件包版本月下载量版本数最近发布标签
PyPIneuro-san0.6.79-1290 天前llmlangchainagentmulti-agent

按类别列示的指标

活力

项目是否仍有生命——是否仍在编写代码，是否仍在发布版本？

100卓越 · 占总体的 21%

开发活跃度

100卓越
评分方式
36/36推送新近度 — 最近一次推送于 0 天前
36/36提交节奏 — 52 周中有 52 周有提交
18/18提交量 — 最近一年 3,078 次提交
0/10OpenSSF Scorecard：Maintained — 无数据
所用输入
commits_last_year3,078
human_commit_share—
days_since_last_push0
active_weeks_last_year52

发布纪律

100卓越
评分方式
27/27有发布版本 — 已发布 100 个发布版本
36/36发布时效 — 最近一次发布版本于 0 天前
27/27发布节奏 — 约每 0.9 天发布一次
0/10OpenSSF Scorecard：Signed-Releases — 无数据
所用输入
releases_count100
latest_release_tag0.6.79
releases_from_tags否
days_since_latest_release0
mean_days_between_releases0.9

社区与采用

项目是否拥有用户、下载量与关注度，并具备欢迎贡献者参与的配置？

68良好 · 占总体的 17%

流行度与采用

53中等
评分方式
34.6/60星标 — 136 个星标
13.5/25复刻 — 43 个复刻
5.3/15关注者 — 10 位关注者
所用输入
forks43
stars136
watchers10
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

社区健康

85优秀
评分方式
22.5/22.5README
22.5/22.5许可证 — 可识别的许可证（Apache-2.0）
18/18CONTRIBUTING 指南
13.5/13.5行为准则
0/7.2议题模板
0/6.3PR 模板
所用输入
has_readme是
has_license是
readme_badges—
has_contributing是
has_issue_template否
has_code_of_conduct是
readme_badge_services—
has_pull_request_template否

可持续性与治理

项目能否在其成员之外延续——巴士系数、响应能力、由谁支持，以及软件包的维护状况？

72良好 · 占总体的 23%

维护者韧性（巴士系数）

37薄弱
评分方式
9/54巴士系数 — 1 位贡献者贡献了半数提交
10.7/22.5提交分布 — 头号贡献者编写了 53% 的提交
13.5/13.5贡献者广度 — 21 位贡献者
0/10OpenSSF Scorecard：Contributors — 无数据
所用输入
bus_factor1
contributors_sampled21
top_contributor_share0.526

议题与 PR 响应能力

79良好
评分方式
29/42议题解决 — 69% 的议题已关闭
28.1/30PR 接受 — 已裁定的 PR 中 709/756 已合并
0/13Newcomer PR acceptance — 30 天内没有首次贡献者的 PR 得到裁决
0/15OpenSSF Scorecard：Code-Review — 无数据
所用输入
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—
已排除计分（无数据或不适用）：Newcomer PR acceptance。 其余权重已重新归一化。

所有权与托管责任

85优秀
评分方式
30/30所有权背书 — 组织持有
0/20已验证域名 — 未读取该组织的域名验证状态
16.4/25所有者影响力 — cognizant-ai-lab 有 188 位关注者
21.3/25既往记录 — 18 个公开仓库，账户约 7 年
所用输入
followers188
owner_typeOrganization
is_verified—
owner_logincognizant-ai-lab
public_repos18
account_age_days2,778
已排除计分（无数据或不适用）：已验证域名。 其余权重已重新归一化。

软件包维护

100卓越
评分方式
25/25已发布且可解析 — pypi 上有 1 个软件包
35/35发布时效 — 最近一次发布于 0 天前
20/20版本历史 — 129 个已发布版本
20/20未被弃用 — 活跃，未被弃用或撤回
所用输入
packagesneuro-san
ecosystemspypi
any_deprecated否
min_days_since_publish0

工程质量

基础的工程与文档实践是否到位？

88优秀 · 占总体的 19%

工程实践

80优秀
评分方式
24/24CI 工作流 — 6 个工作流
24/24存在测试
16/16Linter 配置 — .flake8, .pylintrc
0/9.6Pre-commit 钩子
0/6.4.editorconfig
0/20OpenSSF Scorecard：CI-Tests — 无数据
所用输入
has_ci是
has_tests是
has_editorconfig否
has_linter_config是
has_precommit_config否

文档

100卓越
评分方式
30/30README
25/25文档目录
15/15文档 / 主页站点 — https://decisionai.ml/neuro-san
10/10仓库描述
10/10主题标签 — 14 个主题标签
10/10Wiki
所用输入
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_wiki是
homepagehttps://decisionai.ml/neuro-san
docs_sitehttps://decisionai.ml/neuro-san
has_readme是
has_docs_dir是
has_description是

安全

可见的安全与供应链实践是否稳固，且不存在未解决的高风险司法辖区暴露？

67良好 · 占总体的 16%

安全态势

67良好
评分方式
30/30安全策略（SECURITY.md）
0/25Dependabot 配置
0/25依赖锁定文件 — 已发布的类库——锁定文件属于应用层关注点，不作要求
20/20CodeQL 工作流
所用输入
sourcefile_signals
lockfiles—
manifestspyproject.toml, requirements-build.txt, requirements.txt, setup.py
has_codeql_workflow是
has_security_policy是
has_dependabot_config否
已排除计分（无数据或不适用）：依赖锁定文件。 其余权重已重新归一化。

AI 就绪度

该仓库在多大程度上具备与 AI 编码代理协同开发与维护的条件？权重刻意设小（4%）：代理工具链是一项真实的维护信号，但完全不具备的仓库仍可达到 100/100。

42薄弱 · 占总体的 4%

AI 代理上下文与指引

1危急
评分方式
0/45代理指令 — 没有 CLAUDE.md / AGENTS.md / 编辑器规则
0/15机器可读文档（llms.txt）
0/40可读的提交历史 — 无数据
所用输入
has_llms_txt否
llms_txt_url—
legible_history_share—
agent_instruction_files—
agent_instruction_max_bytes—
已排除计分（无数据或不适用）：可读的提交历史。 其余权重已重新归一化。

验证循环（构建 / 测试 / 类型检查）

60中等
评分方式
0/18一条命令的引导启动
22/22自动化测试
11/11Lint / 格式化配置 — .flake8, .pylintrc
0/11静态类型检查
10/10可复现环境 — Dockerfile
0/10已体现的代理实践 — 无数据
0/8自动化维护 — 无数据
0/10OpenSSF Scorecard：Pinned-Dependencies — 无数据
所用输入
has_nix否
has_tests是
lockfiles—
has_dockerfile是
typed_language否
bootstrap_files—
has_devcontainer否
has_linter_config是
typecheck_configs—
agent_commit_share—
toolchain_manifests—
dependency_bot_commit_share—
已排除计分（无数据或不适用）：已体现的代理实践, 自动化维护。 其余权重已重新归一化。

面向模型的代码可读性

55中等
评分方式
0/45可类型检查的代码 — Python，未配置类型检查
55/55可控的文件大小 — 采样的 519 个源文件中有 0 个超过 60KB
所用输入
primary_languagePython
largest_source_bytes36,180
source_files_sampled519
oversized_source_files0

机器可读接口

60中等
评分方式
40/40API 模式（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
20/20MCP 服务器
0/40可运行示例
所用输入
example_dirs—
has_mcp_signal是
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—

关键数据

136GitHub 星标
21贡献者
3,078最近 12 个月提交数
0距最近推送天数
100发布版本数
1巴士系数（bus factor）
102开放议题
PyPI软件包生态系统数

数据采集警告

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

更多细节

全部依赖 62

来自 GitHub 依赖图的完整解析依赖集合：0 个直接依赖与 62 个间接（传递）软件包。仓库提交锁文件时，传递闭包才是完整的。

注册表软件包版本关系
PyPIaiobotocore—间接
PyPIaiofiles—间接
PyPIaiohttp—间接
PyPIboto3—间接
PyPIbotocore—间接
PyPIbs4—间接
PyPIbuild—间接
PyPIcmarkgfm—间接
PyPIcoverage7.6.1间接
PyPIcroniter—间接
PyPIflake87.3.0间接
PyPIgrpcio—间接
PyPIgrpcio-tools—间接
PyPIhttpx—间接
PyPIidna—间接
PyPIjanus—间接
PyPIjson-repair—间接
PyPIjsonschema—间接
PyPIlangchain—间接
PyPIlangchain-anthropic—间接
PyPIlangchain-aws—间接
PyPIlangchain-classic—间接
PyPIlangchain-community—间接
PyPIlangchain-core—间接
PyPIlangchain-google-genai—间接
PyPIlangchain-mcp-adapters—间接
PyPIlangchain-nvidia-ai-endpoints—间接
PyPIlangchain-ollama—间接
PyPIlangchain-openai—间接
PyPIlangchain-openrouter—间接
PyPIlangfuse—间接
PyPIleaf-common—间接
PyPIleaf-server-common—间接
PyPImcp—间接
PyPIobjsize—间接
PyPIopenfga-sdk—间接
PyPIparameterized—间接
PyPIprotobuf—间接
PyPIpsutil—间接
PyPIpydantic—间接
PyPIpyhocon—间接
PyPIpylint4.0.2间接
PyPIpylint-protobuf0.22.0间接
PyPIpymarkdownlnt0.9.30间接
PyPIpyopenssl—间接
PyPIpytest9.0.3间接
PyPIpytest-asyncio1.3.0间接
PyPIpytest-cov5.0.0间接
PyPIpytest-timeout—间接
PyPIpytest-timer1.0.0间接
PyPIpytest-xdist—间接
PyPIreadme-renderer—间接
PyPIruamel-yaml—间接
PyPIsetuptools—间接
PyPIsetuptools-scm8.1.0间接
PyPItimedinput—间接
PyPItimeout-decorator0.5.0间接
PyPItornado—间接
PyPIurllib3—间接
PyPIvalidators—间接
PyPIwatchdog—间接
PyPIwheel—间接
原始 JSON 报告 机器可读

反馈

发现这份报告有不准确之处，或有想法要分享？错误的测量、未识别的工具、建议、疑问——都欢迎提出。每条消息都会被阅读并得到回复。

登录过程中消息不会丢失。

相关记录

与 cognizant-ai-lab/neuro-san 共享目录标签或生态系统的已检测仓库。 并排阅读 →

99google/adk-pythonAn open-source, code-first Python toolkit for building, evaluating, and deploying sophisticated AI agents with flexibility and control.卓越96google/adk-jsAn open-source, code-first Typescript toolkit for building, evaluating, and deploying sophisticated AI agents with flexibility and control.卓越99ag2ai/ag2AG2 (formerly AutoGen): The Open-Source AgentOS.Join us at: https://discord.gg/sNGSwQME3x卓越98bytedance/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.卓越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.卓越98ModelEngine-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.卓越

评分是信号，而非担保。 评分反映的是 GitHub 上公开可见的实践——不是代码审计，也不是安全保证。

缺失数据将被剔除并重新归一化权重，绝不按零分计。方法论已版本化并公开：指标 v2.10.0、模式 v0.11.0—— 完整方法论 · 指标知识库.

单项结果在整体记录中的位置： 汇总统计 — PyPI.