زمان اجرا عوامل تولید نمونه سازی سریع و جریان های کاری تایپ شده
Type: Learn
Languages: Python, TypeScript
Prerequisites: Phase 14 · 01 (Agent Loop), Phase 14 · 13 (LangGraph)
Time: ~45 minutes
اهداف یادگیری
- هدف هاي عملکرد آگنو رو مشخص کن و وقتي که مهم هستن
- نام سه ابتدایی Mastra عوامل، ابزار، جریان کار و آداپتورهای سرور پشتیبانی شده.
- توضیح دهید که چرا یک پس زمینه FastAPI بدون وضعیت و به صورت جلسه، مسیر تولید Agno توصیه می شود.
- برای یک استیک مشخص (پایتون-اول مقابل تایپ اسکریپت-اول) ، Agno vs Mastra را انتخاب کنید.
مشکل
این برنامه ها با استفاده از سیستم عامل های مختلف به عنوان "LangGraph" و "AutoGen" و "CrewAI" در دسترس هستند. تیم هایی که می خواهند "فقط یک حلقه عامل، سریع، در زمان اجرا من" را به دست آورند، به Agno (Python) یا Mastra (TypeScript) دسترسی دارند. هر دو برخی از ابتدایی های متعلق به چارچوب را برای سرعت خام و مناسبتر با استیک اطراف معامله می کنند.
مفهوم
آگو
- زمان اجرا پایتون، قبلاً داده های فی
- "هیچ گراف، زنجیره ای، یا الگوهای پیچیده نیست فقط پیتون خالص".
- اهداف عملکرد از اسناد خود: ~ 2μs نمونه سازی عامل، ~ 3.75 KiB حافظه به هر عامل، ~ 23 ارائه دهنده مدل.
- مسیر تولید: پس زمینه FastAPI بدون حالت که توسط جلسه انجام می شود. هر درخواست یک عامل جدید را شروع می کند؛ وضعیت جلسه در DB زندگی می کند.
- مولتیمول بومی (متن، تصویر، صوتی، ویدیو، فایل) و RAG های عامل.
هدف های سرعت مهم هستند وقتی شما هزاران عامل کوتاه مدت در ثانیه دارید (فان های چت، لوله های ارزیابی) اما وقتی یک عامل برای 10 دقیقه اجرا می شود، اهمیت کمتری دارند.
ماستر
- تایپ اسکریپت، بر اساس ورسل AI SDK ساخته شده
- سه تا اوليه:Agents،Tools(مطابق زود)Workflows. .
- مدل یکپارچه روتر ۳۳۰۰+ مدل در ۹۴ ارائه دهنده (مارس ۲۰۲۶).
- ذخیره سازی ترکیبی: حافظه، جریان کار، مشاهده پذیری به پس زمینه های مختلف؛ ClickHouse برای مشاهده پذیری در مقیاس توصیه می شود.
- اپاچی 2.0 با
ee/فهرست ها تحت مجوز کسب و کار موجود در منبع. - آداپتورهای سرور برای اکسپرس، هونو، فاستیفای، کوا؛ یکپارچه سازی Next.js و Astro کلاس اول.
- سفینهای استودیو Mastra (host محلی:4111) برای دیبگ کردن.
- 22 هزار ستاره GitHub، 300 هزار بار بارگیری هفتگی در npm در 1.0 (جنوری 2026).
موقعیت
نه هم سعی کردن لانگ گراف باشن
- Language fit.Agno برای تیم های Python-اول؛ Mastra برای TypeScript-اول.
- Runtime ergonomics.آگو = تقریبا صفر هزینه های عمومی؛ ماستر = یکپارچه با اکوسیستم ورسل.
- Observability.هر دو با Langfuse / Phoenix / Opik (درسی 24) ادغام می شوند اما استودیو ماسترا اولین طرف است.
چه وقت هر یک را انتخاب کنیم
- Agno پشت سرپناهاي پايتون، خيلي از عوامل کوتاه مدت، تقاضاي قوي براي پرفارم، فروشگاه فاستاپي
- Mastra پس زمینه تایپ اسکریپت، Next.js / Vercel تعین، مسیریابی مدل چند ارائه دهنده متحد، ابزار های تایپ شده Zod.
- LangGraph(درسه 13) وقتی وضعیت پایدار و استدلال گراف صریح مهم تر از سرعت خام است.
- OpenAI / Claude Agent SDK وقتی شما شکل تولید کننده را می خواهید (درسه 1617).
جایی که این الگوی اشتباه می شود
- Perf-for-perf's-sake.انتخاب آگنو چون "2μs" به نظر می رسد خوب است وقتی بار کار یک تماس کند توسط یک عامل در هر درخواست است.
- Ecosystem lock-in.ادغام ورسل از ماسترا در ورسل یک پلاس و در جای دیگر یک منفی است.
- Enterprise license confusion.مستر
ee/درديکتورها منبع دستياب هستند، نه آپاچي 2.0. اگر قصد داريد فارک را داشته باشيد مجوزها را بخوانید.
آن را بسازید
این درس عمدتاً مقایسه ای است هیچ کدهای تک تک با هر دو چارچوب عدالت نمی کنند.code/main.pyبرای یک اسباب بازی کنار هم: حداقل جریان "در حال اجرا یک عامل، جریان خروجی، ادامه جلسه" دو بار اجرا می شود (یک بار به شکل Agno، یک بار به شکل Mastra).
اجرا کن
python3 code/main.pyدو ردیف ساختاری متفاوت اما عملکردی معادل.
ازش استفاده کن
- Agno پشت سرپناه پایتون که نیاز به سرعت و شکل FastAPI دارد.
- Mastra پس زمینه تایپ اسکریپت با بسیاری از ارائه دهندگان و جریان کاری اولیه.
- هر دو کشتی هک مشاهده ای اول طرفه هر دو با لانگفوز ادغام میشن
-باده
outputs/skill-runtime-picker.mdانتخاب Agno، Mastra، LangGraph، یا SDK ارائه دهنده بر اساس استیک، بودجه تاخیر و شکل عملیاتی.
تمرینات
- اسناد آگنو رو بخوني و حلقه "استدلب ریاکت" رو به آگنو منتقل کن
- اسناد ماسترا را بخوانید. همان حلقه را به ماسترا وارد کنید. در تایپ ابزار چه تغییری (Zod vs nothing) ایجاد شده است؟
- معیار: طول زمان تعویض عامل را در سکه خود اندازه گیری کنید آیا 2μs Agno برای بار کاری شما مهم است؟
- یک مهاجرت طراحی کنید: اگر شما در پایتون CrewAI را اجرا کرده اید، اگر به Agno نقل مکان کنید چه شکاف هایی دارید؟
- کتاب ماسترا رو بخونيد
ee/چه محدودیت هایی بر یک فورک منبع باز تاثیر می گذارد؟
اصطلاحات کلیدی
| Term | What people say | What it actually means |
|---|---|---|
| Agno | "Fast Python agents" | Stateless session-scoped agent runtime |
| Mastra | "TypeScript agents on Vercel AI SDK" | Agents + Tools + Workflows + Model Router |
| Unified Model Router | "Multi-provider access" | Single client for 3,300+ models across 94 providers |
| Composite storage | "Multiple backends" | Memory/workflows/observability each to a different store |
| Mastra Studio | "Local debugger" | localhost:4111 UI for introspecting agents |
| Source-available | "Not OSS" | License permits source reading but restricts commercial use |
خواندن بیشتر
- Agno Agent Framework docs اهداف عملکرد، ادغام FastAPI
- Mastra docs ابتدایی ها، آداپتورهای سرور، مدل روتر
- LangGraph overview جایگزین گراف دولتی
- Comet Opik مقایسه های قابل مشاهده توسط ادغام های ماسترا
This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.
Browse the complete course catalog or open this lesson on GitHub.