Phase 14: Agent Engineering

Temps de fonctionnement de l'agent de production Installation rapide et flux de travail de type

Un agent de production optimise le temps d'exécution de ce que les cadres de prototypage ignorent: le coût d'instantation, les surfaces de flux de travail typées et un backend prêt à être servi. L'association 2026: Agno (Python) vise l'instantation d'agent de microseconde et les backends FastAPI sans état. Mastra envoie des agents, des outils, des flux de travail, un routage de modèle unifié et un stockage composite sur le substrat SDK Vercel AI.

Type: Learn

Languages: Python, TypeScript

Prerequisites: Phase 14 · 01 (Agent Loop), Phase 14 · 13 (LangGraph)

Time: ~45 minutes

Objectifs d'apprentissage

  • Identifiez les objectifs de performance d'Agnon et quand ils comptent.
  • Nommer les trois primitifs de Mastra Agents, Tools, Workflows et les adaptateurs de serveurs pris en charge.
  • Expliquez pourquoi un backend FastAPI sans état et scellé par session est la voie de production Agno recommandée.
  • Choisissez Agno vs Mastra pour une pile donnée (Python-premier vs TypeScript-premier).

Le problème

LangGraph, AutoGen, CrewAI sont très lourds en matière de cadres. Les équipes qui veulent " juste la boucle d'agent, rapide, dans mon temps d'exécution " atteignent Agno (Python) ou Mastra (TypeScript).

Le concept

Agno

  • Python, anciennement Phi-data.
  • "Pas de graphiques, de chaînes ou de motifs compliqués juste python pur".
  • Objectifs de performance de leurs documents: ~ 2μs d'instantanation d'agent, ~ 3,75 KiB de mémoire par agent, ~ 23 fournisseurs de modèles.
  • Chaque requête démarre un nouvel agent; l'état de session se trouve dans un DB.
  • Multimodal natif (texte, image, audio, vidéo, fichier) et RAG agent.

Les objectifs de vitesse comptent quand vous avez des milliers d'agents de courte durée par seconde (chat fan-in, pipelines d'évaluation).

Mastra

  • TypeScript, construit sur le SDK Vercel AI.
  • Trois primitifs:Agents- Je suis là .Tools(type de zone), Workflows- Je suis désolé .
  • Modèle unifié routeur 3 300+ modèles sur 94 fournisseurs (mars 2026).
  • Stockage composé: mémoire, flux de travail, observabilité à différents arrière-plans; ClickHouse recommandé pour l'observabilité à l'échelle.
  • Apache 2.0 avec ee/les répertoires sous licence d'entreprise disponible sous source.
  • Adapters serveurs pour Express, Hono, Fastify, Koa; intégration Next.js et Astro de première classe.
  • Il envoie Mastra Studio (host local:4111) pour débogage.
  • 22k+ GitHub étoiles, 300k+ téléchargements hebdomadaires npm à 1.0 (janvier 2026).

Positionnement

Ils ne veulent pas être LangGraph.

  • Language fit.Agno pour les équipes Python-premières; Mastra pour TypeScript-première.
  • Runtime ergonomics.Agno = dépenses générales presque nulles; Mastra = intégré à l'écosystème Vercel.
  • Observability.Les deux sont intégrés à Langfuse/Phoenix/Opik (leçon 24) mais Mastra Studio est une première partie.

Quand choisir chacun

  • AgnoPython backend, beaucoup d'agents de courte durée, des exigences de perf, FastAPI magasin.
  • Mastra TypeScript backend, Next.js / Vercel déploiement, routage unifié de modèle multi-provider, outils de type Zod.
  • LangGraph(Létion 13) lorsque l'état durable et le raisonnement graphique explicite comptent plus que la vitesse brute.
  • OpenAI / Claude Agent SDK lorsque vous souhaitez une forme productive du fournisseur (leçons 1617).

Où ce modèle va mal

  • Perf-for-perf's-sake.Je choisis Agno parce que "2μs" sonne bien quand la charge de travail est un appel lent par agent par demande.
  • Ecosystem lock-in.L'intégration à la saveur Vercel de Mastra est un plus sur Vercel, un moins ailleurs.
  • Enterprise license confusion.Le Mastra ee/Les annuaires sont disponibles sous source, pas Apache 2.0.

Faites-le

Cette leçon est principalement comparative aucun artefact de code unique ne rendrait justice à ces deux cadres. Voir code/main.pypour un jouet côte à côte: un flux minimal "exécuter un agent, diffuser la sortie, persister la session" mis en œuvre deux fois (une fois en forme d'Agnon, une fois en forme de Mastra).

  • Je vais le faire.
python3 code/main.py

Deux traces structurellement différentes mais fonctionnellement équivalentes.

Utilisez-le

  • Agno Python backend qui a besoin de vitesse et de forme FastAPI.
  • Mastra TypeScript backend avec de nombreux fournisseurs et des primitifs de flux de travail.
  • Les deux navires ont des crochets d'observation de première partie.

La faire partir

outputs/skill-runtime-picker.mdchoisit Agno, Mastra, LangGraph ou un SDK de fournisseur en fonction de la pile, du budget de latence et de la forme opérationnelle.

Exercices

  1. Lisez les documents d'Agno, portez la boucle de réaction de la stdlib à Agno.
  2. Lisez les documents de Mastra. Portez la même boucle à Mastra. Qu'est-ce qui a changé dans la typographie des outils (Zod vs rien)?
  3. Mesurer la latence de l'instantanation de l'agent sur votre pile.
  4. Conçuez une migration: si vous exécutez CrewAI en Python, qu'est-ce qui se passe si vous déménagez à Agno ?
  5. Lisez le livre de Mastra ee/Quelles restrictions affecteraient une fourchette open source ?

Les termes clés

TermWhat people sayWhat 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

Pour en savoir plus

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.