Phase 14: Agent Engineering

Tempo de execução do agente de produção Instalação rápida e fluxos de trabalho tipografados

Type: Learn

Languages: Python, TypeScript

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

Time: ~45 minutes

Objetivos de aprendizagem

• Identificar os objetivos de desempenho do Agno e quando são importantes.
• Nomear os três primitivos de Mastra Agentes, Ferramentas, Fluxos de Trabalho e os adaptadores de servidor suportados.
• Explique por que um backend FastAPI sem estatuto é o caminho recomendado para a produção Agno.
• Escolha Agno vs Mastra para uma determinada pilha (Python-primeiro vs TypeScript-primeiro).

O problema

LangGraph, AutoGen, CrewAI são pesados em estrutura. As equipes que querem "apenas o loop do agente, rápido, no meu tempo de execução" alcançam Agno (Python) ou Mastra (TypeScript). Ambos trocam alguns dos primitivos de propriedade do framework por velocidade bruta e um ajuste mais próximo à pilha circundante.

O conceito

Agno

• Tempo de execução do Python, anteriormente Phi-data.
• "Não há gráficos, cadeias ou padrões complicados, apenas Python puro".
• Objectivos de desempenho de seus documentos: ~ 2μs instantiation agente, ~ 3,75 KiB de memória por agente, ~ 23 fornecedores de modelos.
• Percurso de produção: backend FastAPI sem estado de sessão. Cada solicitação inicia um novo agente; estado de sessão vive em um DB.
• Multimodal nativo (texto, imagem, áudio, vídeo, arquivo) e RAG agente.

Os objetivos de velocidade importam quando você tem milhares de agentes de curta duração por segundo (fantasma de bate-papo, pipelines de avaliação), mas não importam quando um agente corre por 10 minutos.

Mastra

• TypeScript, construído no SDK Vercel AI.
• Três primitivos:Agents- Não .Tools(Típico de zona), Workflows- Não .
• Roteador Modelo Unificado 3.300+ modelos em 94 provedores (março 2026).
• Armazenamento composto: memória, fluxos de trabalho, observabilidade para diferentes backends; ClickHouse recomendado para observabilidade em escala.
• Apache 2.0 com ee/Directórios sob licença empresarial disponível na fonte.
• Adaptadores de servidor para Express, Hono, Fastify, Koa; integração Next.js e Astro de primeira classe.
• Navio Mastra Studio (host local:4111) para depuração.
• 22k+ estrelas do GitHub, 300k+ downloads semanais em 1.0 (Jan 2026).

Posicionamento

Nem sequer tentam ser LangGraph.

• Language fit.Agno para as equipes Python-primeira; Mastra para TypeScript-primeira.
• Runtime ergonomics.Agno = quase zero despesas gerais; Mastra = integrado com o ecossistema Vercel.
• Observability.Ambos se integram com Langfuse/Phoenix/Opik (Lessão 24) mas o Mastra Studio é de primeira parte.

Quando escolher cada um

• AgnoPython backend, muitos agentes de curta duração, fortes requisitos de perf, FastAPI loja.
• Mastra Backend TypeScript, Next.js / Vercel deployment, roteamento unificado de modelos multi-provedor, ferramentas Zod-typed.
• LangGraph(Lessão 13) quando o estado durável e o raciocínio gráfico explícito importam mais do que a velocidade bruta.
• OpenAI / Claude Agent SDK quando se quer a forma produtizada do fornecedor (Lessões 1617).

Onde este padrão vai mal

• Perf-for-perf's-sake.A escolha do Agno porque "2μs" soa bem quando a carga de trabalho é uma chamada lenta por pedido.
• Ecosystem lock-in.A integração com sabor a Vercel de Mastra é um mais em Vercel, um menos em outros lugares.
• Enterprise license confusion.O Mastra ee/Os diretórios estão disponíveis em fonte, não no Apache 2.0.

Construí-lo

Esta lição é principalmente comparativa nenhum artefato de código único faria justiça para ambos os quadros. Veja code/main.pyPara um brinquedo lado a lado: um mínimo de "exercer um agente, fluir a saída, persistir sessão" fluxo implementado duas vezes (uma vez em forma de Agno, uma vez em forma de Mastra).

• É o que é ?

Copypython3 code/main.py

Duas traças estruturalmente diferentes, mas funcionalmente equivalentes.

Usá-lo

• Agno Python backend que precisa de velocidade e forma FastAPI.
• Mastra Backend do TypeScript com muitos provedores e primitivos de fluxo de trabalho.
• Ambos os ganchos de observação de primeira parte da nave, ambos integrados com o Langfuse.

Envia-o

outputs/skill-runtime-picker.mdescolhe Agno, Mastra, LangGraph ou um SDK do provedor com base na pilha, no orçamento de latência e na forma operacional.

Exercícios

1. Leia os documentos do Agno, transporte o loop do STDlib ReAct para Agno.
2. Leia os documentos de Mastra. Portar o mesmo ciclo para Mastra. O que mudou na digitação de ferramentas (Zod vs nada)?
3. Método de referência: medir a latência de instanciamento do agente na sua pilha.
4. Desenhar uma migração: se você está executando CrewAI em Python, o que se rompe se você se mudar para Agno?
5. Leia o Mastra ee/Que restrições afetariam um fork de código aberto?

Termos-chave

Mais leitura

• Agno Agent Framework docs Objectivos de desempenho, integração da FastAPI
• Mastra docs primitivos, adaptadores de servidores, Router Modelo
• LangGraph overview a alternativa de grafico estadual
• Comet Opik comparações de observabilidade citadas pelas integrações de Mastra

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.