实测 16 个 Python Agent 包的依赖开销
作者在独立的 Python 3.13 虚拟环境中测试了 14 个 Agent 框架的 16 个包,比较安装体积、依赖数量和首次导入耗时。微软 Agent Framework 完整包占 912.4 MB、安装 207 个发行包,同版本核心包仅占 18.2 MB、安装 11 个发行包,两者均可导入 Agent 类。
AI 深度解读
同一个 from agent_framework import Agent,在作者的测试里可以来自一个 18.2 MB 的 Python 环境,也可以来自一个 912.4 MB 的环境。两个包出自 Microsoft 同一仓库的同一个版本,体积差了约 50 倍,导入却只差 20 毫秒。
作者把 14 个 AI Agent 框架的 16 个 PyPI 包装进独立环境,分别测了磁盘占用、依赖数量和导入时间。对维护容器、Serverless 函数或 CI 的前端和全栈开发者,这组数据最值得看的是两件事:你为哪些功能付了安装成本,你的入口又真的加载了什么。
这组数字量的是已安装体积和新进程导入
作者在 2026 年 11 月 20 日,用一台 x86_64 Linux 云主机做了测试。机器有 8 vCPU,运行 Python 3.13.5 和 uv 0.13.8。每个包先用 uv venv -p python3.13 建一个全新的虚拟环境,再执行 uv pip install <package>,解析当天 PyPI 上的最新版本,不带任何可选依赖组(extras),例如 crewai[tools]。
安装完成后,作者删掉所有 __pycache__,用 du -sb 测 site-packages,再用 uv pip list 统计已安装的 Python 发行包。发行包是安装工具看到的依赖单位。一个发行包在运行时可能加载许多模块,所以作者另外用 len(sys.modules) 记录导入完成后的模块数。计时用 python -c "<import the main agent class>",先跑一次生成字节码,再跑 9 次取耗时中位数。每次都会启动新的 Python 进程,计时包含进程启动。
在这个口径下,最小的是 AG2,16.6 MB,最大的是 Microsoft agent-framework,912.4 MB,相差约 55 倍。数据对应 Linux 上的已安装文件。macOS 和 Windows 的 wheel 可能不同,最终容器镜像还要看基础镜像和构建方式。作者也提到,共享云主机上的导入计时会波动几十毫秒,改用 pip 安装时,虚拟环境还会多出 pip 自身。
Microsoft 的 912.4 MB 从哪里来?
agent-framework 1.26.0 是一个元包,自己只声明了一项依赖,agent-framework-core[all]==1.26.0。这里的 [all] 会装上 29 个 agent-framework-* 集成包,覆盖 Anthropic、Bedrock、Gemini、Mistral、Ollama、Redis、Cosmos DB、Foundry、Copilot Studio、Purview 和 DevUI 等。应用即使只接一个模型服务,安装时也会把这些集成带上。
其中,Claude 连接器依赖 claude-agent-sdk,这次装到的是 0.2.186。它的 _bundled/ 目录含有一个 claude 可执行文件,版本文件标的是 Claude Code 2.1.329。这个目录占 378.1 MB,约为整个环境的 41%。接下来体积较大的还有 onnxruntime、python_guest、foundry_local_sdk、numpy 和 botocore。
换装同版本的 agent-framework-core,发行包数从 207 降到 11,体积从 912.4 MB 降到 18.2 MB。两边都能执行 from agent_framework import Agent,导入分别为 0.180 秒和 0.160 秒,模块数都在 322 以内。元包采用延迟加载,导入 Agent 时只会载入当下需要的代码,因此磁盘上多出的大量集成几乎没有反映在这条导入语句的耗时里。用 core 再按需加 agent-framework-<provider>,实际体积还要把所选连接器算进去。
CrewAI 为什么导入就要 1.7 秒?
crewai 1.15.44 排在体积榜第二,安装后占 604.7 MB。它把 lancedb 和 qdrant-client 列为必装依赖,LanceDB 又依赖 pyarrow。两个向量存储相关的包里,仅 lancedb 的 189.9 MB 和 pyarrow 的 171.2 MB,加起来就有 361.1 MB,约占整个环境的 60%。即使任务用不到 Agent 的记忆或知识检索,这部分文件也会进环境。
执行 from crewai import Agent, Crew 时,作者测到进程已加载 2,135 个模块,耗时中位数为 1.731 秒,两项都是这次测试的最高值。导入耗时排在后面的是 OpenAI Agents SDK 的 1.083 秒和 LlamaIndex 的 0.934 秒。OpenAI Agents SDK 只有 49.6 MB,按体积排第 10,却在导入时加载了 1,358 个模块。最大包 agent-framework 的导入只花了 0.180 秒。
这个对照把两笔成本拆开了。安装体积取决于依赖解析后有哪些文件落盘,导入时间取决于进程启动后实际执行了多少加载工作。长驻的 Python worker 可以把导入摊到后续请求上,按任务新建进程的 worker 则会反复支付这笔开销。
精简包能省多少,下载量能说明什么?
另一组可直接比较的是 pydantic-ai 和 pydantic-ai-slim。精简包把发行包数从 96 降到 17,体积从 127.9 MB 降到 23.8 MB,约缩到原来的 1/5.4,导入也从 0.735 秒降到 0.499 秒。完整版会拉入 OpenAI、Anthropic 和 Google GenAI 的 SDK,以及 OpenTelemetry、tiktoken 和 MCP。精简包保留原导入语句,已经确定只接 OpenAI 时,可以选 pydantic-ai-slim[openai]。
作者也查了 2026 年 11 月 13 日至 19 日的 PyPI 下载记录。pydantic-ai-slim 有 9,010,191 次,完整版有 1,577,815 次。完整版依赖 slim,每次全量安装也会贡献一次 slim 下载。再加上 CI 重复安装,这组数只能说明文件被请求了多少次,无法推算有多少团队主动选择精简包。
11 月 5 日的 GitHub 快照则覆盖 19 个仓库。CrewAI 有 60,514 颗星,Pydantic AI 有 21,032 颗星。选型时,星标可以作为社区关注度的参考,体积和导入仍需单独测。快照中有 14 个仓库在此前 30 天发过版本,依赖数据也该跟着升级重新量。
我的判断
我认同作者把安装成本放到能力筛选之后。需要检查点和恢复能力的图工作流、按角色组织的多 Agent 协作、简单的 Agent 交接,解决的是不同问题。MCP 或 A2A 如果是接入要求,也要先确认支持情况。候选能覆盖同一条业务流程之后,再比较构建产物和启动速度,才容易做取舍。
同仓库、同版本、同一条导入语句,足以说明 Microsoft 全量包为未使用的集成付出了明显的磁盘成本。不过,18.2 MB 是裸 core 的起点,作者没测加齐业务连接器后的差距。测试也没有给出 Lambda 或 Cloud Run 的端到端对照数据。对于作者举例的一天启动 10,000 次的函数,导入耗时值得单测,实际请求还会受镜像拉取、运行时初始化和应用初始化影响。全量包适合快速试多种集成,固定供应商的部署更适合按需装包。这是依据依赖结构做的工程取舍,生产收益需要用自己的构建和入口来验证。
能拿来做什么
- 如果 Node 服务旁边跑着 Python Agent worker,先按实际调用的 provider 选
agent-framework-core加对应连接器,或者选带所需 extra 的pydantic-ai-slim。构建后用真实配置跑一次模型调用和工具调用,确认依赖已经装齐。 - 在 CI 的目标镜像里,用
du -sh $(python -c "import site; print(site.getsitepackages()[0])")查看依赖目录体积,再用字节数和项目的基线做自动比较。想让一次多装 300 MB 的升级直接失败,需要另加阈值判断。依赖审查也可顺手看uv pip list和最大的几个目录,内置二进制往往在目录体积里更显眼。 - 对每个任务都要拉起新进程的 worker,先给真实入口计时,再用
python -X importtime -c "..."定位导入链。把...换成生产入口执行的导入语句,最后在部署环境里测一次完整冷启动。