基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-20 21:53

实测 16 个 Python Agent 包的依赖开销

dev.to · AI#Python#Agent#依赖管理
Editor brief · 编辑速览

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。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

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。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
两万多次调用归纳出 12 类 MCP 故障
下一篇
给 MCP 工具加上人工审批

资讯速览

dev.to · AI · 2026-11-20 21:53

AI 评分 8.0 / 10

相关标签

#Python#Agent#依赖管理

继续阅读

  • 修图智能体通过质检仍可能漏改
  • 两万多次调用归纳出 12 类 MCP 故障
  • 给 MCP 工具加上人工审批
  • AutoClip 开源长视频剪辑,支持 CLI 与 MCP
  • Gemini API 支持按需加载工具参数