Bring einen JamJet-Workflow in 60 Sekunden zum Laufen — kein Server, keine Konfiguration, nur Python.

Schnellstart

60-Sekunden-Start

Kein Server. Keine Konfiguration. Kein Pydantic. Einfach Python.

pip install jamjet


# agent.py

from jamjet import task, tool

@tool
async def web_search(query: str) -> str:
    """Durchsucht das Web nach aktuellen Informationen."""
    # hier deine eigene Such-Implementierung einbinden
    return f"Ergebnisse für: {query}"

@task(model="claude-sonnet-4-6", tools=[web_search])
async def research(question: str) -> str:
    """Du bist ein Recherche-Assistent. Suche zuerst, dann fasse klar zusammen."""

import asyncio
result = asyncio.run(research("Was ist JamJet?"))
print(result)

ANTHROPIC_API_KEY=sk-ant-... python agent.py

Das war's. Der @tool-Decorator macht jede Python-Funktion für den Agenten verfügbar. Der @task-Docstring wird zur Anweisung des Agenten. Funktioniert mit OpenAI, Anthropic, Ollama, Groq — jedem Modell.

tip: Ollama lokal verwenden? Kein API-Key nötig:

OPENAI_API_KEY=ollama OPENAI_BASE_URL=http://localhost:11434/v1 python agent.py

Ändere model= zu einem beliebigen Ollama-Modell (z. B. "llama3.2")

Was du bekommst

@tool — macht jede async Python-Funktion zu einem Agenten-Tool mit automatischer Schema-Generierung
@task — Docstring = Agenten-Anweisungen, Funktionssignatur = Eingabevertrag
Dauerhafte Ausführung — Absturz und Fortsetzung ab Unterbrechungspunkt (mit jamjet dev)
Durchgesetzte Limits — max_iterations, max_cost_usd, timeout_seconds sind First-Class-Parameter

Kein Boilerplate. Keine State-Klassen. Keine Dependency Injection.

note: Brauchst du vollständige Graph-Kontrolle — mehrstufige Pipelines, bedingte Weiterleitung, Human-in-the-Loop? Verwende die Workflow-API oder YAML-Workflows für komplexe Orchestrierung.

Beispiele ausprobieren

Vier eigenständige Beispiele im jamjet-benchmarks-Repo — jedes läuft lokal mit Ollama:

Beispiel	Was es zeigt
01 — Pipeline mit Timeline	Pro-Schritt-Ausführungs-Timeline, automatisch
02 — Bedingte Weiterleitung	Routing als einfache Python-Prädikate
03 — Eval-Harness	Integriertes Scoring, LLM-als-Richter
04 — Selbstevaluierender Workflow	Entwurf → Bewertung → Wiederholungs-Schleife

git clone https://github.com/jamjet-labs/jamjet-benchmarks
cd jamjet-benchmarks/examples/01_pipeline_with_timeline
pip install -r requirements.txt
OPENAI_API_KEY=ollama OPENAI_BASE_URL=http://localhost:11434/v1 MODEL_NAME=llama3.2 python main.py

Ein vollständiges Projekt aufsetzen

Verwende Templates, um ein umfassenderes Projekt zu starten:

jamjet init my-agent --template hello-agent
cd my-agent

Verfügbare Templates:

jamjet init my-agent --list-templates

# hello-agent           Minimaler Q&A-Workflow

# research-agent        Websuche + Synthese (Brave Search MCP)

# rag-assistant         RAG mit Dateisystem-MCP

# mcp-tool-consumer     Verbindung zu beliebigen MCP-Tool-Servern

# mcp-tool-provider     Python-Funktionen als MCP-Tools bereitstellen

# code-reviewer         GitHub-PR-Review mit Qualitätsbewertung

# hitl-approval         Human-in-the-Loop-Freigabe-Gate

# multi-agent-review    Writer + Critic Review Loop

# a2a-delegator         Aufgaben via A2A-Protokoll delegieren

# a2a-server            A2A-Anfragen von externen Agents bedienen

# approval-workflow     Dauerhafte Freigabe mit 24h-Timeout

Die Durable Runtime hinzufügen (Produktion)

Der In-Process-Executor (wf.run_sync) eignet sich gut für die Entwicklung. Für die Produktion — Crash-Recovery, Multi-Instanz-Scheduling, dauerhafter State — starte den Runtime-Server:

jamjet dev

▶ JamJet Dev Runtime
  Port:  7700
  Mode:  local (SQLite)
  API:   http://localhost:7700

Dann führe Workflows darüber aus:

jamjet run workflow.yaml --input '{"query": "Was ist JamJet?"}'

✓ node_completed   think   gpt-4o-mini  512ms
✓ Ausführung abgeschlossen.

Absturz während der Ausführung? Setze exakt an der Stelle fort, an der es gestoppt hat — keine erneute Ausführung früherer Schritte, keine verschwendeten API-Calls.

API-Key setzen

OpenAI

export OPENAI_API_KEY=sk-...

Anthropic

export ANTHROPIC_API_KEY=sk-ant-...

Ollama (kostenlos, lokal)

export OPENAI_API_KEY=ollama
export OPENAI_BASE_URL=http://localhost:11434/v1

# ollama pull llama3.2

Groq

export OPENAI_API_KEY=gsk_...
export OPENAI_BASE_URL=https://api.groq.com/openai/v1

Nächste Schritte

Kernkonzepte — Agenten, Nodes, State und Persistenz
Python SDK — Decorators, Routing, parallele Schritte
Workflow-Entwicklung — alle Node-Typen, Retry-Policies, Bedingungen
MCP-Integration — Verbindung zu externen Tool-Servern in einer Zeile
Eval Harness — Teste deine Agenten wie Software

Fehlerbehebung

jamjet nach Installation nicht gefunden? Stelle sicher, dass dein Python-Skriptverzeichnis in deinem PATH ist. Versuche python -m jamjet.

Connection refused an Port 7700? jamjet dev muss laufen, bevor du jamjet run verwendest. Der In-Process-Pfad wf.run_sync() benötigt keinen Server.

Brauchst du Hilfe? Eröffne eine GitHub Discussion oder erstelle ein Issue.

Schnellstart

On this page