在 60 秒内运行 JamJet 工作流 — 无需服务器、无需配置，只需 Python。

快速开始

60 秒启动

无需服务器。无需配置。无需 Pydantic。只需 Python。

pip install jamjet


# agent.py

from jamjet import task, tool

@tool
async def web_search(query: str) -> str:
    """搜索网络获取最新信息。"""
    # 接入你的实际搜索实现
    return f"搜索结果:{query}"

@task(model="claude-sonnet-4-6", tools=[web_search])
async def research(question: str) -> str:
    """你是一个研究助手。先搜索,然后清晰总结。"""

import asyncio
result = asyncio.run(research("什么是 JamJet?"))
print(result)

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

就是这样。@tool 装饰器将任何 Python 函数暴露给代理。@task 的文档字符串成为代理的指令。支持 OpenAI、Anthropic、Ollama、Groq — 任何模型。

提示: 本地使用 Ollama?无需 API 密钥:

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

将 model= 改为任何 Ollama 模型(例如 "llama3.2")。

你获得的能力

@tool — 将任何异步 Python 函数转换为代理工具,自动生成 schema
@task — 文档字符串 = 代理指令,函数签名 = 输入约定
持久执行 — 崩溃后从停止处恢复(使用 jamjet dev)
强制限制 — max_iterations、max_cost_usd、timeout_seconds 是一等参数

无样板代码。无状态类。无依赖注入。

注意: 需要完整的图控制 — 多步骤流水线、条件路由、人工介入? 使用 Workflow API 或 YAML workflows 进行复杂编排。

试试这些示例

jamjet-benchmarks 仓库中有四个独立示例 — 每个都可以用 Ollama 本地运行:

示例	展示内容
01 — 带时间线的流水线	每步执行时间线,自动生成
02 — 条件路由	用纯 Python 谓词实现路由
03 — 评估框架	内置评分,LLM 作为评判者
04 — 自我评估工作流	草稿 → 评判 → 重试循环

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

搭建完整项目

使用模板快速启动一个更完整的项目：

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

可用模板：

jamjet init my-agent --list-templates

# hello-agent           极简问答工作流

# research-agent        网页搜索 + 综合分析（Brave Search MCP）

# rag-assistant         基于文件系统 MCP 的 RAG

# mcp-tool-consumer     连接任意 MCP 工具服务器

# mcp-tool-provider     将 Python 函数暴露为 MCP 工具

# code-reviewer         GitHub PR 审查与质量评分

# hitl-approval         人工审批卡点

# multi-agent-review    写手 + 评审循环

# a2a-delegator         通过 A2A 协议委派任务

# a2a-server            响应外部代理的 A2A 请求

# approval-workflow     带 24 小时超时的持久审批

添加持久化运行时（生产环境）

进程内执行器（wf.run_sync）非常适合开发。对于生产环境——崩溃恢复、多实例调度、持久化状态——启动运行时服务器：

jamjet dev

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

然后通过它运行工作流：

jamjet run workflow.yaml --input '{"query": "What is JamJet?"}'

✓ node_completed   think   gpt-4o-mini  512ms
✓ Execution completed.

执行中途崩溃？从中断处精确恢复——不会重跑早期步骤，不会浪费 API 调用。

设置 API 密钥

OpenAI

export OPENAI_API_KEY=sk-...

Anthropic

export ANTHROPIC_API_KEY=sk-ant-...

Ollama（免费，本地）

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

下一步

核心概念 — agents、节点、状态和持久性
Python SDK — 装饰器、路由、并行步骤
工作流编写 — 所有节点类型、重试策略、条件
MCP 集成 — 一行代码连接外部工具服务器
评估工具 — 像测试软件一样测试你的 agents

故障排除

安装后找不到 jamjet？ 确保你的 Python 脚本目录在 PATH 中。尝试使用 python -m jamjet。

端口 7700 连接被拒绝？ 在使用 jamjet run 之前必须先运行 jamjet dev。进程内的 wf.run_sync() 路径不需要服务器。

需要帮助？ 在 GitHub Discussion 中提问或提交 issue。

快速开始

On this page