Среда выполнения для агентов — надежная, компонуемая, созданная для продакшена.

jamjet MCP server PyPI License Rust Python Java Docs Discord

jamjet.dev · Быстрый старт · Концепции · API Reference · Примеры · Блог · Discord

Open in GitHub Codespaces Open in Gitpod

jamjet MCP server

JamJet demo

JamJet — это ориентированная на производительность среда выполнения для AI-агентов. Это не просто очередная обертка над промптами или легкий SDK — это оркестрационная платформа промышленного уровня для агентов, которые должны работать, а не просто демонстрироваться.

Ядро среды выполнения написано на Rust + Tokio для планирования, управления состоянием и параллелизма. Интерфейс разработки — Python, Java, Go (планируется) или YAML. Все они компилируются в один и тот же IR-граф и работают на одном движке.

Почему JamJet?

Проблема	Ответ JamJet
Агенты теряют состояние при сбое	Надежное выполнение графа — event-sourcing, возобновление после сбоя
Нет возможности приостановить для одобрения человеком	Human-in-the-loop как примитив рабочего процесса первого класса
Агенты изолированы в своих фреймворках	Native MCP + A2A — взаимодействие с любым агентом, любым фреймворком
Медленная оркестрация на Python при масштабировании	Ядро на Rust — отсутствие GIL, реальный асинхронный параллелизм
Слабая наблюдаемость, нет возможности повтора	Полная временная шкала событий, трассировки OTel GenAI, повтор с любой контрольной точки
Нет стандартной идентификации агента	Agent Cards — каждый агент адресуем и обнаруживаем
Жестко закодированная маршрутизация агентов	Узел координатора — динамическая маршрутизация со структурированной оценкой + LLM-тайбрейкер
Нельзя использовать агентов как инструменты	Agent-as-Tool — оберните любого агента как вызываемый инструмент (синхронный, потоковый, диалоговый)
Нет управления или ограничений	Движок политик — блокировка инструментов, одобрения, принудительное соблюдение автономии, журнал аудита
Агенты с неконтролируемым доступом	Делегирование OAuth — обмен токенами RFC 8693, сужение областей действия, ограничение на каждом шаге
Утечка PII в логи	Управление данными — маскирование/хеширование/удаление PII, политики хранения, автоочистка
Нет изоляции арендаторов	Мультиарендность — секционирование на уровне строк, состояние с привязкой к арендатору, изолированные журналы аудита
Привязка к одному языку	Полиглотные SDK — Python, Java (JDK 21), Go (планируется), YAML — один IR, одна среда выполнения
Нельзя запустить без сервера	Внутрипроцессное выполнение — `pip install jamjet` и сразу запускайте

Быстрый старт

Требования: Python 3.11+

Самый быстрый путь — чистый Python, без сервера

pip install jamjet

from jamjet import task, tool

@tool
async def web_search(query: str) -> str:
    return f"Search results for: {query}"

@task(model="claude-haiku-4-5-20251001", tools=[web_search])
async def research(question: str) -> str:
    """You are a research assistant. Search first, then summarize clearly."""

result = await research("What is JamJet?")
print(result)

Без сервера. Без конфигурации. Без YAML. Просто pip install и запуск.

Полный путь среды выполнения — надежное выполнение

pip install jamjet
jamjet init my-first-agent
cd my-first-agent
jamjet dev

В другом терминале:

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

→ Полное руководство по быстрому старту

Hello World

YAML

# workflow.yaml
workflow:
  id: hello-agent
  version: 0.1.0
  state_schema:
    query: str
    answer: str
  start: think

nodes:
  think:
    type: model
    model: claude-haiku-4-5-20251001
    prompt: "Answer clearly and concisely: {{ state.query }}"
    output_key: answer
    next: end

  end:
    type: end

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

Python — `@task` (простейший)

from jamjet import task, tool

@tool
async def web_search(query: str) -> str:
    return f"Search results for: {query}"

@task(model="claude-haiku-4-5-20251001", tools=[web_search])
async def research(question: str) -> str:
    """You are a research assistant. Search first, then summarize clearly."""

result = await research("What is JamJet?")

Docstring становится инструкцией. Сигнатура функции — контрактом. Это всё.

Python — `Agent`

from jamjet import Agent, tool

@tool
async def web_search(query: str) -> str:
    return f"Search results for: {query}"

agent = Agent(
    "researcher",
    model="claude-haiku-4-5-20251001",
    tools=[web_search],
    instructions="You are a research assistant. Search first, then summarize.",
)

result = await agent.run("What is JamJet?")
print(result)

Python — `Workflow` (полный контроль)

from jamjet import Workflow, tool
from pydantic import BaseModel

@tool
async def web_search(query: str) -> str:
    return f"Search results for: {query}"

workflow = Workflow("research")

@workflow.state
class State(BaseModel):
    query: str
    answer: str | None = None

@workflow.step
async def search(state: State) -> State:
    result = await web_search(query=state.query)
    return state.model_copy(update={"answer": result})

Все три уровня компилируются в один и тот же IR и работают на одной и той же надежной среде выполнения Rust.

Производительность

Компиляция IR в JamJet в 88 раз быстрее, чем компиляция графа в LangGraph:

Операция	JamJet	LangGraph
Компиляция / построение графа	~0.006 мс	~0.529 мс
Внутрипроцессный вызов	~0.015 мс	~1.458 мс

Измерено на Python 3.11, рабочие процессы с одним инструментом. JamJet компилирует легкий IR-словарь; LangGraph строит граф NetworkX.

Вызов инструмента MCP

nodes:
  search:
    type: tool
    server: brave-search        # configured in jamjet.toml
    tool: web_search
    arguments:
      query: "{{ state.query }}"
      count: 10
    output_key: results
    next: summarize

Делегирование A2A

nodes:
  delegate:
    type: a2a_task
    agent_url: "https://agents.example.com/research-agent"
    input:
      query: "{{ state.query }}"
    output_key: research
    next: end

Оценка с самосовершенствованием

nodes:
  check:
    type: eval
    scorers:
      - type: llm_judge
        rubric: "Is the answer accurate and complete?"
        min_score: 4
    on_fail: retry_with_feedback   # injects feedback into next model call
    max_retries: 2
    next: end

Координатор — динамическая маршрутизация агентов

from jamjet.coordinator import DefaultCoordinatorStrategy

strategy = DefaultCoordinatorStrategy(registry=my_registry)

# Discover agents by skill, score them, route to the best fit
candidates, _ = await strategy.discover(
    task="Analyze quarterly revenue data",
    required_skills=["data-analysis", "finance"],
    trust_domain="internal",
)
rankings, spread = await strategy.score(task, candidates, weights={})
decision = await strategy.decide(task, rankings, threshold=0.1)
# decision.selected_uri → "jamjet://org/finance-analyst"

Agent-as-Tool — обертывание агентов как вызываемых инструментов

from jamjet.agent_tool import agent_tool

# Sync: quick, stateless
classifier = agent_tool(agent="jamjet://org/classifier", mode="sync",
                        description="Classifies documents by topic")

# Streaming: long-running with early termination on budget
researcher = agent_tool(agent="jamjet://org/researcher", mode="streaming",
                        description="Deep research with progress", budget={"max_cost_usd": 2.00})

# Conversational: multi-turn iterative refinement
reviewer = agent_tool(agent="jamjet://org/reviewer", mode="conversational",
                      description="Peer review with feedback", max_turns=5)

Автомаршрутизация — компилятор автоматически вставляет координатор

from jamjet.workflow.graph import WorkflowGraph

graph = WorkflowGraph("pipeline")
graph.add_agent_tool("process", agent="auto", mode="sync", output_key="result")
# ↑ "auto" expands at compile time into: Coordinator → AgentTool
ir = graph.compile()
# IR now has 2 nodes: _coordinator_process → process

Агентские паттерны проектирования

JamJet поддерживает шесть основных паттернов мультиагентной оркестрации. Вот когда использовать каждый из них:

Паттерн	Примитив JamJet	Когда использовать	Пример
Одиночный агент	`Agent` с `@task`	Простые прототипы, узкоспециализированные задачи	Чат-бот, классификатор
Последовательный конвейер	`WorkflowGraph` с ребрами	Упорядоченные шаги, где каждый зависит от предыдущего	ETL, обработка документов
Параллельное разветвление	`ParallelNode`	Независимые задачи, которые могут выполняться одновременно	Исследование из нескольких источников, пакетная классификация
Цикл и критик	`LoopNode` + `EvalNode`	Задачи, критичные к качеству, требующие итеративного уточнения	Проверка кода, генерация контента
Координатор (динамическая маршрутизация)	`CoordinatorNode`	Маршрутизация к лучшему агенту во время выполнения на основе возможностей, стоимости, задержки	Маршрутизация тикетов поддержки, делегирование задач
Agent-as-Tool	обертка `agent_tool()`	Одному агенту нужно вызвать другого как функцию	Оркестратор, вызывающий специалистов

Выбор правильного паттерна

Is it a single task?
  → Single Agent

Does order matter?
  → Sequential Pipeline

Can tasks run independently?
  → Parallel Fan-Out

Does output need quality checks?
  → Loop & Critic

Do you need to pick the best agent at runtime?
  → Coordinator

Does one agent need to invoke another?
  → Agent-as-Tool

Координатор против статической маршрутизации

	Статическая (`ConditionalNode`)	Динамическая (`CoordinatorNode`)
Кандидаты	Объявлены в YAML	Обнаружены в реестре во время выполнения
Выбор	Правила на основе выражений	Структурированная оценка + опциональный LLM-тайбрейкер
При изменении агентов	Переразвертывание рабочего процесса	Автоматически — новые агенты обнаруживаются
Наблюдаемость	Записывается выбранная ветка	Полная разбивка оценок + обоснование в журнале событий
Лучше всего для	Фиксированных, известных маршрутов	Динамических сред, мультиарендности, исследований

Сравнение JamJet

По состоянию на март 2026 года. Все фреймворки развиваются — проверяйте их документацию для получения актуальной информации.

Возможность	JamJet	Google ADK	LangChain	AutoGen	CrewAI
Простая настройка агента	✅ 3 строки (`@task`)	✅ 5 строк	6+ строк	10+ строк	8+ строк
Внутрипроцессное выполнение	✅ `pip install` + запуск	✅ нативно	✅ нативно	✅ нативно	✅ нативно
Надежное выполнение	✅ event-sourced, устойчиво к сбоям	❌ эфемерно	❌ эфемерно	❌ эфемерно	❌ эфемерно
Динамическая маршрутизация	✅ Координатор с оценкой + LLM	✅ `transfer_to_agent()`	❌	❌	❌
Agent-as-Tool	✅ синхр, поток, диалог	✅ `AgentTool` (только синхр)	❌	❌	❌
Human-in-the-loop	✅ примитив первого класса	🟡 колбэки	🟡 колбэки	🟡 диалоговый	🟡 ручной
Поддержка MCP	✅ клиент + сервер	✅ клиент + сервер	🟡 только клиент	🟡 только клиент	🟡 только клиент
Протокол A2A	✅ клиент + сервер	🟡 только клиент	❌	❌	❌
Встроенная оценка	✅ LLM-судья, утверждения, стоимость	✅ 8 встроенных критериев	❌	❌	❌
Встроенная наблюдаемость	✅ OTel GenAI, повтор событий	✅ Cloud Trace	🟡 LangSmith (внешний)	❌	❌
Идентификация агента	✅ Agent Cards, A2A discovery	✅ Agent Cards	❌	❌	❌
Политики и управление	✅ движок политик, журнал аудита	🟡 плагин Model Armor	❌	❌	❌
Изоляция арендаторов	✅ секционирование на уровне строк	❌	❌	❌	❌
Маскирование PII	✅ маска/хеш/удаление, хранение	🟡 плагин	❌	❌	❌
Независимость от моделей	✅ любой провайдер	🟡 Gemini-first (LiteLLM)	✅ любой	✅ любой	✅ любой
Прогрессивная сложность	✅ `@task` → `Agent` → `Workflow`	🟡 код или YAML	❌ один API	❌	❌
Управляемое развертывание	📋 Планируется	✅ Vertex AI Agent Engine	❌	❌	❌
Язык среды выполнения	Rust + Python/Java/Go	Python/TS/Go/Java	Python	Python	Python
Лучше всего для	Продакшен мультиагентных систем	Google Cloud AI agents	Быстрого прототипирования	Диалоговых агентов	Ролевых команд

Память — Engram

JamJet поставляется с Engram, надежным слоем памяти для агентов — темпоральный граф знаний, гибридный поиск, движок консолидации, работающий на базе одного файла SQLite. Engram работает как встроенная библиотека Rust или как автономный MCP/REST-сервер и доступен из Python, Java и Spring Boot.

Агностик к провайдеру. Тот же бинарный файл Engram общается с Ollama (локально, бесплатно), любым OpenAI-совместимым эндпоинтом (OpenAI, Azure, Groq, Together, Mistral, DeepSeek, Perplexity, OpenRouter, vLLM, LM Studio, …), Anthropic Claude, Google Gemini или command shell-out для всего остального — выберите один с помощью ENGRAM_LLM_PROVIDER=…, без перекомпиляции.

Форма	Пакет	Когда использовать
Библиотека Rust	`jamjet-engram` (crates.io)	Встраивание памяти напрямую в приложение Rust
Автономный бинарный файл	`jamjet-engram-server` (crates.io), `ghcr.io/jamjet-labs/engram-server` (Docker), Официальный реестр MCP	MCP-клиенты (Claude Desktop, Cursor), REST-клиенты, настройки без кода
Python-клиент	`jamjet` (PyPI)	Python-агенты, общающиеся с `engram-server` через REST
Java-клиент	`dev.jamjet:jamjet-sdk` (Maven Central)	JVM-агенты, общающиеся с `engram-server` через REST
Spring Boot starter	`dev.jamjet:eng

JamJet

Почему JamJet?

Быстрый старт

Самый быстрый путь — чистый Python, без сервера

Полный путь среды выполнения — надежное выполнение

Hello World

YAML

Python — `@task` (простейший)

Python — `Agent`

Python — `Workflow` (полный контроль)

Производительность

Вызов инструмента MCP

Делегирование A2A

Оценка с самосовершенствованием

Координатор — динамическая маршрутизация агентов

Agent-as-Tool — обертывание агентов как вызываемых инструментов

Автомаршрутизация — компилятор автоматически вставляет координатор

Агентские паттерны проектирования

Выбор правильного паттерна

Координатор против статической маршрутизации

Сравнение JamJet

Память — Engram

Resources

Tools

Latest Blog Posts

MCP directory API

Почему JamJet?

Быстрый старт

Самый быстрый путь — чистый Python, без сервера

Полный путь среды выполнения — надежное выполнение

Hello World

YAML

Python — @task (простейший)

Python — Agent

Python — Workflow (полный контроль)

Производительность

Вызов инструмента MCP

Делегирование A2A

Оценка с самосовершенствованием

Координатор — динамическая маршрутизация агентов

Agent-as-Tool — обертывание агентов как вызываемых инструментов

Автомаршрутизация — компилятор автоматически вставляет координатор

Агентские паттерны проектирования

Выбор правильного паттерна

Координатор против статической маршрутизации

Сравнение JamJet

Память — Engram

Resources

Tools

Latest Blog Posts

MCP directory API

Python — `@task` (простейший)

Python — `Agent`

Python — `Workflow` (полный контроль)