聊 Agent 平台的时候，我有个判断标准：谁在吹「一站式」，谁的产品线反而最乱。
Dify 塞了工作流、知识库、模型管理、插件市场；n8n 塞了 400 多个集成；Zapier 一边推 Agent 一边把 API 平台单独拆出来卖。功能都堆得很满，但你真上线跑一周就会发现，Agent 任务和普通数据任务根本不是一回事。
前者会自己决定下一步调哪个工具、在那儿卡住重试、写到一半失败要回滚；后者老老实实按 DAG 跑完就完。这两种负载塞进同一个引擎里，怎么搞都是拧巴。
Prefect 最近干的事，正好印证了这个判断——它没继续往上加功能，而是往下补了一层，然后把同层最强的对手买下来了。
Prefect 是什么
一句话：Prefect 是用纯 Python 写的持久化工作流引擎。
关键在「持久化」三个字。传统 Airflow 是静态 DAG，你得在代码里写死任务依赖；Prefect 你直接写普通 Python 函数，加个装饰器就是一次可观测、可重试、可缓存、可回填的任务：
from prefect import flow, task
@task(retries=3, retry_delay_seconds=10)
def fetch_orders(day: str):
return db.query("select * from orders where day = ?", day)
@flow(log_prints=True)
def daily_etl(day: str):
fetch_orders(day)
就这几行。没有 DAG 声明文件，任务图是运行时动态生成的——这也是它比 Airflow 轻的原因之一。
我拉了 2026 年 10 月 5 日的实际数据：
- GitHub 23,966 星，Apache-2.0，2018 年 6 月建仓，最后一次推送是 10 月 3 日，还在活跃开发
- PyPI 月下载 684 万，日均 15.4 万
- 母公司 Prefect 上一整年财报是盈利的
这个下载量在编排类工具里不算炸裂，但考虑到它只是「AI Agent 的地基」而不是门面项目，这个数字挺合理。
2026 年 7 月：它把 Dagster 买了
这是今年编排圈最大的新闻之一。
2026 年 7 月 13 日，Prefect 创始人兼 CEO Jeremiah Lowin 发了公开信，宣布收购 Dagster Labs。两个项目都在 2018 年成立，是同一条赛道上缠了八年的对手——Dagster 走「声明你该有哪些数据资产」，Prefect 走「让执行本身动态且持久」。
收购后 Dagster 保持独立品牌、保持开源协议、部分团队并入 Prefect。CEO 在信里给了个我觉得挺诚实的定位：
Dagster 定义产出，Prefect 执行工作，FastMCP 管访问。
加上 FastMCP（2.7 万星，PyPI 月下载 5310 万），Prefect 手里现在是三个独立产品线，对应 Agent 平台的三件事：产出是什么、工作怎么跑、能碰什么。
上手：十分钟把它跑起来
前置条件就一个：Python 3.10+。
pip install prefect
prefect server start # 起本地 UI，默认 4200 端口
然后把上面那段 @flow / @task 代码存成 demo.py，直接 python demo.py 跑。跑完打开 UI，你会看到这次 flow 的每个 task、耗时、重试次数、缓存命中，全是自动记的。
想接定时任务，加个部署就行：
prefect deploy demo.py:daily_etl -n daily-etl
我的实操建议就两条：
第一，先自托管，别急着上 Cloud。 prefect server start 本地就能跑，SQLite 后端零配置。等你真需要多节点调度和团队权限再迁 Cloud，代码一行不用改——官方明确说 Cloud 和自托管共用同一个核心引擎。
第二，如果你的 Agent 要跑超过几分钟，别用普通 task。 Prefect 有专门的 background task 类型，支持流式返回和持久化轮询。这也是它和普通编排框架的分水岭：FastAPI 里 async def 进程一重启就没了，Prefect 里的任务有状态可以恢复。
说点实话
一、它是基础设施，不是 Agent 框架。
这点必须讲明白，不然容易踩坑。Prefect 自己不做 Agent 决策，它不给你「多智能体协作」「工具自动选择」这些东西。它的角色更像高速公路：Agent 在上面跑，但转向和踩油门是你自己的代码决定的。
真要开箱即用的多 Agent 编排，Prefect 自己的方案是 ControlFlow（构建在 Prefect 之上）。但说实话，ControlFlow 的社区体量和你在别处见过的 AutoGen、CrewAI 不是一个量级，属于「能用，但别指望有现成的踩坑经验帖」。
二、对比 Airflow，它省事；对比 Temporal，它弱。
Airflow 的老毛病是「用 Python 写任务，却要用非 Python 的方式描述任务」，Prefect 把这个割裂砍掉了，这是它最明显的胜利。但 Temporal 那种「崩溃恢复 + 严格幂等」的模型 Prefect 是没有的——Prefect 的恢复靠的是幂等性和缓存，不是分布式日志重放。
任务跑几分钟到几小时，Prefect 舒服。跑几天、要精确 exactly-once、涉及资金账务，Temporal 才是那个领域的答案。
三、三件套一起上，容易贪多。
Dagster 和 Prefect 的关系，官方原话是「互补多于竞争，很多组织两个都需要」。这话没错，但反过来说：个人开发者或者小团队，先只用 Prefect 一个。数据口径真吵起来了，再考虑 Dagster。FastMCP 倒是可以早点上——MCP 生态它基本是事实标准了。
三层怎么选（实测数据）
| 项目 | Stars | PyPI 月下载 | 定位 |
|---|---|---|---|
| Prefect | 23,966 | 684 万 | 执行层：持久化工作流 |
| FastMCP | 27,970 | 5310 万 | 接入层：MCP 服务框架 |
| Dagster | 16,234 | 786 万 | 产出层：数据资产定义 |
拿这张表对照你的需求：
- 只是想让 Agent 连上你的工具和数据库 → 直接上 FastMCP
- Agent 任务会跑几小时甚至几天，中间要重试和恢复 → 上 Prefect
- 团队天天在吵「这个指标到底怎么算」 → 先上 Dagster
顺带一句：FastMCP 的 PyPI 月下载 5310 万，是 Prefect 的近 78 倍。这说明一个残酷的事实——大部分人只在做「让 Agent 能用上工具」这一件事，真正愿意去扛持久化执行复杂度的团队是少数。
这也是我认为 Prefect 这步收购走对了的原因：Agent 平台往深了做，一定会撞上「任务跑不完」的墙，而墙后面站着的正是它。
想自己动手跑一遍的话，我之前写过一篇 n8n 是什么，那篇偏「可视化自动化」，跟今天这篇「纯代码的持久化引擎」路子完全不同，可以对着看。
顺带说一句我的选型习惯：不管选哪个 Agent 平台，先把最脏的那个 API 用手工 curl 打通，再上平台。平台会帮你省事，也会帮你掩盖问题——让你到上线那天才发现，脏活儿一个没少。
by 数码罗记 · godsun.pro
本文数据核实于 2026 年 10 月 5 日，Stars 与 PyPI 下载量均为当日实时抓取。
