Agno : Un cadre pour la construction d'intelligences multimodales avec mémoire, connaissances et outils

Introduction générale

Agno 是一个由 agno-agi 团队开发并托管于 GitHub 的开源 Python 库，致力于让开发者轻松构建具备记忆、知识和工具的 AI 智能体。它支持文本、图像、音频和视频等多模态处理，提供会话状态存储（memory）、知识库查询（knowledge）和工具扩展（tools）三大核心能力。Agno 以简单高效著称，官方称其智能体创建速度比 LangGraph 快约 10,000 倍，内存占用仅为其 1/50，且支持任意语言模型（如 GPT-4o、Claude 等），实现模型无关的灵活性。无论是任务自动化还是信息处理，Agno 都能通过直观代码快速实现。截至 2025 年 3 月，Agno 在 GitHub 上已获超 19,000 个星标，深受开发者欢迎。

Liste des fonctions

• 记忆管理：存储智能体会话状态至数据库，支持长期上下文追踪。
• 知识库支持：通过 Agentic RAG 技术查询内置知识库，提供精准回答。
• intégration des outils：内置 DuckDuckGo 搜索、YFinance 金融查询等工具，并支持自定义扩展。
• traitement multimodal：支持文本、图像、音频和视频的输入输出，适用多样场景。
• 模型无关性：兼容任何语言模型，无供应商限制，灵活性高。
• 快速实例化：智能体创建时间低至 2 微秒，适合高并发应用。
• collaboration multi-intelligence：组建专项智能体团队，处理复杂工作流。
• Sortie structurée：生成表格等格式化数据，提升结果实用性。
• suivi en temps réel：通过 agno.com 查看智能体运行状态和性能指标。

Utiliser l'aide

Processus d'installation

Agno 是轻量级 Python 框架，安装简单，兼容多种操作系统。以下是详细步骤：

1. préparation à l'environnement

• exigences du système：支持 Windows、Linux 或 macOS，需 Python 3.10 或以上。
• 检查 pip: Run pip --version 确认 pip 已安装。
• 克隆仓库（可选）：若需最新源码，运行：

  git clone https://github.com/agno-agi/agno.git  
  cd agno

2. 安装 Agno

• Installation via pip: S'exécute dans le terminal :

  pip install -U agno
  

• 额外依赖：根据需求安装，例如 pip install openai（支持 OpenAI 模型）。

3. 配置 API 密钥

部分功能需外部模型 API，以 OpenAI 为例：

• 获取密钥：登录 OpenAI 官网生成 API Key。
• Définition des variables d'environnement :

  export OPENAI_API_KEY='你的密钥'  # Linux/macOS  
  set OPENAI_API_KEY=你的密钥  # Windows
  

4. vérification de l'installation

运行以下代码测试：

from agno.agent import Agent  
from agno.models.openai import OpenAIChat  
agent = Agent(model=OpenAIChat(id="gpt-4o"))  
agent.print_response("Agno 有什么特点？")

若返回响应，安装成功。

Principales fonctions

Utilisation de la fonction mémoire

Agno 的记忆管理可保存会话状态，以下是操作步骤：

1. Code d'écriture: Nouveau agent_with_memory.pyEntrée :

   from agno.agent import Agent  
   from agno.models.openai import OpenAIChat  
   agent = Agent(  
   model=OpenAIChat(id="gpt-4o"),  
   description="你是一个助手，能记住对话内容",  
   markdown=True  
   )  
   agent.print_response("我叫张三，你能记住吗？", stream=True)  
   agent.print_response("我叫什么名字？", stream=True)
   

2. être en mouvement：在终端输入 python agent_with_memory.py，智能体会记住并回答“张三”。

使用知识库

通过知识库提供专业回答，例如加载 PDF：

1. Installation des dépendances: Run pip install lancedb tantivy pypdf duckduckgo-search.
2. Code d'écriture: Nouveau agent_with_knowledge.pyEntrée :

   from agno.agent import Agent  
   from agno.models.openai import OpenAIChat  
   from agno.knowledge.pdf_url import PDFUrlKnowledgeBase  
   from agno.vectordb.lancedb import LanceDb  
   from agno.embedder.openai import OpenAIEmbedder  
   agent = Agent(  
   model=OpenAIChat(id="gpt-4o"),  
   description="你是泰式美食专家！",  
   instructions=["优先使用知识库中的泰式菜谱"],  
   knowledge=PDFUrlKnowledgeBase(  
   urls=["https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],  
   vector_db=LanceDb(  
   uri="tmp/lancedb",  
   table_name="recipes",  
   embedder=OpenAIEmbedder(id="text-embedding-3-small")  
   )  
   ),  
   markdown=True  
   )  
   if agent.knowledge:  
   agent.knowledge.load()  # 首次加载知识库  
   agent.print_response("如何制作泰式椰奶鸡汤？", stream=True)
   

3. résultat de la course：智能体从 PDF 中提取菜谱生成回答。

使用工具扩展

为智能体添加搜索工具（如 DuckDuckGo）：

1. Installation des dépendances: Run pip install duckduckgo-search.
2. Code d'écriture: Nouveau agent_with_tools.pyEntrée :

   from agno.agent import Agent  
   from agno.models.openai import OpenAIChat  
   from agno.tools.duckduckgo import DuckDuckGoTools  
   agent = Agent(  
   model=OpenAIChat(id="gpt-4o"),  
   tools=[DuckDuckGoTools()],  
   show_tool_calls=True,  
   markdown=True  
   )  
   agent.print_response("纽约最近发生了什么？", stream=True)
   

3. résultat de la course：智能体会调用搜索工具返回最新资讯。

collaboration multi-intelligence

组建团队处理复杂任务，例如市场分析：

1. Installation des dépendances: Run pip install duckduckgo-search yfinance.
2. Code d'écriture: Nouveau agent_team.pyEntrée :

   from agno.agent import Agent  
   from agno.models.openai import OpenAIChat  
   from agno.tools.duckduckgo import DuckDuckGoTools  
   from agno.tools.yfinance import YFinanceTools  
   web_agent = Agent(  
   name="Web Agent",  
   model=OpenAIChat(id="gpt-4o"),  
   tools=[DuckDuckGoTools()],  
   instructions=["始终提供来源"],  
   markdown=True  
   )  
   finance_agent = Agent(  
   name="Finance Agent",  
   model=OpenAIChat(id="gpt-4o"),  
   tools=[YFinanceTools(stock_price=True, analyst_recommendations=True)],  
   instructions=["用表格展示数据"],  
   markdown=True  
   )  
   team_agent = Agent(  
   team=[web_agent, finance_agent],  
   instructions=["协作完成任务"],  
   markdown=True  
   )  
   team_agent.print_response("AI半导体公司的市场前景如何？", stream=True)
   

3. résultat de la course：Web Agent 提供新闻，Finance Agent 提供数据，协作输出报告。

Fonction en vedette Fonctionnement

结合记忆、知识和工具

创建一个综合智能体：

1. Code d'écriture: Nouveau full_agent.pyEntrée :

   from agno.agent import Agent  
   from agno.models.openai import OpenAIChat  
   from agno.knowledge.pdf_url import PDFUrlKnowledgeBase  
   from agno.vectordb.lancedb import LanceDb  
   from agno.embedder.openai import OpenAIEmbedder  
   from agno.tools.duckduckgo import DuckDuckGoTools  
   agent = Agent(  
   model=OpenAIChat(id="gpt-4o"),  
   description="你是美食助手，能记住用户喜好并提供菜谱",  
   instructions=["优先使用知识库，若不足则搜索网络"],  
   knowledge=PDFUrlKnowledgeBase(  
   urls=["https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],  
   vector_db=LanceDb(  
   uri="tmp/lancedb",  
   table_name="recipes",  
   embedder=OpenAIEmbedder(id="text-embedding-3-small")  
   )  
   ),  
   tools=[DuckDuckGoTools()],  
   markdown=True  
   )  
   if agent.knowledge:  
   agent.knowledge.load()  
   agent.print_response("我喜欢辣味，推荐一道泰式菜", stream=True)  
   agent.print_response("我刚才说了什么喜好？", stream=True)
   

2. résultat de la course：智能体会记住“喜欢辣味”，并推荐相关菜谱。

essais de performance

验证 Agno 的高效性：

1. Exécution de scripts：在 agno 目录下执行：

   ./scripts/perf_setup.sh  
   source .venvs/perfenv/bin/activate  
   python evals/performance/instantiation_with_tool.py
   

2. 对比 LangGraph: Run python evals/performance/other/langgraph_instantiation.py，结果显示 Agno 启动时间约 2 微秒，内存占用约 3.75KiB。

Sortie structurée

生成格式化数据：

1. 修改代码：在金融智能体中运行：

   finance_agent.print_response("NVDA的分析师建议是什么？", stream=True)
   

2. résultat de la course：返回表格形式的分析师建议。

通过以上操作，用户可充分利用 Agno 的记忆、知识和工具功能，构建智能高效的 AI 应用。