일반 소개
Agno는 개발자가 메모리, 지식, 도구를 사용하여 AI 인텔리전스를 쉽게 구축할 수 있도록 지원하기 위해 agno-agi 팀이 개발하고 GitHub에서 호스팅하는 오픈 소스 Python 라이브러리입니다. 텍스트, 이미지, 오디오, 비디오의 멀티모달 처리를 지원하며 세션 상태 저장(메모리), 지식 쿼리(지식), 도구 확장(도구)의 세 가지 핵심 기능을 제공합니다. agno는 단순성과 효율성으로 유명하며 공식적으로 다음보다 빠르다고 합니다. LangGraph 약 10,000배 더 빠르고 메모리 사용량은 1/50이며, 모델에 구애받지 않는 유연성을 위해 임의의 언어 모델(예: GPT-4o, Claude 등)을 지원합니다. 작업 자동화든 정보 처리든, 직관적인 코드로 Agno를 빠르게 구현할 수 있습니다. 2025년 3월 현재, Agno는 GitHub에서 19,000개 이상의 별을 받았으며 개발자들 사이에서 매우 인기가 높습니다.

기능 목록
- 메모리 관리지능형 몸의 대화 상태를 데이터베이스에 저장하여 장기적인 맥락 추적을 지원합니다.
- 지식창고 지원에이전틱을 통해 RAG 기술 관련 질문에 대한 지식 기반이 내장되어 있어 정확한 답변을 제공합니다.
- 도구 통합DuckDuckGo 검색, YFinance 재무 조회, 사용자 지정 확장 프로그램 지원과 같은 기본 제공 도구가 있습니다.
- 멀티모달 처리텍스트, 이미지, 오디오, 비디오 입력 및 출력을 지원하여 다양한 시나리오에 적용할 수 있습니다.
- 모델 독립성모든 언어 모델과 호환되며 공급업체 제한이 없고 유연성이 높습니다.
- 빠른 인스턴스화동시 접속이 많은 애플리케이션을 위한 2마이크로초의 짧은 인텔리전스 생성 시간.
- 다중 지능 협업복잡한 워크플로우를 처리하기 위한 전문 인텔리전스 팀 구성.
- 구조화된 출력결과의 유용성을 높이기 위해 표와 같은 형식화된 데이터를 생성합니다.
- 실시간 모니터링스마트바디 운영 상태 및 성능 메트릭은 agno.com을 통해 확인할 수 있습니다.
도움말 사용
설치 프로세스
아그노는 설치가 간편하고 여러 운영 체제와 호환되는 경량 Python 프레임워크입니다. 자세한 단계는 다음과 같습니다:
1. 환경 준비
- 시스템 요구 사항윈도우, 리눅스 또는 맥OS를 지원하며 파이썬 3.10 이상이 필요합니다.
- 핍 확인: 실행
pip --version
pip가 설치되었는지 확인합니다. - 복제 창고(선택 사항)최신 소스 코드가 필요한 경우 실행하세요:
git clone https://github.com/agno-agi/agno.git cd agno
2. 아그노 설치
- pip를 통한 설치: 터미널에서 실행됩니다:
pip install -U agno
- 종속성온디맨드 설치, 예
pip install openai
(OpenAI 모델이 지원됨).
3. API 키 구성
일부 기능에는 OpenAI와 같은 외부 모델 API가 필요합니다:
- 키 받기: OpenAI 공식 웹사이트에 로그인하여 API 키를 생성합니다.
- 환경 변수 설정하기:
export OPENAI_API_KEY='你的密钥' # Linux/macOS set OPENAI_API_KEY=你的密钥 # Windows
4. 설치 확인
다음 코드 테스트를 실행합니다:
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?")
응답이 반환되면 설치에 성공한 것입니다.
주요 기능
메모리 기능 사용
아그노의 메모리 관리는 세션 상태를 저장하며, 다음 절차에 대해 설명합니다:
- 코드 작성신규
agent_with_memory.py
입력: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)
- 움직여야 합니다.터미널에 다음을 입력합니다.
python agent_with_memory.py
지능형 경험은 '장산'을 기억하고 반응합니다.
지식창고 사용하기
지식창고를 통해 전문화된 답변을 제공합니다(예: PDF 불러오기):
- 종속성 설치: 실행
pip install lancedb tantivy pypdf duckduckgo-search
. - 코드 작성신규
agent_with_knowledge.py
입력: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)
- 실행 결과Intelligentsia는 PDF에서 레시피를 추출하여 답을 생성합니다.
도구 사용 확장
스마트에 검색 도구(예: DuckDuckGo)를 추가하세요:
- 종속성 설치: 실행
pip install duckduckgo-search
. - 코드 작성신규
agent_with_tools.py
입력: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)
- 실행 결과: 인텔리전스가 검색 도구를 호출하여 최신 정보를 반환합니다.
다중 지능 협업
시장 분석과 같은 복잡한 작업을 처리할 팀을 구성합니다:
- 종속성 설치: 실행
pip install duckduckgo-search yfinance
. - 코드 작성신규
agent_team.py
입력: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)
- 실행 결과웹 에이전트가 뉴스를 제공하고, 재무 에이전트가 데이터를 제공하며, 협업하여 보고서를 출력합니다.
주요 기능 작동
메모리, 지식, 도구의 결합
통합 인텔리전스 만들기:
- 코드 작성신규
full_agent.py
입력: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)
- 실행 결과지능이 "매운맛을 좋아한다"는 것을 기억하고 관련 레시피를 제안합니다.
성능 테스트
아그노의 높은 효율성을 확인하세요:
- 스크립트 실행agno 디렉토리에서 실행됩니다:
./scripts/perf_setup.sh source .venvs/perfenv/bin/activate python evals/performance/instantiation_with_tool.py
- LangGraph 비교: 실행
python evals/performance/other/langgraph_instantiation.py
그 결과 Agno는 시작하는 데 약 2마이크로초가 걸리고 메모리 사용량은 약 3.75KiB인 것으로 나타났습니다.
구조화된 출력
형식이 지정된 데이터를 생성합니다:
- 코드 수정금융 인텔리전스 분야에서 활동합니다:
finance_agent.print_response("NVDA的分析师建议是什么?", stream=True)
- 실행 결과분석가 추천을 표 형식으로 반환합니다.
이를 통해 사용자는 아그노의 메모리, 지식, 툴링 기능을 활용하여 스마트하고 효율적인 AI 애플리케이션을 구축할 수 있습니다.
© 저작권 정책
기사 저작권 AI 공유 서클 모두 무단 복제하지 마세요.
관련 문서
댓글 없음...