Agno: uma estrutura para a criação de inteligências multimodais com memória, conhecimento e ferramentas

Introdução geral

Agno é uma biblioteca Python de código aberto desenvolvida pela equipe agno-agi e hospedada no GitHub, dedicada a facilitar aos desenvolvedores a criação de inteligências de IA com memória, conhecimento e ferramentas. Ela é compatível com o processamento multimodal de texto, imagens, áudio e vídeo e oferece três recursos principais: armazenamento do estado da sessão (memória), consulta de conhecimento (conhecimento) e extensões de ferramentas (ferramentas). LangGraph Ele é cerca de 10.000 vezes mais rápido, com 1/50 do espaço ocupado pela memória, e oferece suporte a modelos de linguagem arbitrários (por exemplo, GPT-4o, Claude etc.) para flexibilidade independente de modelo. Quer se trate de automação de tarefas ou processamento de informações, o Agno pode ser implementado rapidamente com um código intuitivo. Em março de 2025, o Agno recebeu mais de 19.000 estrelas no GitHub e é muito popular entre os desenvolvedores.

Lista de funções

• Gerenciamento de memóriaArmazena o estado das conversas do corpo inteligente no banco de dados, dando suporte ao rastreamento contextual de longo prazo.
• Suporte à base de conhecimento: por meio do Agentic RAG A base de conhecimento embutida para consultas técnicas fornece respostas precisas.
• integração de ferramentasFerramentas integradas, como a pesquisa DuckDuckGo, a consulta financeira YFinance e o suporte a extensões personalizadas.
• processamento multimodalSuporte para entrada e saída de texto, imagem, áudio e vídeo, aplicável a uma variedade de cenários.
• independência do modeloCompatível com qualquer modelo de linguagem, sem restrições de fornecedor e com alta flexibilidade.
• Instanciação rápidaTempo de criação do Intelligentsia tão baixo quanto 2 microssegundos para aplicativos altamente simultâneos.
• colaboração de inteligência múltiplaFormação de equipes especializadas de inteligência para lidar com fluxos de trabalho complexos.
• Saída estruturadaGeração de dados formatados, como tabelas, para aumentar a utilidade dos resultados.
• monitoramento em tempo realVisualização do status operacional e das métricas de desempenho do smartbody via agno.com.

Usando a Ajuda

Processo de instalação

O Agno é uma estrutura Python leve, fácil de instalar e compatível com vários sistemas operacionais. Aqui estão as etapas detalhadas:

1. preparação ambiental

• Requisitos do sistemaSuporte para Windows, Linux ou macOS e requer Python 3.10 ou superior.
• Verificar pip: Executar pip --version Verifique se o pip está instalado.
• Armazém de clonagem (opcional)Se você precisar do código-fonte mais recente, execute-o:

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

2. instalação da Agno

• Instalação via pipExecuta no terminal:

  pip install -U agno
  

• dependênciaInstalação sob demanda, por exemplo. pip install openai(Os modelos OpenAI são compatíveis).

3. configurar a chave da API

Algumas funções exigem APIs de modelos externos, como no caso do OpenAI:

• Obtenção da chave: Faça login no site oficial da OpenAI para gerar uma chave de API.
• Configuração de variáveis de ambiente:

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

4. verificação da instalação

Execute o seguinte teste de código:

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？")

Se uma resposta for retornada, a instalação foi bem-sucedida.

Funções principais

Uso da função de memória

O gerenciamento de memória da Agno salva o status da sessão, e o procedimento a seguir é descrito:

1. Escrever código: Novo agent_with_memory.pyEntrada:

   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. estar em movimentoNo terminal, digite python agent_with_memory.pyA experiência inteligente lembra e responde a "Zhang San".

Usando a base de conhecimento

Fornecer respostas especializadas por meio de uma base de conhecimento, por exemplo, carregar PDF:

1. Instalação de dependências: Executar pip install lancedb tantivy pypdf duckduckgo-search.
2. Escrever código: Novo agent_with_knowledge.pyEntrada:

   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. resultado da execuçãoIntelligentsia extrai receitas de PDFs para gerar respostas.

Extensão do uso de ferramentas

Adicione uma ferramenta de pesquisa (por exemplo, DuckDuckGo) à inteligência:

1. Instalação de dependências: Executar pip install duckduckgo-search.
2. Escrever código: Novo agent_with_tools.pyEntrada:

   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. resultado da execução: O Intelligence chamará a ferramenta de pesquisa para retornar as informações mais recentes.

colaboração de inteligência múltipla

Formação de equipes para lidar com tarefas complexas, como análises de mercado:

1. Instalação de dependências: Executar pip install duckduckgo-search yfinance.
2. Escrever código: Novo agent_team.pyEntrada:

   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. resultado da execuçãoO Web Agent fornece as notícias, o Finance Agent fornece os dados e colabora para gerar o relatório.

Operação da função em destaque

Combinação de memória, conhecimento e ferramentas

Criação de uma inteligência integrada:

1. Escrever código: Novo full_agent.pyEntrada:

   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. resultado da execuçãoInteligência: lembra que "gosta de sabores picantes" e sugere receitas relacionadas.

teste de desempenho

Verifique a alta eficiência da Agno:

1. Executando scriptsExecutado no diretório agno:

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

2. Comparar LangGraph: Executar python evals/performance/other/langgraph_instantiation.pyOs resultados mostram que o Agno leva cerca de 2 microssegundos para iniciar e tem um espaço de memória de cerca de 3,75 KiB.

Saída estruturada

Gerar dados formatados:

1. Modificar o código: operando na inteligência financeira:

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

2. resultado da execuçãoRecomendações do analista: Retorna as recomendações do analista em forma de tabela.

Ao fazer isso, os usuários podem aproveitar a memória, o conhecimento e os recursos de ferramentas do Agno para criar aplicativos de IA inteligentes e eficientes.