Agno: Создание основы для мультимодального интеллекта с помощью памяти, знаний и инструментов

Общее введение

Agno - это библиотека с открытым исходным кодом на языке Python, разработанная командой agno-agi и размещенная на GitHub. Она призвана облегчить разработчикам создание ИИ-интеллектов с памятью, знаниями и инструментами. Она поддерживает мультимодальную обработку текста, изображений, аудио и видео и предоставляет три основные возможности: хранение состояния сессии (память), запрос знаний (знания) и расширение инструментов (инструменты). agno известна своей простотой и эффективностью, и официально утверждается, что она быстрее, чем LangGraph Он работает примерно в 10 000 раз быстрее, занимает в 1/50 раза меньше памяти и поддерживает произвольные языковые модели (например, GPT-4o, Claude и т. д.), обеспечивая гибкость, не зависящую от модели. Будь то автоматизация задач или обработка информации, Agno может быть быстро реализована с помощью интуитивно понятного кода. По состоянию на март 2025 года Agno получил более 19 000 звезд на GitHub и пользуется большой популярностью среди разработчиков.

Список функций

• Управление памятью: Сохраняет состояние разговоров интеллектуального тела в базе данных, поддерживая долгосрочное контекстное отслеживание.
• Поддержка базы знаний: через агентурный RAG Встроенная база знаний по техническим запросам дает точные ответы.
• интеграция инструментов: Встроенные инструменты, такие как поиск DuckDuckGo, финансовый запрос YFinance, а также поддержка пользовательских расширений.
• мультимодальная обработкаПоддержка ввода и вывода текста, изображений, аудио и видео, что позволяет использовать их в различных сценариях.
• независимость моделиСовместимость с любой языковой моделью, отсутствие ограничений со стороны производителя и высокая гибкость.
• Быстрая инстанцияВремя создания Intelligentsia составляет всего 2 микросекунды для высокоскоростных приложений.
• сотрудничество нескольких разведок: Формирование специализированных команд интеллигенции для работы со сложными рабочими процессами.
• Структурированный выводСоздание форматированных данных, например таблиц, для повышения полезности результатов.
• мониторинг в реальном времениПросмотр оперативного состояния и показателей работы smartbody через сайт agno.com.

Использование помощи

Процесс установки

Agno - это легкий Python-фреймворк, который легко устанавливается и совместим со многими операционными системами. Ниже приведены подробные шаги:

1. Подготовка окружающей среды

• системные требования: Поддерживает Windows, Linux или macOS и требует Python 3.10 или выше.
• Контрольный трубопровод: Беги pip --version Убедитесь, что программа pip установлена.
• Склад для клонирования (опционально): Если вам нужна последняя версия исходного кода, запустите ее:

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

2. Установка Agno

• Установка через pip: Запускается в терминале:

  pip install -U agno
  

• зависимость: Установка по требованию, например. pip install openai(Поддерживаются модели OpenAI).

3. Настройте ключ API

Некоторые функции требуют внешних API моделей, таких как OpenAI:

• Получение ключа: зайдите на официальный сайт OpenAI, чтобы сгенерировать ключ API.
• Установка переменных окружения:

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

4. Проверка установки

Выполните следующий тест кода:

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？")

Если ответ получен, значит, установка прошла успешно.

Основные функции

Использование функции памяти

Управление памятью Agno сохраняет статус сессии, и следующая процедура описана ниже:

1. Напишите код: Новый agent_with_memory.pyВход:

   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. быть в движении: В терминале введите python agent_with_memory.pyУмный опыт запоминает и реагирует на "Чжан Сань".

Использование базы знаний

Предоставление специализированных ответов через базу знаний, например, загрузка PDF:

1. Установка зависимостей: Беги pip install lancedb tantivy pypdf duckduckgo-search.
2. Напишите код: Новый agent_with_knowledge.pyВход:

   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. результат работыIntelligentsia извлекает рецепты из PDF-файлов для создания ответов.

Расширение использования инструментов

Добавьте к смартфонам инструмент поиска (например, DuckDuckGo):

1. Установка зависимостей: Беги pip install duckduckgo-search.
2. Напишите код: Новый agent_with_tools.pyВход:

   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. результат работы: Intelligence обращается к инструменту поиска, чтобы вернуть самую свежую информацию.

сотрудничество нескольких разведок

Формирование команд для решения сложных задач, таких как анализ рынка:

1. Установка зависимостей: Беги pip install duckduckgo-search yfinance.
2. Напишите код: Новый agent_team.pyВход:

   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. результат работыВеб-агент предоставляет новости, Финансовый агент предоставляет данные и совместно с ними создает отчеты.

Функциональное управление

Сочетание памяти, знаний и инструментов

Создание интегрированного интеллекта:

1. Напишите код: Новый full_agent.pyВход:

   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. результат работы: Интеллект запоминает, что "любит пряные ароматы", и предлагает соответствующие рецепты.

тестирование производительности

Убедитесь в высокой эффективности Agno:

1. Выполнение сценариев: Выполняется в каталоге agno:

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

2. Сравнить LangGraph: Беги python evals/performance/other/langgraph_instantiation.pyРезультаты показывают, что запуск Agno занимает около 2 микросекунд, а объем памяти составляет около 3,75 КБ.

Структурированный вывод

Создание форматированных данных:

1. Измените код: работа в сфере финансовой интеллигенции:

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

2. результат работы: Возвращает рекомендации аналитиков в табличной форме.

Таким образом, пользователи могут использовать память, знания и инструментальные возможности Agno для создания интеллектуальных и эффективных приложений искусственного интеллекта.