18.7K Star！快速构建多模态智能体的轻量级框架，运行速度比LangGraph快5000倍！

最新推荐文章于 2025-05-05 07:15:00 发布

Python_金钱豹

最新推荐文章于 2025-05-05 07:15:00 发布

阅读量947

点赞数 14

文章标签：人工智能机器学习算法深度学习计算机视觉

本文链接：https://blog.youkuaiyun.com/Python_cocola/article/details/145640405

版权

今天跟大家分享一下 Agno 这个用于构建多模态智能体的轻量级框架。

🚀 快速阅读

Agno 是一个用于构建多模态智能体的轻量级框架。

核心功能：支持文本、图像、音频和视频等多种数据模态，创建智能体的速度比传统框架快 5000 倍。
技术原理：基于 Python 实现，无依赖性设计，支持与向量数据库集成，实现高效的检索增强生成（RAG）或动态少样本学习。

Agno 是什么

Agno

Agno 是一个用于构建多模态智能体的轻量级框架。它支持多种数据模态（如文本、图像、音频和视频），并且可以快速创建智能体。Agno 提供了内存管理和知识库支持，能够将用户会话和智能体状态存储在数据库中，基于向量数据库实现动态少样本学习。此外，Agno 支持多智能体协作，帮助用户实时跟踪智能体会话和性能。

Agno 的设计目标是简化开发流程，提升性能，并确保灵活性。通过无依赖性架构和纯 Python 实现，开发者可以轻松上手并快速构建高效的智能体应用。

Agno 的主要功能

极速智能体创建：创建智能体的速度比传统框架（如 LangGraph）快 5000 倍。
模型无关性：支持任何模型和提供商，用户可以根据需要选择不同的模型，无需担心供应商锁定。
多模态支持：原生支持文本、图像、音频和视频等多种数据模态。
多智能体协作：支持将任务分配给多个专业化的智能体，实现高效的分工和协作。
内存管理：将用户会话和智能体状态存储在数据库中，确保数据的持久化和安全性。
知识库支持：基于向量数据库实现检索增强生成（RAG）或动态少样本学习，提升智能体的知识检索能力。
结构化输出：智能体支持结构化数据格式响应，方便与其他系统集成。
实时监控：在 agno.com 上实时跟踪智能体会话和性能，便于管理和优化。

Agno 的技术原理

纯 Python 实现：Agno 基于 Python 编写，避免复杂的图结构、链式调用或其他复杂的模式，让代码更加简洁易懂，同时也便于开发者快速上手。
无依赖性架构：用无依赖性设计，支持任何模型、任何提供商和任何模态。
向量数据库集成：支持与向量数据库集成，利用向量数据库的高效检索能力，实现检索增强生成（RAG）或动态少样本学习。
多智能体协作机制：基于任务分配和分工，将复杂任务分解为多个子任务，由不同的专业智能体分别处理。

如何运行 Agno

1. 安装 Agno

pip install -U agno

2. 创建基本智能体

from agno.agent import Agent   from agno.models.openai import OpenAIChat      agent = Agent(       model=OpenAIChat(id="gpt-4o"),       description="You are an enthusiastic news reporter with a flair for storytelling!",       markdown=True   )   agent.print_response("Tell me about a breaking news story from New York.", stream=True)

要运行该智能体，请安装依赖项并导出 OPENAI_API_KEY：

pip install agno openai      export OPENAI_API_KEY=sk-xxxx      python basic_agent.py

3. 创建带有工具的智能体

from agno.agent import Agent   from agno.models.openai import OpenAIChat   from agno.tools.duckduckgo import DuckDuckGoTools      agent = Agent(       model=OpenAIChat(id="gpt-4o"),       description="You are an enthusiastic news reporter with a flair for storytelling!",       tools=[DuckDuckGoTools()],       show_tool_calls=True,       markdown=True   )   agent.print_response("Tell me about a breaking news story from New York.", stream=True)

安装依赖项并运行智能体：

pip install duckduckgo-search      python agent_with_tools.py

4. 创建带有知识库的智能体

from agno.agent import Agent   from agno.models.openai import OpenAIChat   from agno.embedder.openai import OpenAIEmbedder   from agno.tools.duckduckgo import DuckDuckGoTools   from agno.knowledge.pdf_url import PDFUrlKnowledgeBase   from agno.vectordb.lancedb import LanceDb, SearchType      agent = Agent(       model=OpenAIChat(id="gpt-4o"),       description="You are a Thai cuisine expert!",       instructions=[           "Search your knowledge base for Thai recipes.",           "If the question is better suited for the web, search the web to fill in gaps.",           "Prefer the information in your knowledge base over the web results."       ],       knowledge=PDFUrlKnowledgeBase(           urls=["https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],           vector_db=LanceDb(               uri="tmp/lancedb",               table_name="recipes",               search_type=SearchType.hybrid,               embedder=OpenAIEmbedder(id="text-embedding-3-small"),           ),       ),       tools=[DuckDuckGoTools()],       show_tool_calls=True,       markdown=True   )      # Comment out after the knowledge base is loaded   if agent.knowledge isnotNone:       agent.knowledge.load()      agent.print_response("How do I make chicken and galangal in coconut milk soup", stream=True)   agent.print_response("What is the history of Thai curry?", stream=True)

安装依赖项并运行智能体：

pip install lancedb tantivy pypdf duckduckgo-search      python agent_with_knowledge.py

5. 创建多智能体协作

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",       role="Search the web for information",       model=OpenAIChat(id="gpt-4o"),       tools=[DuckDuckGoTools()],       instructions="Always include sources",       show_tool_calls=True,       markdown=True,   )      finance_agent = Agent(       name="Finance Agent",       role="Get financial data",       model=OpenAIChat(id="gpt-4o"),       tools=[YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True)],       instructions="Use tables to display data",       show_tool_calls=True,       markdown=True,   )      agent_team = Agent(       team=[web_agent, finance_agent],       model=OpenAIChat(id="gpt-4o"),       instructions=["Always include sources", "Use tables to display data"],       show_tool_calls=True,       markdown=True,   )      agent_team.print_response("What's the market outlook and financial performance of AI semiconductor companies?", stream=True)

安装依赖项并运行智能体团队：

pip install duckduckgo-search yfinance      python agent_team.py

资源

GitHub 仓库：https://github.com/agno-agi/agno
Agno 文档：https://docs.agno.com

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述