你的Agent是个“黑盒”？Agno框架实战，教你如何“透视”它的内心！

01 前言

Agno通过OpenTelemetry（开源观测性框架）提供可观测性支持。可观测性有助于我们理解、调试和改进智能体Agent。目前Agno已经实现与多个主流的追踪和监控平台实现无缝的对接。包括AgentOps、Arize、Atla、LangDB、Langfuse、LangSmith、Langtrace、Maxim、Weave。下面以LangSmith为例进行演示。

02 LangSmith监控

LangSmith作为LangChain生态体系中的一个独立的LLM应用开发运维平台，可以追踪、评测LLM应用。属于商业的SaaS平台，不过提供了免费的使用额度，5000/月条免费追踪日志权益。

准备工作

登录LangSmith平台并生成API key。

地址：https://smith.langchain.com/

生成API key入口位于dashboard的Settings菜单。

然后创建自定义项目名：agno，在下文示例中Agent应用进行项目名关联。

项目目录下安装必要的依赖包：

pip install

openinference-instrumentation-agno

opentelemetry-sdk

opentelemetry-exporter-otlp

-i https://mirrors.aliyun.com/pypi/simple/ 可以指定国内源下载

对接并监控

# 文件名：agno_app_lang_smith.py
# 借助langSmith进行检查
from agno.agent import Agent
from agno.os import AgentOS
from agno.db.sqlite import SqliteDb
from open_ai_like import open_ai_like_model
# ====== 配置langsmith开始 ======
from openinference.instrumentation.agno import AgnoInstrumentor
from opentelemetry import trace as trace_api
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk.trace import TracerProvider
from opentelemetry.sdk.trace.exportimport SimpleSpanProcessor
# Set the endpoint and headers for LangSmith
# 访问获取apiKey https://smith.langchain.com/
endpoint = "https://api.smith.langchain.com/otel/v1/traces"
headers = {
"x-api-key": "lsv2_pt_xxx",
"Langsmith-Project": "agno",
}
# Configure the tracer provider
tracer_provider = TracerProvider()
tracer_provider.add_span_processor(
SimpleSpanProcessor(OTLPSpanExporter(endpoint=endpoint, headers=headers))
)
trace_api.set_tracer_provider(tracer_provider=tracer_provider)
# Start instrumenting agno
AgnoInstrumentor().instrument()
# ====== 配置langsmith结束 ======
# set up the database
db = SqliteDb(db_file="tmp/agno_app_lang_smith2.db")
# 创建智能体
basic_agent = Agent(
name="lang smith Agent",
db=db,
model=open_ai_like_model,
instructions="你是一个有用的助手"
)
agent_os = AgentOS(
os_id="my-lang-smith-os",
description="agent with lang smith for AgentOS",
agents=[basic_agent],
)
app = agent_os.get_app()
if __name__ == "__main__":
# Default port is 7778; change with port=...
agent_os.serve(app="agno_app_lang_smith:app", port=7778, reload=True)

示例中open_ai_like_model为Model的定义，位于同层目录的文件：

from agno.models.deepseek import DeepSeek
open_ai_like_model = DeepSeek(id="deepseek-chat", api_key="sk-xxx")

LangSmith的API key配置到示例的x-api-key变量中，项目名agno。然后定义一个Agent并实例化AgentOS，启动在7778端口。

有关AgentOS的详细使用说明可以参考上篇文章：

通过OS平台连接本地Agent应用并发起提问：

地址：https://os.agno.com/

登录LangChain查看监控，中间是对话列表，右侧是统计指标（Latency表示一次对话花费的全部时间，并非模型或者Agent的首包时间）：

点击某一条Trace，可以看到详细的信息，包括输入给大模型的提示词（Agno可能根据Agent实例化参数生成提示词，监控就能很直观的看到与大模型交互的提示词）和模型的流式输出（中文被Unicode编码了）：

03 最后

文章演示了Agno对接LangSmith并上报链路日志，借助LangSmith可清晰直观的看到每一次的对话，包括与模型交互的提示词、输出内容和时间。

Agno可接入监控平台不止LangSmith，还包括文章开头提到的众多平台。另外，LangSmith的能力也不止于此，这里只是基本的功能使用，后续LangChain系列再深入LangSmith吧。

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】