agno

agno 介绍

了解项目的详细信息和使用方法

简介

Agno 是一个轻量级的多模态智能体开发库。它将大语言模型封装为统一接口，并赋予其记忆、知识、工具调用和推理等超能力。

快速构建能生成文本、图像、音频和视频的智能体
按需添加记忆、知识库、工具和推理能力
开源项目，随处可运行

下面是一个能进行网络搜索的智能体示例：

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3from agno.tools.duckduckgo import DuckDuckGoTools
4
5agent = Agent(
6    model=OpenAIChat(id="gpt-4o"),
7    tools=[DuckDuckGoTools()],
8    markdown=True
9)
10agent.print_response("纽约有什么新鲜事？", stream=True)

🚨 开源AI智能体黑客马拉松！🚨

我们联合AI智能体生态伙伴发起全球AI智能体黑客马拉松——欢迎所有开发智能体、RAG系统、工具调用或多智能体系统的开发者、创业团队参与！

💰 最高2万美元奖金池

🏅 10名优秀奖：各300美元
🥉 10名季军：各500美元
🥈 5名亚军：各1000美元
🥇 1名冠军：2000美元
🏆 总冠军特别奖：5000美元 🏆

🎁 附加奖励

前5名项目将入选热门仓库 Awesome LLM Apps

🤝 合作伙伴

Agno、Unwind AI 等生态企业持续加入中。

📅 活动时间线：

4月3日 - 最终日期公布
4月10日 - 评奖标准发布
4月15日（暂定） - 活动开始
5月30日（暂定） - 活动结束

加入我们，开启智能体开发月！

奖金将采取滚动发放机制，直至所有奖项颁发完毕。

⭐ 点击Star关注本仓库获取最新动态

🤝 想成为合作伙伴或评委？

如果你是AI智能体领域企业或有意担任评委，请联系X平台上的 Shubham Saboo 或 Ashpreet Bedi。让我们共同打造最大规模的开源AI智能体黑客马拉松。

核心特性

Agno以简洁、高速和模型无关性著称：

闪电速度：智能体创建速度比LangGraph快10000倍（参见性能测试）
模型无关：支持任意模型和供应商，无锁定
多模态：原生支持文本、图像、音频和视频
多智能体：构建专业化智能体团队
记忆管理：将智能体会话和状态存入数据库
知识库：使用向量数据库实现RAG或动态小样本学习
结构化输出：让智能体返回结构化数据
实时监控：在agno.com跟踪智能体表现

快速开始

安装

shell
1pip install -U agno

什么是智能体？

智能体是能自主解决问题的智能程序。

与传统程序不同，智能体具备记忆、领域知识和工具调用能力（如网络搜索、数据库查询、API调用）。它们能根据上下文和工具返回结果动态调整执行策略。

我们可以用自主程度来划分智能体等级：

Level 0：无工具的基础推理型智能体
Level 1：具备自主任务执行工具
Level 2：整合记忆与推理能力
Level 3：多智能体协作处理复杂工作流

基础智能体示例

最简单的智能体仅执行推理任务，无工具和记忆功能。

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3
4agent = Agent(
5    model=OpenAIChat(id="gpt-4o"),
6    description="你是一位充满激情的新闻记者，擅长讲故事！",
7    markdown=True
8)
9agent.print_response("告诉我一个纽约的突发新闻故事。", stream=True)

运行前请安装依赖并设置OPENAI_API_KEY环境变量：

shell
1pip install agno openai
2
3export OPENAI_API_KEY=sk-xxxx
4
5python basic_agent.py

查看完整示例

带工具的智能体示例

为避免虚构内容，我们为记者智能体添加网络搜索工具：

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3from agno.tools.duckduckgo import DuckDuckGoTools
4
5agent = Agent(
6    model=OpenAIChat(id="gpt-4o"),
7    description="你是一位充满激情的新闻记者，擅长讲故事！",
8    tools=[DuckDuckGoTools()],
9    show_tool_calls=True,
10    markdown=True
11)
12agent.print_response("告诉我一个纽约的突发新闻故事。", stream=True)

安装依赖后运行：

shell
1pip install duckduckgo-search
2
3python agent_with_tools.py

现在你将获得真实可靠的新闻报道。

查看完整示例

带知识库的智能体示例

智能体可将知识存储在向量数据库中，用于RAG或动态小样本学习。

Agno智能体默认采用Agentic RAG，即自主检索完成任务所需的具体信息。

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3from agno.embedder.openai import OpenAIEmbedder
4from agno.tools.duckduckgo import DuckDuckGoTools
5from agno.knowledge.pdf_url import PDFUrlKnowledgeBase
6from agno.vectordb.lancedb import LanceDb, SearchType
7
8agent = Agent(
9    model=OpenAIChat(id="gpt-4o"),
10    description="你是泰国菜专家！",
11    instructions=[
12        "优先从知识库检索泰国菜食谱",
13        "若问题更适合网络搜索，则补充网络结果",
14        "知识库信息优先于网络结果"
15    ],
16    knowledge=PDFUrlKnowledgeBase(
17        urls=["https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
18        vector_db=LanceDb(
19            uri="tmp/lancedb",
20            table_name="recipes",
21            search_type=SearchType.hybrid,
22            embedder=OpenAIEmbedder(id="text-embedding-3-small"),
23        ),
24    ),
25    tools=[DuckDuckGoTools()],
26    show_tool_calls=True,
27    markdown=True
28)
29
30# 知识库加载完成后可注释掉
31if agent.knowledge is not None:
32    agent.knowledge.load()
33
34agent.print_response("如何制作椰奶鸡汤？", stream=True)
35agent.print_response("泰国咖喱的历史渊源是什么？", stream=True)

安装依赖后运行：

shell
1pip install lancedb tantivy pypdf duckduckgo-search
2
3python agent_with_knowledge.py

查看完整示例

多智能体团队示例

当工具数量超出语言模型处理能力或涉及不同领域时，建议使用专业化智能体团队分工协作。

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3from agno.tools.duckduckgo import DuckDuckGoTools
4from agno.tools.yfinance import YFinanceTools
5from agno.team import Team
6
7web_agent = Agent(
8    name="网络搜索员",
9    role="执行网络信息检索",
10    model=OpenAIChat(id="gpt-4o"),
11    tools=[DuckDuckGoTools()],
12    instructions="必须标注信息来源",
13    show_tool_calls=True,
14    markdown=True,
15)
16
17finance_agent = Agent(
18    name="金融分析师",
19    role="获取金融数据",
20    model=OpenAIChat(id="gpt-4o"),
21    tools=[YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True)],
22    instructions="使用表格呈现数据",
23    show_tool_calls=True,
24    markdown=True,
25)
26
27agent_team = Team(
28    mode="coordinate",
29    members=[web_agent, finance_agent],
30    model=OpenAIChat(id="gpt-4o"),
31    success_criteria="包含清晰版块和数据洞察的完整金融报告",
32    instructions=["必须标注信息来源", "使用表格呈现数据"],
33    show_tool_calls=True,
34    markdown=True,
35)
36
37agent_team.print_response("AI半导体公司的市场前景和财务表现如何？", stream=True)

安装依赖后运行：

shell
1pip install duckduckgo-search yfinance
2
3python agent_team.py

查看完整示例

性能表现

在Agno，我们对性能有着极致追求。因为即便是简单AI工作流也可能需要启动数千个智能体。当用户规模增长时，性能就成为关键瓶颈。Agno专为高性能智能体系统设计：

智能体初始化：平均约2微秒（比LangGraph快约10000倍）
内存占用：平均约3.75Kib（比LangGraph节省约50倍内存）

测试环境：Apple M4芯片MacBook Pro

虽然智能体运行时受推理速度限制，但我们仍要最大限度减少执行时间、降低内存占用、并行化工具调用。这些优化在规模应用时将产生显著效益。

初始化耗时测试

我们测量带1个工具的智能体启动时间。通过1000次测试获取基准数据：

shell
1# 设置虚拟环境
2./scripts/perf_setup.sh
3source .venvs/perfenv/bin/activate
4
5# Agno测试
6python evals/performance/instantiation_with_tool.py
7
8# LangGraph测试
9python evals/performance/other/langgraph_instantiation.py

测试环境：Apple M4芯片MacBook Pro，本仓库Github Action也运行相同测试

测试结果显示：

0.020526秒（LangGraph）/ 0.000002秒（Agno）≈ 10263倍

Agno智能体初始化速度比LangGraph快约10000倍。随着工具数量和知识库的增加，这个优势会更加明显。

内存占用测试

使用tracemalloc库测量内存。先计算空函数基线内存，再运行智能体1000次计算差值。

LangGraph内存占用 / Agno内存占用 ≈ 54.3倍

LangGraph智能体内存占用是Agno的约50倍。在实际生产环境中运行数千个智能体时，内存优化将直接降低运营成本。

结论

虽然我们提供与其他框架的对比基准，但需要强调的是：准确性和可靠性比速度更重要。

未来几周我们将发布在Github Action上运行的准确性测试报告。由于不同框架设计差异，后续基准测试将主要聚焦Agno自身的性能优化。

Cursor配置技巧

使用Cursor开发Agno智能体时，建议添加官方文档作为知识源：

在Cursor设置中找到文档管理选项
添加https://docs.agno.com到文档URL列表
保存设置

现在Cursor将能智能提示Agno文档内容。

文档、社区与更多示例

文档：docs.agno.com
入门示例：入门指南
完整示例库：示例库
社区论坛：community.agno.com
交流群：Discord

贡献指南

欢迎贡献代码，请阅读贡献指南了解流程。

遥测说明

Agno会匿名统计模型使用情况以优化开发优先级。可通过设置环境变量AGNO_TELEMETRY=false禁用此功能。

⬆️ 返回顶部

agno 介绍

了解项目的详细信息和使用方法

📚 文档 | 💡 示例 | 🌟 点赞支持

简介

Agno 是一个轻量级的多模态智能体开发库。它将大语言模型封装为统一接口，并赋予其记忆、知识、工具调用和推理等超能力。

快速构建能生成文本、图像、音频和视频的智能体
按需添加记忆、知识库、工具和推理能力
开源项目，随处可运行

下面是一个能进行网络搜索的智能体示例：

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3from agno.tools.duckduckgo import DuckDuckGoTools
4
5agent = Agent(
6    model=OpenAIChat(id="gpt-4o"),
7    tools=[DuckDuckGoTools()],
8    markdown=True
9)
10agent.print_response("纽约有什么新鲜事？", stream=True)

🚨 开源AI智能体黑客马拉松！🚨

我们联合AI智能体生态伙伴发起全球AI智能体黑客马拉松——欢迎所有开发智能体、RAG系统、工具调用或多智能体系统的开发者、创业团队参与！

💰 最高2万美元奖金池

🏅 10名优秀奖：各300美元
🥉 10名季军：各500美元
🥈 5名亚军：各1000美元
🥇 1名冠军：2000美元
🏆 总冠军特别奖：5000美元 🏆

🎁 附加奖励

前5名项目将入选热门仓库 Awesome LLM Apps

🤝 合作伙伴

Agno、Unwind AI 等生态企业持续加入中。

📅 活动时间线：

4月3日 - 最终日期公布
4月10日 - 评奖标准发布
4月15日（暂定） - 活动开始
5月30日（暂定） - 活动结束

加入我们，开启智能体开发月！

奖金将采取滚动发放机制，直至所有奖项颁发完毕。

⭐ 点击Star关注本仓库获取最新动态

🤝 想成为合作伙伴或评委？

如果你是AI智能体领域企业或有意担任评委，请联系X平台上的 Shubham Saboo 或 Ashpreet Bedi。让我们共同打造最大规模的开源AI智能体黑客马拉松。

核心特性

Agno以简洁、高速和模型无关性著称：

闪电速度：智能体创建速度比LangGraph快10000倍（参见性能测试）
模型无关：支持任意模型和供应商，无锁定
多模态：原生支持文本、图像、音频和视频
多智能体：构建专业化智能体团队
记忆管理：将智能体会话和状态存入数据库
知识库：使用向量数据库实现RAG或动态小样本学习
结构化输出：让智能体返回结构化数据
实时监控：在agno.com跟踪智能体表现

快速开始

安装

shell
1pip install -U agno

什么是智能体？

智能体是能自主解决问题的智能程序。

我们可以用自主程度来划分智能体等级：

Level 0：无工具的基础推理型智能体
Level 1：具备自主任务执行工具
Level 2：整合记忆与推理能力
Level 3：多智能体协作处理复杂工作流

基础智能体示例

最简单的智能体仅执行推理任务，无工具和记忆功能。

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3
4agent = Agent(
5    model=OpenAIChat(id="gpt-4o"),
6    description="你是一位充满激情的新闻记者，擅长讲故事！",
7    markdown=True
8)
9agent.print_response("告诉我一个纽约的突发新闻故事。", stream=True)

运行前请安装依赖并设置OPENAI_API_KEY环境变量：

shell
1pip install agno openai
2
3export OPENAI_API_KEY=sk-xxxx
4
5python basic_agent.py

查看完整示例

带工具的智能体示例

为避免虚构内容，我们为记者智能体添加网络搜索工具：

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3from agno.tools.duckduckgo import DuckDuckGoTools
4
5agent = Agent(
6    model=OpenAIChat(id="gpt-4o"),
7    description="你是一位充满激情的新闻记者，擅长讲故事！",
8    tools=[DuckDuckGoTools()],
9    show_tool_calls=True,
10    markdown=True
11)
12agent.print_response("告诉我一个纽约的突发新闻故事。", stream=True)

安装依赖后运行：

shell
1pip install duckduckgo-search
2
3python agent_with_tools.py

现在你将获得真实可靠的新闻报道。

查看完整示例

带知识库的智能体示例

智能体可将知识存储在向量数据库中，用于RAG或动态小样本学习。

Agno智能体默认采用Agentic RAG，即自主检索完成任务所需的具体信息。

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3from agno.embedder.openai import OpenAIEmbedder
4from agno.tools.duckduckgo import DuckDuckGoTools
5from agno.knowledge.pdf_url import PDFUrlKnowledgeBase
6from agno.vectordb.lancedb import LanceDb, SearchType
7
8agent = Agent(
9    model=OpenAIChat(id="gpt-4o"),
10    description="你是泰国菜专家！",
11    instructions=[
12        "优先从知识库检索泰国菜食谱",
13        "若问题更适合网络搜索，则补充网络结果",
14        "知识库信息优先于网络结果"
15    ],
16    knowledge=PDFUrlKnowledgeBase(
17        urls=["https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
18        vector_db=LanceDb(
19            uri="tmp/lancedb",
20            table_name="recipes",
21            search_type=SearchType.hybrid,
22            embedder=OpenAIEmbedder(id="text-embedding-3-small"),
23        ),
24    ),
25    tools=[DuckDuckGoTools()],
26    show_tool_calls=True,
27    markdown=True
28)
29
30# 知识库加载完成后可注释掉
31if agent.knowledge is not None:
32    agent.knowledge.load()
33
34agent.print_response("如何制作椰奶鸡汤？", stream=True)
35agent.print_response("泰国咖喱的历史渊源是什么？", stream=True)

安装依赖后运行：

shell
1pip install lancedb tantivy pypdf duckduckgo-search
2
3python agent_with_knowledge.py

查看完整示例

多智能体团队示例

当工具数量超出语言模型处理能力或涉及不同领域时，建议使用专业化智能体团队分工协作。

python
1from agno.agent import Agent
2from agno.models.openai import OpenAIChat
3from agno.tools.duckduckgo import DuckDuckGoTools
4from agno.tools.yfinance import YFinanceTools
5from agno.team import Team
6
7web_agent = Agent(
8    name="网络搜索员",
9    role="执行网络信息检索",
10    model=OpenAIChat(id="gpt-4o"),
11    tools=[DuckDuckGoTools()],
12    instructions="必须标注信息来源",
13    show_tool_calls=True,
14    markdown=True,
15)
16
17finance_agent = Agent(
18    name="金融分析师",
19    role="获取金融数据",
20    model=OpenAIChat(id="gpt-4o"),
21    tools=[YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True)],
22    instructions="使用表格呈现数据",
23    show_tool_calls=True,
24    markdown=True,
25)
26
27agent_team = Team(
28    mode="coordinate",
29    members=[web_agent, finance_agent],
30    model=OpenAIChat(id="gpt-4o"),
31    success_criteria="包含清晰版块和数据洞察的完整金融报告",
32    instructions=["必须标注信息来源", "使用表格呈现数据"],
33    show_tool_calls=True,
34    markdown=True,
35)
36
37agent_team.print_response("AI半导体公司的市场前景和财务表现如何？", stream=True)

安装依赖后运行：

shell
1pip install duckduckgo-search yfinance
2
3python agent_team.py

查看完整示例

性能表现

智能体初始化：平均约2微秒（比LangGraph快约10000倍）
内存占用：平均约3.75Kib（比LangGraph节省约50倍内存）

测试环境：Apple M4芯片MacBook Pro

虽然智能体运行时受推理速度限制，但我们仍要最大限度减少执行时间、降低内存占用、并行化工具调用。这些优化在规模应用时将产生显著效益。

初始化耗时测试

我们测量带1个工具的智能体启动时间。通过1000次测试获取基准数据：

shell
1# 设置虚拟环境
2./scripts/perf_setup.sh
3source .venvs/perfenv/bin/activate
4
5# Agno测试
6python evals/performance/instantiation_with_tool.py
7
8# LangGraph测试
9python evals/performance/other/langgraph_instantiation.py

测试环境：Apple M4芯片MacBook Pro，本仓库Github Action也运行相同测试

测试结果显示：

0.020526秒（LangGraph）/ 0.000002秒（Agno）≈ 10263倍

Agno智能体初始化速度比LangGraph快约10000倍。随着工具数量和知识库的增加，这个优势会更加明显。

内存占用测试

使用tracemalloc库测量内存。先计算空函数基线内存，再运行智能体1000次计算差值。

LangGraph内存占用 / Agno内存占用 ≈ 54.3倍

LangGraph智能体内存占用是Agno的约50倍。在实际生产环境中运行数千个智能体时，内存优化将直接降低运营成本。

结论

虽然我们提供与其他框架的对比基准，但需要强调的是：准确性和可靠性比速度更重要。

未来几周我们将发布在Github Action上运行的准确性测试报告。由于不同框架设计差异，后续基准测试将主要聚焦Agno自身的性能优化。

Cursor配置技巧

使用Cursor开发Agno智能体时，建议添加官方文档作为知识源：

在Cursor设置中找到文档管理选项
添加https://docs.agno.com到文档URL列表
保存设置

现在Cursor将能智能提示Agno文档内容。

文档、社区与更多示例

文档：docs.agno.com
入门示例：入门指南
完整示例库：示例库
社区论坛：community.agno.com
交流群：Discord

贡献指南

欢迎贡献代码，请阅读贡献指南了解流程。

遥测说明

Agno会匿名统计模型使用情况以优化开发优先级。可通过设置环境变量AGNO_TELEMETRY=false禁用此功能。

⬆️ 返回顶部

agno 介绍

简介

🚨 开源AI智能体黑客马拉松！🚨

💰 最高2万美元奖金池

🎁 附加奖励

🤝 合作伙伴

📅 活动时间线：

🤝 想成为合作伙伴或评委？

核心特性

快速开始

安装

什么是智能体？

基础智能体示例

带工具的智能体示例

带知识库的智能体示例

多智能体团队示例

性能表现

初始化耗时测试

内存占用测试

结论

Cursor配置技巧

文档、社区与更多示例

贡献指南

遥测说明

相关项目

pydantic-ai

anything-llm

agno

agno 介绍

简介

🚨 开源AI智能体黑客马拉松！🚨

💰 最高2万美元奖金池

🎁 附加奖励

🤝 合作伙伴

📅 活动时间线：

🤝 想成为合作伙伴或评委？

核心特性

快速开始

安装

什么是智能体？

基础智能体示例

带工具的智能体示例

带知识库的智能体示例

多智能体团队示例

性能表现

初始化耗时测试

内存占用测试

结论

Cursor配置技巧

文档、社区与更多示例

贡献指南

遥测说明

相关项目

pydantic-ai

anything-llm