如何使用AGNO框架構建多模式AI代理？

在從事代理AI時，開發人員經常發現自己在速度，靈活性和資源效率之間進行權衡。我一直在探索代理AI框架，並遇到了Agno（更早是Phi-data）。 Agno是用於構建多模式代理的輕量級框架。他們聲稱比Langgraph快〜10,000倍，比Langgraph少約50倍。聽起來很有趣吧？

Agno和Langgraph - 提供截然不同的經驗。在與Agno進行了動手實踐並將其性能和建築與Langgraph進行比較之後，這是它們如何不同的細分，每個人都閃耀的地方以及Agno帶來了什麼。

tl; dr

• 建築三角和營銷分析師代理
• 如果您想要速度，低內存使用，多模式功能以及使用型號/工具的靈活性，請使用AGNO。
• 如果您喜歡基於流的邏輯或結構化的執行路徑，或者已經與Langchain的生態系統有關，請使用Langgraph。

目錄

• Agno：它提供什麼？
• 與agno的動手：建築三角形代理
• 與Agno的動手：建築市場分析師代理
• Agno vs Langgraph：性能攤牌
• 所以……agno比langgraph好嗎？
• 結論

Agno：它提供什麼？

Agno設計的重點是性能和極簡主義。 Agno的核心是為多模式任務構建的開源，模型不可穩定的代理框架，即在本地處理文本，圖像，音頻和視頻。使其與眾不同的是它在引擎蓋下的輕快和快速，即使在編排了大量具有記憶，工具和矢量商店（工具和矢量商店）的代理商時。

脫穎而出的關鍵優勢：

• 猛烈的實例化速度：以每位代理約2μs的速度創建代理，比Langgraph快約10,000倍。
• FeatherLight Memory足跡： AGNO代理平均使用〜3.75 KIB的內存 - 比Langgraph代理低約50倍。
• 多模式的本機支持：無黑客或插件 - Agno是從地面構建的，可以與各種媒體類型無縫地工作。
• 模型不可知論： Agno不在乎您是否使用OpenAI，Claude，Gemini或開源LLM。您沒有鎖定特定的提供商或運行時。
• 實時監控：可以通過Agno實時觀察代理會話和性能，這使調試和優化更加順暢。

與agno的動手：建築三角形代理

使用Agno感覺令人耳目一新。您可以旋轉整個代理機構，這些代理商不僅可以並行運作，還可以共享記憶，工具和知識庫。這些代理可以專業化並分組為多代理團隊，並且內存層支持在持久數據庫中存儲會話和狀態。

真正令人印象深刻的是Agno如何在不犧牲表現的情況下管理複雜性。它處理現實世界的代理編排（例如工具鏈，基於抹布的檢索或結構化產出生成），而沒有成為性能瓶頸。

如果您使用Langgraph或類似框架，您會立即註意到Agno避免的啟動滯後和資源消耗。這成為大規模的關鍵區別。讓我們構建Trisage代理。

安裝所需的庫

！ pip安裝-u agno
！ PIP安裝DuckDuckgo-Search
！ PIP安裝OpenAi
PIP安裝Pycountry

這些是安裝所需Python軟件包的外殼命令：

• AGNO ：用於定義和運行AI代理的核心框架。
• DuckDuckgo-Search ：允許代理商使用DuckDuckgo搜索網絡。
• Openai ：用於與Openai的型號接口，例如GPT-4或GPT-3.5。

需要進口

來自agno.Agent進口代理
來自agno.models.openai進口Openaichat
來自agno.tools.duckduckgo進口Duckduckgotools
來自agno.tools.googlesearch導入googlesearchtools
來自agno.tools.dalle導入dalletools
來自agno.team進口團隊
來自TextWrap Import Dedent

API密鑰設置

從GetPass Import GetPass
OpenAi_Key = getPass（'輸入打開AI API鍵：'）

導入操作系統
os.environ ['OpenAI_API_KEY'] = OpenAi_Key

• getPass（） ：安全輸入API鍵的方法（因此不可見）。
• 然後將鑰匙存儲在環境中，以便在調用OpenAI的API時可以將其拾起。

web_agent - 搜索網絡，writer_agent - 撰寫文章，image_agent - 創建視覺效果

web_agent =代理（
    名稱=“ Web Agent”，
    角色=“在網絡上搜索有關埃菲爾鐵塔的信息”，
    型號= OpenAICHAT（），
    工具= [duckduckgotools（）]，
    說明=“提供歷史信息”，
    show_tool_calls = true，
    markdown = true，
）

writer_agent =代理（
    名稱=“作家特工”，
    角色=“有關提供主題的綜合文章”，
    型號= OpenAICHAT（），
    工具= [googlesearchtools（）]，
    說明=“使用大綱寫文章”，
    show_tool_calls = true，
    markdown = true，
）

image_agent =代理（
    型號= OpenAICHAT（），
    工具= [dalletools（）]，
    描述= dedent（“”“ \ \
        您是一位經驗豐富的AI藝術家，具有各種藝術風格的專業知識，
        從光真主到抽象藝術。您對構圖有深刻的了解，
        顏色理論和視覺講故事。 \
    ””），
    說明= dedent（“”“ \ \
        作為AI藝術家，請遵循以下準則：
        1。仔細分析用戶的請求，以了解所需的樣式和心情
        2。生成之前，通過諸如照明，透視和氣氛等藝術細節來增強提示
        3。使用`create_image'工具帶有詳細，精心製作的提示
        4。簡要說明做出的藝術選擇
        5。如果請求不清楚，請詢問有關樣式偏好的澄清

        始終旨在創建視覺引人注目且有意義的圖像，以捕獲用戶的視野！ \
    ””），
    markdown = true，
    show_tool_calls = true，
）

合併團隊

agent_team =代理（
    team = [web_agent，writer_agent，image_agent]，
    型號= OpenAICHAT（），
    說明= [“給出歷史信息”，“使用大綱寫文章”，“生成圖像”]，
    show_tool_calls = true，
    markdown = true，
）

運行整個事情

Agent_team.print_response（“在Eiffel Towar上寫一篇文章並生成圖像”，Stream = true）

輸出

繼續產出

繼續產出

我創建了埃菲爾鐵塔的現實形象。圖像捕獲了<br> 塔的全高和設計，┃<br> ┃下午的陽光很漂亮。您可以通過<br> 單擊此處。

圖像輸出

與Agno的動手：建築市場分析師代理

該市場分析師代理是一個使用AGNO的基於團隊的系統，將Web代理通過DuckDuckgo結合了用於實時信息的Web代理，並通過Yahoo Finance合併了用於財務數據的財務代理。它由OpenAI模型提供支持，可為清晰，深度和透明度提供市場見解和AI公司績效。

來自agno.Agent進口代理
來自agno.models.openai進口Openaichat
來自agno.tools.duckduckgo進口Duckduckgotools
來自agno.tools.yfinance進口yfinancetools
來自agno.team進口團隊

web_agent =代理（
    名稱=“ Web Agent”，
    角色=“搜索網絡以獲取信息”，
    型號= OpenAICHAT（），
    工具= [duckduckgotools（）]，
    說明=“始終包含來源”，
    show_tool_calls = true，
    markdown = true，
）

finance_agent =代理（
    名稱=“財務代理”，
    角色=“獲得財務數據”，
    型號= OpenAICHAT（），
    tools = [yfinancetools（stock_price = true，Analyst_recommendations = true，company_info = true）]，]
    說明=“使用表顯示數據”，
    show_tool_calls = true，
    markdown = true，
）

agent_team =代理（
    team = [web_agent，finance_agent]，
    型號= OpenAICHAT（），
    說明= [“始終包含來源”，“使用表顯示數據”]，
    show_tool_calls = true，
    markdown = true，
）

Agent_team.print_response（“世界頂級AI公司的市場前景和財務績效是什麼？”，Stream = true）

輸出

Agno vs Langgraph：性能攤牌

讓我們詳細介紹，所有這些都包含在Agno的正式文檔中：

公制	agno	Langgraph	因素
代理實例化時間	〜2μs	〜20ms	〜〜10,000倍
每個代理的內存使用量	〜3.75 KIB	〜137 KIB	〜50倍輕

• 性能測試是在使用Python的Tracemalloc進行內存分析的Apple M4 MacBook Pro上進行的。
• Agno測量了超過1000次運行的平均實例化和內存使用情況，從而隔離了代理代碼以獲得乾淨的三角洲。

這種速度和內存效率不僅涉及數字，而且是可伸縮性的關鍵。在現實世界的代理部署中，每毫秒和千字節都可能需要同時旋轉數千個代理商。

Langgraph雖然針對某些基於流動的應用程序有力，更具結構化，但除非經過重大優化，否則在這種負載下傾向於在這種負載下掙扎。對於低規模的應用程序來說，這可能不是一個問題，但是在運行生產規模的代理商時，它變得昂貴。

所以……agno比langgraph好嗎？

未必。這取決於您正在構建的內容：

• 如果您正在研究基於流動的代理邏輯（思考：具有高級控制的步驟的定向圖），Langgraph可能會提供更具表現力的結構。
• 但是，如果您需要超快速，低腳印，多模式的代理執行，尤其是在高頻率或動態環境中，Agno會贏得一英里。

Agno顯然有利於速度和系統級效率，而Langgraph則傾向於結構化的編排和可靠性。也就是說，Agno的開發人員自己承認，準確性和可靠性基準同樣重要，而且他們目前正在進行中。在這些案例下，我們無法得出結論的正確性或彈性。

另請閱讀：Smolagents vs Langgraph：AI代理框架的全面比較

結論

從動手的角度來看，Agno可以為實際的工作負載做好準備，尤其是對於大規模構建代理系統的團隊。它是實時性能監視，對結構化輸出的支持以及插入內存向量知識的能力，使其成為快速構建強大應用程序的引人注目的平台。

Langgraph並不是脫離比賽，它的力量在於清晰的，面向流動的控制邏輯。但是，如果您要碰到縮放牆，或者需要在不融化基礎設施的情況下運行數千個代理商，那麼Agno值得一提。

以上是如何使用AGNO框架構建多模式AI代理？的詳細內容。更多資訊請關注PHP中文網其他相關文章！