如何使用AGNO框架构建多模式AI代理？

在从事代理AI时，开发人员经常发现自己在速度，灵活性和资源效率之间进行权衡。我一直在探索代理AI框架，并遇到了Agno（更早是Phi-data）。 Agno是用于构建多模式代理的轻量级框架。他们声称比Langgraph快〜10,000倍，比Langgraph少约50倍。听起来很有趣吧？

Agno和Langgraph - 提供截然不同的经验。在与Agno进行了动手实践并将其性能和建筑与Langgraph进行比较之后，这是它们如何不同的细分，每个人都闪耀的地方以及Agno带来了什么。

tl; dr

• 建筑三角和营销分析师代理
• 如果您想要速度，低内存使用，多模式功能以及使用型号/工具的灵活性，请使用AGNO。
• 如果您喜欢基于流的逻辑或结构化的执行路径，或者已经与Langchain的生态系统有关，请使用Langgraph。

目录

• Agno：它提供什么？
• 与agno的动手：建筑三角形代理
• 与Agno的动手：建筑市场分析师代理
• Agno vs Langgraph：性能摊牌
• 所以……agno比langgraph好吗？
• 结论

Agno：它提供什么？

Agno设计的重点是性能和极简主义。 Agno的核心是为多模式任务构建的开源，模型不可稳定的代理框架，即在本地处理文本，图像，音频和视频。使其与众不同的是它在引擎盖下的轻快和快速，即使在编排了大量具有记忆，工具和矢量商店（工具和矢量商店）的代理商时。

脱颖而出的关键优势：

• 猛烈的实例化速度：以每位代理约2μs的速度创建代理，比Langgraph快约10,000倍。
• FeatherLight Memory足迹： AGNO代理平均使用〜3.75 KIB的内存 - 比Langgraph代理低约50倍。
• 多模式的本机支持：无黑客或插件 - Agno是从地面构建的，可以与各种媒体类型无缝地工作。
• 模型不可知论： Agno不在乎您是否使用OpenAI，Claude，Gemini或开源LLM。您没有锁定特定的提供商或运行时。
• 实时监控：可以通过Agno实时观察代理会话和性能，这使调试和优化更加顺畅。

与agno的动手：建筑三角形代理

使用Agno感觉令人耳目一新。您可以旋转整个代理机构，这些代理商不仅可以并行运作，还可以共享记忆，工具和知识库。这些代理可以专业化并分组为多代理团队，并且内存层支持在持久数据库中存储会话和状态。

真正令人印象深刻的是Agno如何在不牺牲表现的情况下管理复杂性。它处理现实世界的代理编排（例如工具链，基于抹布的检索或结构化产出生成），而没有成为性能瓶颈。

如果您使用Langgraph或类似框架，您会立即注意到Agno避免的启动滞后和资源消耗。这成为大规模的关键区别。让我们构建Trisage代理。

安装所需的库

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

这些是安装所需Python软件包的外壳命令：

• AGNO ：用于定义和运行AI代理的核心框架。
• DuckDuckgo-Search ：允许代理商使用DuckDuckgo搜索网络。
• Openai ：用于与Openai的型号接口，例如GPT-4或GPT-3.5。

需要进口

来自agno.Agent进口代理
来自agno.models.openai进口Openaichat
来自agno.tools.duckduckgo进口Duckduckgotools
来自agno.tools.googlesearch导入googlesearchtools
来自agno.tools.dalle导入dalletools
来自agno.team进口团队
来自TextWrap Import Dedent

API密钥设置

从GetPass Import GetPass
OpenAi_Key = getPass（'输入打开AI API键：'）

导入操作系统
os.environ ['OpenAI_API_KEY'] = OpenAi_Key

• getPass（） ：安全输入API键的方法（因此不可见）。
• 然后将钥匙存储在环境中，以便在调用OpenAI的API时可以将其拾起。

web_agent - 搜索网络，writer_agent - 撰写文章，image_agent - 创建视觉效果

web_agent =代理（
    名称=“ Web Agent”，
    角色=“在网络上搜索有关埃菲尔铁塔的信息”，
    型号= OpenAICHAT（），
    工具= [duckduckgotools（）]，
    说明=“提供历史信息”，
    show_tool_calls = true，
    markdown = true，
）

writer_agent =代理（
    名称=“作家特工”，
    角色=“有关提供主题的综合文章”，
    型号= OpenAICHAT（），
    工具= [googlesearchtools（）]，
    说明=“使用大纲写文章”，
    show_tool_calls = true，
    markdown = true，
）

image_agent =代理（
    型号= OpenAICHAT（），
    工具= [dalletools（）]，
    描述= dedent（“”“ \ \
        您是一位经验丰富的AI艺术家，具有各种艺术风格的专业知识，
        从光真主到抽象艺术。您对构图有深刻的了解，
        颜色理论和视觉讲故事。\
    ””），
    说明= dedent（“”“ \ \
        作为AI艺术家，请遵循以下准则：
        1。仔细分析用户的请求，以了解所需的样式和心情
        2。生成之前，通过诸如照明，透视和气氛等艺术细节来增强提示
        3。使用`create_image'工具带有详细，精心制作的提示
        4。简要说明做出的艺术选择
        5。如果请求不清楚，请询问有关样式偏好的澄清

        始终旨在创建视觉引人注目且有意义的图像，以捕获用户的视野！\
    ””），
    markdown = true，
    show_tool_calls = true，
）

合并团队

agent_team =代理（
    team = [web_agent，writer_agent，image_agent]，
    型号= OpenAICHAT（），
    说明= [“给出历史信息”，“使用大纲写文章”，“生成图像”]，
    show_tool_calls = true，
    markdown = true，
）

运行整个事情

Agent_team.print_response（“在Eiffel Towar上写一篇文章并生成图像”，Stream = true）

输出

继续产出

继续产出

我创建了埃菲尔铁塔的现实形象。图像捕获了<br> 塔的全高和设计，┃<br> ┃下午的阳光很漂亮。您可以通过<br> 单击此处。

图像输出

与Agno的动手：建筑市场分析师代理

该市场分析师代理是一个使用AGNO的基于团队的系统，将Web代理通过DuckDuckgo结合了用于实时信息的Web代理，并通过Yahoo Finance合并了用于财务数据的财务代理。它由OpenAI模型提供支持，可为清晰，深度和透明度提供市场见解和AI公司绩效。

来自agno.Agent进口代理
来自agno.models.openai进口Openaichat
来自agno.tools.duckduckgo进口Duckduckgotools
来自agno.tools.yfinance进口yfinancetools
来自agno.team进口团队

web_agent =代理（
    名称=“ Web Agent”，
    角色=“搜索网络以获取信息”，
    型号= OpenAICHAT（），
    工具= [duckduckgotools（）]，
    说明=“始终包含来源”，
    show_tool_calls = true，
    markdown = true，
）

finance_agent =代理（
    名称=“财务代理”，
    角色=“获得财务数据”，
    型号= OpenAICHAT（），
    tools = [yfinancetools（stock_price = true，Analyst_recommendations = true，company_info = true）]，]
    说明=“使用表显示数据”，
    show_tool_calls = true，
    markdown = true，
）

agent_team =代理（
    team = [web_agent，finance_agent]，
    型号= OpenAICHAT（），
    说明= [“始终包含来源”，“使用表显示数据”]，
    show_tool_calls = true，
    markdown = true，
）

Agent_team.print_response（“世界顶级AI公司的市场前景和财务绩效是什么？”，Stream = true）

输出

Agno vs Langgraph：性能摊牌

让我们详细介绍，所有这些都包含在Agno的正式文档中：

公制	agno	Langgraph	因素
代理实例化时间	〜2μs	〜20ms	〜〜10,000倍
每个代理的内存使用量	〜3.75 KIB	〜137 KIB	〜50倍轻

• 性能测试是在使用Python的Tracemalloc进行内存分析的Apple M4 MacBook Pro上进行的。
• Agno测量了超过1000次运行的平均实例化和内存使用情况，从而隔离了代理代码以获得干净的三角洲。

这种速度和内存效率不仅涉及数字，而且是可伸缩性的关键。在现实世界的代理部署中，每毫秒和千字节都可能需要同时旋转数千个代理商。

Langgraph虽然针对某些基于流动的应用程序有力，更具结构化，但除非经过重大优化，否则在这种负载下倾向于在这种负载下挣扎。对于低规模的应用程序来说，这可能不是一个问题，但是在运行生产规模的代理商时，它变得昂贵。

所以……agno比langgraph好吗？

未必。这取决于您正在构建的内容：

• 如果您正在研究基于流动的代理逻辑（思考：具有高级控制的步骤的定向图），Langgraph可能会提供更具表现力的结构。
• 但是，如果您需要超快速，低脚印，多模式的代理执行，尤其是在高频率或动态环境中，Agno会赢得一英里。

Agno显然有利于速度和系统级效率，而Langgraph则倾向于结构化的编排和可靠性。也就是说，Agno的开发人员自己承认，准确性和可靠性基准同样重要，而且他们目前正在进行中。在这些案例下，我们无法得出结论的正确性或弹性。

另请阅读：Smolagents vs Langgraph：AI代理框架的全面比较

结论

从动手的角度来看，Agno可以为实际的工作负载做好准备，尤其是对于大规模构建代理系统的团队。它是实时性能监视，对结构化输出的支持以及插入内存向量知识的能力，使其成为快速构建强大应用程序的引人注目的平台。

Langgraph并不是脱离比赛，它的力量在于清晰的，面向流动的控制逻辑。但是，如果您要碰到缩放墙，或者需要在不融化基础设施的情况下运行数千个代理商，那么Agno值得一提。

以上是如何使用AGNO框架构建多模式AI代理？的详细内容。更多信息请关注PHP中文网其他相关文章！