agno

用途

Agno 是一个开源框架，用于构建、部署和管理多智能体 AI 系统。该技能面向需要使用 Agno 框架开发生产级多智能体应用的场景，提供专家级协助。

适用场景包括：构建 AI 智能体或多智能体系统；实现 RAG（检索增强生成）方案；创建自主 AI 工作流与流水线；使用 AgentOS 将智能体部署到生产环境；开发 LLM 驱动的应用；解答关于 Agno 框架、智能体、团队或工作流的问题；为智能体实现工具、记忆、知识库或存储；集成各类 LLM 提供商（Anthropic、OpenAI、Google 等）；调试或优化基于 Agno 的应用；配置带认证与监控的生产部署。

主要能力

Agno 强调以下特性：

性能：据资料称比 LangGraph 快 529 倍，比 PydanticAI 快 57 倍。
生产就绪：提供完整的运行时（AgentOS）与控制平面用于部署。
安全优先：完全运行在用户自有云基础设施中。
模型无关：支持所有主流 LLM 提供商（OpenAI、Anthropic、Google 等）。

核心组件：

Agents：由语言模型控制执行流的 AI 程序。关键特性包括工具（Tools，使智能体能够采取行动并与外部系统交互）、记忆（Memory，存储和回忆先前交互信息）、知识（Knowledge，用于 RAG 模式的向量数据库集成）、存储（Storage，在数据库中保存会话历史与状态）、推理（Reasoning，在响应前分析行动结果）。
Teams：协同工作的智能体集合，智能体之间可以相互委派工作。
Workflows：编排的智能体与逻辑序列。
AgentOS：用于部署的生产运行时。

使用方式

安装：

pip install agno

创建第一个智能体（示例）：

from agno.agent import Agent
from agno.models.anthropic import Claude
from agno.tools.duckduckgo import DuckDuckGoTools

agent = Agent(
    id="web-search-agent",
    model=Claude(id="claude-sonnet-4"),
    tools=[DuckDuckGoTools()],
    instructions="Search the web and provide accurate information.",
    show_tool_calls=True,
    markdown=True,
)

response = agent.run("What are the latest AI trends?")
print(response.content)

添加记忆与存储：可通过 PostgresDb 配置数据库持久化，并使用 AgentMemory 创建用户记忆，配合 storage 保存消息与会话，使对话跨会话保持。

构建带知识的 RAG 智能体：使用 PgVector 作为向量数据库，通过 PDFKnowledgeBase 从 PDF 构建知识库，加载文档后创建带 knowledge 与 search_knowledge 的智能体，智能体在响应前会搜索知识库。

常见模式：

使用 Pydantic 实现结构化输出（output_model、structured_output）。
人在回路（HITL）：通过 require_approval_for_tools 要求人工批准工具执行。
多智能体协作：定义专门化智能体并组成 Team，由 leader 协调。
上下文注入与依赖：通过 dependencies、metadata、session_state 传递动态上下文与运行时元数据。
流式响应：使用 run_stream 或 arun_stream。

AgentOS API 部署：创建 AgentOS 实例并获取 FastAPI 应用，使用 uvicorn 提供服务（示例端口 7777）。可通过 REST API 运行智能体，支持传递 message、stream、user_id、session_id、dependencies、output_schema 等参数。可通过 security_key 配置 API 密钥认证。

高级功能：

Hooks 与后台任务：支持 pre_run_hooks、post_run_hooks，以及 run_in_background 后台钩子，可在 AgentOS 中全局启用 run_hooks_in_background。
推理与模型控制：reasoning=True 启用推理，可控制 temperature、max_tokens 等参数。
上下文管理：compress_context=True 自动压缩长上下文，可设置 max_context_length。

模型提供商支持：Anthropic Claude、OpenAI、Google Gemini、AWS Bedrock、Azure OpenAI 等。

内置工具与集成：资料称包含 100+ 预构建工具集成，涵盖网络搜索（DuckDuckGo、Tavily）、文件操作、API（GitHub、Slack）、数据分析（Pandas、SQL）、网页抓取（Newspaper、BeautifulSoup）等。也可通过 @tool 装饰器创建自定义工具。

适用场景

资料给出的用例示例包括：

文档助手（RAG）：构建基于知识库、使用向量搜索回答问题的 AI 助手。
竞品分析：通过网络搜索与内容分析实现自动化竞争情报。
研究智能体：结合网络搜索、事实核查与写作能力创建研究文章。
网页数据提取：将非结构化网页内容转化为有组织的结构化数据。
内容生成流水线：用于研究、写作和编辑内容的多智能体工作流。

限制与注意事项

资料中列出的常见问题与解决方案：

智能体未使用工具：确保 show_tool_calls=True 并验证工具描述清晰。
上下文过长：启用 compress_context=True 或实现上下文摘要。
响应缓慢：使用流式（run_stream()）并优化工具执行。
丢失对话上下文：通过 session_id 与数据库存储实现正确的会话管理。

性能基准（据资料）：智能体实例化约 3 微秒；每个智能体内存约 6.6 KiB；吞吐量比 LangGraph 快 529 倍、比 PydanticAI 快 57 倍。

该技能包含参考文件：llms-full.md（完整文档，4.8MB）、llms-txt.md（精简文档，3.1MB）、llms.md（快速参考，203KB）、index.md（文档索引）。

资源：文档 https://docs.agno.com ；GitHub https://github.com/agno-agi/agno ；社区 https://community.agno.com ；示例 https://github.com/agno-agi/agno/tree/main/cookbook 。许可证：Apache-2.0。

关于收费、价格、具体平台支持范围等未在资料中明确说明的信息，暂未提供。

技能介绍

用途

主要能力

使用方式

适用场景

限制与注意事项