如何用Agno框架详细步骤构建基础AI智能体教程

Agno框架助你快速构建多级智能体系统，从基础工具到复杂协作一网打尽。 先说说今天的核心内容： 1. Agno框架的五大智能体等级详解 2. 金融推理智能体的实战代码示例 3. Agno在性能、多模态和多智能体方面的核心优势 ## 什么是 Agno？ **Agno** 是一个用于构建具备记忆、知识与推理能力的多智能体系统（Multi-Agent Systems）的全栈框架。 你可以使用 Agno 构建具备以下五个等级的智能体系统： * Level 1：拥有工具和指令的智能体 * Level 2：具备知识和存储能力的智能体 * Level 3：具备记忆和推理能力的智能体 * Level 4：能够协作与推理的智能体团队 * Level 5：具有状态管理与确定性的智能体流程 ### 示例：Level 1 的金融推理智能体 以下是一个使用 YFinance API 回答问题的 Level 1 推理智能体示例代码：

from agno.agent import Agent
from agno.models.anthropic import Claude
from agno.tools.reasoning import ReasoningTools
from agno.tools.yfinance import YFinanceTools

reasoning_agent = Agent(
    model=Claude(id="claude-sonnet-4-20250514"),
    tools=[
        ReasoningTools(add_instructions=True),
        YFinanceTools(
            stock_price=True,
            analyst_recommendations=True,
            company_info=True,
            company_news=True
        ),
    ],
    instructions="使用表格展示数据。",
    markdown=True,
)

? 示例视频：reasoning_finance_agent.mp4 ## 快速开始 如果你是 Agno 的新手，建议先阅读官方文档，学习如何构建你的第一个智能体，并在 Playground 中与其对话，还可以在 agno.com 上实时监控。 完成入门后，前往示例库，开始使用 Agno 构建实际应用程序。 ## 为什么选择 Agno？ **Agno** 可以帮助你构建一流、高性能的智能体系统，节省大量的调研和样板代码时间。以下是 Agno 的核心优势： * ? **模型无关**：Agno 提供统一的接口，支持 23+ 个模型提供商，无需被某一个平台锁定。 * ⚡ **高性能**：智能体实例化时间仅约 **3 微秒**，平均内存占用约为 **6.5 KiB**。 * ? **推理为核心能力**：推理能力是构建复杂自主智能体的关键，能显著提高系统可靠性。Agno 提供三种推理方案：`推理模型`，`推理工具`或`自定义思维链方法`。 * ? **原生多模态支持**：Agno 智能体原生支持多模态输入输出，包括文本、图像、音频和视频。 * ?‍?‍? **多智能体架构**：提供业界领先的多智能体架构（Agent Teams），具备推理、记忆和共享上下文能力。 * ? **内建 Agentic 搜索**：支持 20+ 种向量数据库，智能体可在运行时搜索信息。Agno 提供先进的 Agentic RAG，异步执行，性能优异。 * ? **内建记忆与会话存储**：智能体自带存储与记忆驱动器，实现长期记忆与会话追踪。 * ? **结构化输出**：智能体可返回完全类型化的响应，支持模型原生结构化输出或 `json_mode` 格式。 * ? **预构建 FastAPI 路由**：创建智能体后，使用内置的 FastAPI 路由即可将其上线，从开发到部署仅需几分钟。 * ? **实时监控**：你可以在 agno.com 上实时监控智能体的会话与性能表现。 ## 安装方式

pip install -U agno

## 示例：推理智能体 让我们来构建一个**推理智能体**，以此感受 Agno 的强大能力。 ? 第一步：保存代码： `reasoning_agent.py`

from agno.agent import Agent
from agno.models.anthropic import Claude
from agno.tools.reasoning import ReasoningTools
from agno.tools.yfinance import YFinanceTools

agent = Agent(
    model=Claude(id="claude-sonnet-4-20250514"),
    tools=[
        ReasoningTools(add_instructions=True),
        YFinanceTools(
            stock_price=True,
            analyst_recommendations=True,
            company_info=True,
            company_news=True
        ),
    ],
    instructions=[
        "使用表格展示数据",
        "只输出报告内容，不要输出其他文本",
    ],
    markdown=True,
)

agent.print_response(
    "请撰写一份关于 NVDA（英伟达）的报告",
    stream=True,
    show_full_reasoning=True,
    stream_intermediate_steps=True,
)

第二步：创建虚拟环境，安装依赖，将 `sk-ant-api03-xxxx` 替换为你自己的 Anthropic API 密钥，并运行智能体。

uv venv --python 3.12
source .venv/bin/activate

uv pip install agno anthropic yfinance

export ANTHROPIC_API_KEY=sk-ant-api03-xxxx

python reasoning_agent.py

执行以上代码后，你将看到智能体如何进行推理，使用 `ReasoningTools` 与 `YFinanceTools` 来收集信息、生成报告。这一过程将在控制台中以流式方式展示中间推理步骤。 ? 示例输出视频：reasoning_finance_agent.mp4 ## 示例：多智能体团队 在 Agno 中，**Agent 是最小的工作单元**。每个 Agent 最适合承担专一任务，工具数量较少时效率最佳。 当你需要使用大量工具，或者处理多个领域的知识时，推荐使用 **Agent 团队（Team）** 将任务负载进行分工协作。 ? 示例代码：`agent_team.py`

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
from agno.tools.yfinance import YFinanceTools
from agno.team import Team

# 网络搜索智能体
web_agent = Agent(
    name="Web Agent",
    role="搜索互联网上的信息",
    model=OpenAIChat(id="gpt-4o"),
    tools=[DuckDuckGoTools()],
    instructions="始终附上信息来源",
    show_tool_calls=True,
    markdown=True,
)

# 财经数据智能体
finance_agent = Agent(
    name="Finance Agent",
    role="获取金融数据",
    model=OpenAIChat(id="gpt-4o"),
    tools=[YFinanceTools(
        stock_price=True,
        analyst_recommendations=True,
        company_info=True
    )],
    instructions="使用表格展示数据",
    show_tool_calls=True,
    markdown=True,
)

# 多智能体团队
agent_team = Team(
    mode="coordinate", # 协作模式
    members=[web_agent, finance_agent],
    model=OpenAIChat(id="gpt-4o"),
    success_criteria="生成一份内容全面、结构清晰、数据驱动的 AI 半导体公司财经新闻报告",
    instructions=["始终附上信息来源","使用表格展示数据"],
    show_tool_calls=True,
    markdown=True,
)

# 执行任务
agent_team.print_response(
    "请分析 AI 半导体公司的市场前景和财务表现",
    stream=True
)

⚙️ 安装依赖，运行示例

pip install duckduckgo-search yfinance

python agent_team.py

? 查看完整示例： 请参考 Agno 官方文档中的 Cookbook 章节。 ## 性能表现 在 **Agno**，我们对性能**极度执着**。为什么？因为即使是最简单的 AI 工作流，也可能生成成千上万个智能体（Agent）。当你将系统规模扩展到一定数量的用户时，**性能立刻成为瓶颈**。 Agno 的设计目标就是构建**高性能的智能体系统（Agentic Systems）**： * ? 智能体实例化时间：平均约 **3 微秒** * ? 内存占用：平均约 **6.5 KiB** 测试环境：Apple M4 芯片的 MacBook Pro 虽然智能体的运行时间最终取决于模型的推理性能，但我们仍要尽可能优化执行速度、减少内存使用并实现工具调用的并行化。虽然这些数据看起来微不足道，但在实际运行中，**即使是小规模使用也会快速积累成本**。 ### 实例化时间测试 我们将测量一个带有 1 个工具的智能体的启动时间。我们运行 1000 次评估，以获得基准测量值。 建议你在自己的机器上运行此测试，不要直接参考以下结果。

# 使用官方脚本设置虚拟环境
./scripts/perf_setup.sh
source .venvs/perfenv/bin/activate

# 或者手动安装依赖
# pip install openai agno langgraph langchain_openai

# Agno
python evals/performance/instantiation_with_tool.py

# LangGraph
python evals/performance/other/langgraph_instantiation.py

此评估在 Apple M4 MacBook Pro 上运行，并作为 GitHub Action 集成在官方仓库中。 右侧运行的是 LangGraph，**我们提前启动它以让它领先**； 左侧是 Agno，但你会注意到：Agno 在 LangGraph 完成一半运行时间测量前就已经完成整个任务；更关键的是，LangGraph 甚至还没有开始测量内存使用，而 Agno 早已完成全部流程。 ? 演示视频：agno_vs_langgraph_perf.mp4 ### 内存使用情况 为了评估内存使用情况，我们使用了 Python 的 `tracemalloc` 库。 * 首先运行一个空函数，计算基准内存占用； * 然后运行智能体（Agent）1000 次； * 最后计算两者的差值。 这种方法可以（相对）**独立地测量单个 Agent 的内存占用**。 **建议你在自己的机器上亲自运行该测试，并深入阅读相关代码**，了解实现机制。如果你发现了任何问题，欢迎反馈！ ### 总结 Agno 智能体是专为**高性能**而设计的。虽然我们与其他框架进行了部分性能对比，但我们始终认为： > **准确性和可靠性，永远比纯粹的速度更重要。** 由于每个框架的架构差异较大，我们无法像优化 Agno 那样优化其他框架。因此，未来我们将只与自身历史版本进行性能对比。 ## 在 Cursor 中使用 Agno 文档 使用 Cursor 编写 Agno 智能体时，加载官方文档能显著提高开发效率。 1. 打开 Cursor 设置（Settings）或偏好设置（Preferences）； 2. 找到“管理文档源”（Manage Documentation Sources）； 3. 添加以下 URL：`https://docs.agno.com`； 4. 保存设置。 完成后，Cursor 就可以直接访问 Agno 的文档内容，助你更高效地开发智能体。 ## 贡献指南 我们欢迎社区开发者的参与！ 请阅读贡献指南（Contributing Guide）来开始参与贡献。 ## 遥测信息 Agno 会记录每个智能体使用了哪个模型，以便我们优先为最受欢迎的模型提供支持。 如果你希望禁用此功能，请在环境变量中设置：

AGNO_TELEMETRY=false