什么是 Agno？

Agno^[1] 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 importAgentfrom agno.models.anthropic importClaudefrom agno.tools.reasoning importReasoningToolsfrom agno.tools.yfinance importYFinanceTools
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^[2]

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^[3]（Agent），并在 Playground^[4] 中与其对话，还可以在 agno.com^[5] 上实时监控。

完成入门后，前往示例库^[6]，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^[7] 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 importAgentfrom agno.models.anthropic importClaudefrom agno.tools.reasoning importReasoningToolsfrom agno.tools.yfinance importYFinanceTools
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 3.12source .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^[8]

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 importAgentfrom agno.models.openai importOpenAIChatfrom agno.tools.duckduckgo importDuckDuckGoToolsfrom agno.tools.yfinance importYFinanceToolsfrom agno.team importTeam
# 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^[9]。

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.shsource .venvs/perfenv/bin/activate
# 或者手动安装依赖# pip install openai agno langgraph langchain_openai
# Agnopython evals/performance/instantiation_with_tool.py
# LangGraphpython 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^[10]

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，欢迎反馈给我们！

🧾 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^[11] 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。

📚 文档资源与社区支持

•官方文档：docs.agno.com^[12]•示例 Cookbook：Cookbook^[13]•社区论坛：community.agno.com^[14]•官方 Discord：加入 Discord^[15]

🤝 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）^[16] 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