W?hrend der Arbeit an Agentic AI navigieren Entwickler h?ufig die Kompromisse zwischen Geschwindigkeit, Flexibilit?t und Ressourceneffizienz. Ich habe den Agenten-KI-Framework untersucht und bin auf Agno gesto?en (früher war es Phi-Daten). Agno ist ein leichtes Rahmen für den Aufbau von Multimodal-Agenten. Sie behaupten, ~ 10.000 x schneller zu sein als Langgraph und ~ 50x weniger Ged?chtnis als Langgraph. Faszinierend klingen richtig?

Agno und Langgraph - sind nicht unterschiedliche Erfahrungen. Nachdem er mit Agno praktisch gearbeitet und seine Leistung und Architektur mit Langgraph verglichen hat, finden Sie hier eine Aufschlüsselung, wie sie sich unterscheiden, wo jeder scheint und was Agno auf den Tisch bringt.

Tl; dr

• Bau- und Marketing -Analyst -Agent aufbauen
• Verwenden Sie AGNO, wenn Sie Geschwindigkeit, geringer Speichergebrauch, multimodale Funktionen und Flexibilit?t mit Modellen/Tools wünschen.
• Verwenden Sie Langgraph, wenn Sie flie?basierte Logik oder strukturierte Ausführungspfade bevorzugen oder bereits in das ?kosystem von Langchain verbunden sind.

Inhaltsverzeichnis

• The Agno: Was es bietet?
• Praktisch mit AGNO: Bauen von Trruage Agent
• Praktisch mit AGNO: Bauvertreter für Marktanalysten für Geb?ude
• Agno gegen Langgraph: Performance Showdown
• Also ... ist Agno besser als Langgraph?
• Abschluss

The Agno: Was es bietet?

Agno ist mit einem Laserfokus auf Leistung und Minimalismus konzipiert. Im Kern ist Agno ein Open-Source-Model-Agnostic-Agent-Framework für multimodale Aufgaben-das Merieren von IT erledigt Text, Bilder, Audio und Video nativ. Was es einzigartig macht, ist, wie leicht und schnell es unter der Motorhaube ist, selbst wenn eine gro?e Anzahl von Wirkstoffen mit zus?tzlicher Komplexit?t wie Speicher, Werkzeuge und Vektorspeicher orchestriert.

Schlüsselst?rken, die hervorstechen:

• Blazing -Instanziierungsgeschwindigkeit: Erstellung von Agenten in Agnouhren in etwa 2 μs pro Wirkstoff, was ~ 10.000 x schneller als Langgraph ist.
• Featherlight Memory Footprint: AGNO -Agenten verwenden durchschnittlich nur ~ 3,75 KIB -Speicher - ~ 50x weniger als Langgraph -Agenten.
• Multimodal Native Support: Keine Hacks oder Plugins - von Grund auf, nahtlos mit verschiedenen Medientypen zu arbeiten.
• Modell Agnostic: Agno ist es egal, ob Sie OpenAI-, Claude-, Gemini- oder Open-Source-LLMs verwenden. Sie sind nicht in einen bestimmten Anbieter oder eine bestimmte Laufzeit eingeschlossen.
• Echtzeitüberwachung: Agentensitzungen und Leistung k?nnen über AGNO live beobachtet werden, was das Debuggen und die Optimierung viel glatter macht.

Praktisch mit AGNO: Bauen von Trruage Agent

Die Verwendung von Agno fühlt sich erfrischend effizient an. Sie k?nnen ganze Flotten von Agenten, die nicht nur parallel funktionieren, sondern auch Speicher, Werkzeuge und Wissensbasis ausführen, aufrissen. Diese Agenten k?nnen spezialisiert und in Multi-Agent-Teams eingeteilt werden, und die Speicherschicht unterstützt das Speichern von Sitzungen und Zust?nden in einer persistenten Datenbank.

Was wirklich beeindruckend ist, ist, wie Agno Komplexit?t verwaltet, ohne die Leistung zu beeintr?chtigen. Es kümmert sich um die orchestrierung der realen Agenten-wie das Werkzeugkettung, das Abrufen von rappenbasierten oder strukturierten Output-Erzeugung-, w?hrend es zu einem Leistungsengpass wird.

Wenn Sie mit Langgraph oder ?hnlichen Frameworks gearbeitet haben, werden Sie sofort feststellen, dass AGNO die Startverz?gerung und den Ressourcenverbrauch vermieden. Dies wird zu einem kritischen Unterscheidungsmerkmal im Ma?stab. Lassen Sie uns den Trruage Agent bauen.

Installation der erforderlichen Bibliotheken

 ! PIP Installation -U Agno
! Pip Installieren Sie DuckDuckgo-Search
! Pip Installieren Sie OpenAI
! PIP Installieren Sie Pycountry

Dies sind Shell -Befehle, um die erforderlichen Python -Pakete zu installieren:

• AGNO : Kerngerüst zum Definieren und Ausführen von AI -Agenten.
• DuckDuckgo-Search : Lassen Sie Agenten DuckDuckgo verwenden, um das Web zu durchsuchen.
• OpenAI : Für die Verbindung mit OpenAIs Modellen wie GPT-4 oder GPT-3.5.

Erforderliche Importe

 von Agno.agent Importagenten
von Agno.models.openai importieren openaichat
von Agno.tools.duckduckgo Import DuckDuckgotools
von Agno.tools.googlesearch import googlesearchtools
von Agno.tools.dalle Import Dalletools
vom Agno.team -Importteam
von Textwrap Import Dedent

API -Schlüssel -Setup

 von Getpass Import Getpass
Openai_key = getPass ('Geben Sie Open AI API -Schlüssel ein:')

OS importieren
Os.Environ ['openai_api_key'] = openai_key

• GetPass () : Sichere M?glichkeit, Ihren API -Schlüssel einzugeben (es ist also nicht sichtbar).
• Der Schlüssel wird dann in der Umgebung gespeichert, damit das AGNO -Framework ihn beim Aufrufen von OpenAIs API aufnehmen kann.

web_agent - sucht das web, writer_agent - schreibt den article, image_agent - erstellt visuals visuals

 web_agent = Agent (
    name = "Web Agent",
    Rolle = "Durchsuchen Sie das Web nach Informationen zum Eiffelturm",
    Modell = openaichat (),
    Tools = [DuckDuckgotools ()],
    Anweisungen = "Historische Informationen geben",
    show_tool_calls = true,
    markdown = true,
)

writer_agent = Agent (Agent (
    Name = "Schriftsteller Agent",
    ROLE = "Umfassende Artikel zum bereitgestellten Thema schreiben",
    Modell = openaichat (),
    Tools = [googlesearchtools ()],
    Anweisungen = "Verwenden Sie Umrisse zum Schreiben von Artikeln",
    show_tool_calls = true,
    markdown = true,
)

Image_agent = Agent (Agent (
    Modell = openaichat (),
    Tools = [Dalletools ()],
    Beschreibung = dedent ("" "\
        Sie sind ein erfahrener KI -Künstler mit Fachwissen in verschiedenen künstlerischen Stilen.
        vom Fotorealismus bis zur abstrakten Kunst. Sie haben ein tiefes Verst?ndnis der Komposition,
        Farbtheorie und visuelles Geschichtenerz?hlen. \
    "" "),
    Anweisungen = dedent ("" "\
        Befolgen Sie als KI -Künstler folgende Richtlinien:
        1. Analysieren Sie die Anfrage des Benutzers sorgf?ltig, um den gewünschten Stil und die gewünschte Stimmung zu verstehen
        2. Vor der Erzeugung, verbessern Sie die Eingabeaufforderung mit künstlerischen Details wie Beleuchtung, Perspektive und Atmosph?re
        3.. Verwenden Sie das Tool "Create_image" mit detaillierten, gut ausgearbeiteten Eingabeaufforderungen
        4. Geben Sie eine kurze Erkl?rung der getroffenen künstlerischen Entscheidungen an
        5. Wenn die Anfrage unklar ist, fragen Sie um Klarstellung zu Stilpr?ferenzen

        Zielen Sie immer darauf ab, visuell auff?llige und aussagekr?ftige Bilder zu erstellen, die die Vision des Benutzers erfassen! \
    "" "),
    markdown = true,
    show_tool_calls = true,
)

Kombinieren zu einem Team

 Agent_team = Agent (Agent (
    Team = [web_agent, writer_agent, Image_agent],
    Modell = openaichat (),
    Anweisungen = ["Historische Informationen geben", "Umrisse zum Schreiben von Artikeln", "Bild generieren"],
    show_tool_calls = true,
    markdown = true,
)

Führen Sie das Ganze aus

 agent_team.print_response ("Schreiben Sie einen Artikel über Eiffel Towar und generieren Sie Bild", stream = true)

Ausgabe

Fortgesetzte Ausgabe

Fortgesetzte Ausgabe

 Ich habe ein realistisches Bild des Eiffelturms erstellt. Das Bild erfasst die<br> Die volle H?he und das Design des Turms, ┃<br> ┃ Wundersch?n hervorgehoben von der Sonne am sp?ten Nachmittag. Sie k?nnen es sehen<br> Klicken Sie hier.

Bildausgabe

Praktisch mit AGNO: Bauvertreter für Marktanalysten für Geb?ude

Dieser Market Analyst Agent ist ein teambasiertes System, das AGNO verwendet, das einen Webagenten für Echtzeitinformationen über DuckDuckgo und einen Finanzagenten für Finanzdaten über Yahoo Finance kombiniert. Mit OpenAI-Modellen liefert es Markteinblicke und KI-Unternehmensleistung unter Verwendung von Tabellen, Markierungen und Quelleninhalten für Klarheit, Tiefe und Transparenz.

 von Agno.agent Importagenten
von Agno.models.openai importieren openaichat
von Agno.tools.duckduckgo Import DuckDuckgotools
aus Agno.tools.yfinance importieren yfinancetools
vom Agno.team -Importteam

web_agent = Agent (
    name = "Web Agent",
    ROLE = "Suchen Sie das Web nach Informationen",
    Modell = openaichat (),
    Tools = [DuckDuckgotools ()],
    Anweisungen = "Immer Quellen einschlie?en",
    show_tool_calls = true,
    markdown = true,
)

Finance_agent = Agent (Agent (
    name = "Finanzagent",
    Rolle = "Finanzdaten abrufen",
    Modell = openaichat (),
    Tools = [yFinancetools (stock_price = true, Analysten_Recommendations = True, Company_info = true)],
    Anweisungen = "Verwenden Sie Tabellen, um Daten anzuzeigen",
    show_tool_calls = true,
    markdown = true,
)

Agent_team = Agent (Agent (
    Team = [Web_agent, Finance_agent],
    Modell = openaichat (),
    Anweisungen = ["Immer Quellen einbeziehen", "verwenden Tabellen, um Daten anzuzeigen"].
    show_tool_calls = true,
    markdown = true,
)

Agent_team.print_response ("Was ist der Marktausblick und die finanzielle Leistung von Top -KI -Unternehmen der Welt?", Stream = True)

Ausgabe

Agno gegen Langgraph: Performance Showdown

Lassen Sie uns in Einzelheiten eingehen und alles ist in der offiziellen Dokumentation von AGNO enthalten:

• Die Leistungstests wurden an einem Apple M4 MacBook Pro mit der Tracemalloc von Python zum Speicherprofiling durchgeführt.
• AGNO hat die durchschnittliche Instanziierung und den Speicherverbrauch über 1000 L?ufe gemessen und den Agentencode isoliert, um ein sauberes Delta zu erhalten.

Bei dieser Art von Geschwindigkeit und Speichereffizienz geht es nicht nur um Zahlen - es ist der Schlüssel zur Skalierbarkeit. In realen Agent-Bereitstellungen, in denen m?glicherweise Tausende von Agenten gleichzeitig aufdrehen müssen, ist jede Millisekunden- und Kilobyte-Angelegenheit.

Obwohl Langgraph für bestimmte flie?basierte Anwendungen m?chtig und strukturierter ist, k?mpft dies unter dieser Art von Last, sofern sie nicht stark optimiert sind. Dies ist m?glicherweise kein Problem für niedrig Ma?stabs-Apps, wird jedoch schnell teuer, wenn sie Produktionsmittel ausführen.

Also ... ist Agno besser als Langgraph?

Nicht unbedingt. Es h?ngt davon ab, was Sie bauen:

• Wenn Sie an der flie?enden Agentenlogik arbeiten (denken Sie an: Regiegrafische Grafiken von Schritten mit hoher Ebene), bietet Langgraph m?glicherweise eine ausdrucksst?rkere Struktur.
• Wenn Sie jedoch eine ultraschnelle, multimodale Agentenausführung von niedrigem Fu?abdruck ben?tigen, insbesondere in hohen Konzern oder dynamischen Umgebungen, gewinnt Agno um eine Meile.

AGNO bevorzugt eindeutig Geschwindigkeit und Effizienz auf Systemebene, w?hrend Langgraph in strukturierte Orchestrierung und Zuverl?ssigkeit lehnt. Trotzdem erkennen Agnos Entwickler selbst an, dass Genauigkeit und Zuverl?ssigkeitsbenchmarks genauso wichtig sind - und sie sind derzeit in Arbeit. Bis diese nicht mehr korrigieren oder in den Randf?llen die Korrektheit oder Widerstandsf?higkeit abschlie?en k?nnen.

Lesen Sie auch: Smolagents gegen Langgraph: Ein umfassender Vergleich von AI -Agenten -Frameworks

Abschluss

Aus praktischer Sicht fühlt sich Agno bereit für echte Arbeitsbelastungen, insbesondere für Teams, die Agentensysteme im Ma?stab bauen. Die Echtzeit-Leistungsüberwachung, die Unterstützung der strukturierten Ausgabe und die F?higkeit, das Wissen des Speichervektors einzuschlie?en, machen es zu einer überzeugenden Plattform, um robuste Anwendungen schnell zu erstellen.

Langgraph ist nicht aus der Rasse nicht mehr-seine St?rke liegt in klarer, flussorientierter Kontrolllogik. Aber wenn Sie Skalierungsw?nde treffen oder Tausende von Agenten laufen müssen, ohne Ihre Infrastruktur zu schmelzen, ist Agno einen ernsthaften Look wert.

Das obige ist der detaillierte Inhalt vonWie baue ich multimodale KI -Agenten mit AGNO -Framework auf?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!