Tout en travaillant sur une IA agentique, les développeurs se retrouvent souvent à naviguer dans les compromis entre la vitesse, la flexibilité et l'efficacité des ressources. J'ai exploré le cadre de l'IA agentique et je suis tombé sur AGNO (plus t?t c'était phi-data). AGNO est un cadre léger pour construire des agents multimodaux. Ils prétendent être ~ 10 000x plus rapides que Langgraph et ~ 50x moins de mémoire que Langgraph. Un bruit intrigant, non?

Agno et Langgraph - offrent des expériences très différentes. Après avoir été devenu pratique avec AGNO et comparé ses performances et son architecture à Langgraph, voici une ventilation de la fa?on dont elles diffèrent, où chacune brille et de ce qu'Agno apporte à la table.

Tl; dr

• Construire l'agent d'analyste de trisage et marketing
• Utilisez AGNO si vous voulez de la vitesse, une faible utilisation de la mémoire, des capacités multimodales et une flexibilité avec des modèles / outils.
• Utilisez Langgraph si vous préférez la logique basée sur le débit ou les chemins d'exécution structurés, ou si vous êtes déjà lié à l'écosystème de Langchain.

Table des matières

• L'AGNO: Qu'est-ce qu'il propose?
• Pratique avec Agno: construire un agent de trisage
• Pratique avec AGNO: agent d'analyste du marché du batiment
• AGNO vs Langgraph: Force de performance
• Alors… Agno est-il meilleur que Langgraph?
• Conclusion

L'AGNO: Qu'est-ce qu'il propose?

AGNO est con?u avec un laser concentré sur la performance et le minimalisme. à la base, AGNO est un framework d'agent open-source et d'agent modèle con?u pour les taches multimodales - le faire gère le texte, les images, l'audio et la vidéo nativement. Ce qui le rend unique, c'est à quel point il est léger et rapide sous le capot, même lors de l'orchestration d'un grand nombre d'agents avec une complexité supplémentaire comme la mémoire, les outils et les magasins vectoriels.

Forces clés qui se démarquent:

• Blazing Instanciation Speed: Création d'agent dans AGNO Clocks in Environ 2 μs par agent, soit ~ 10 000x plus rapide que le langgraphe.
• Foot-Feather Memory Footprint: AGNO Les agents n'utilisent que ~ 3,75 kib de mémoire en moyenne - ~ 50 fois de moins que les agents Langgraph.
• Prise en charge native multimodale: pas de hacks ou de plugins - AGNO est construit à partir de zéro pour travailler de manière transparente avec divers types de médias.
• Modèle Agnostic: Agno ne se soucie pas si vous utilisez des LLM Openai, Claude, Gemini ou Open-source. Vous n'êtes pas enfermé dans un fournisseur ou un runtime spécifique.
• Surveillance en temps réel: les séances d'agent et les performances peuvent être observées en direct via AGNO, ce qui rend le débogage et l'optimisation beaucoup plus fluide.

Pratique avec Agno: construire un agent de trisage

L'utilisation d'Agno est une efficacité rafra?chissante. Vous pouvez faire tourner des flottes d'agents entières qui non seulement fonctionnent en parallèle, mais aussi partager la mémoire, les outils et les bases de connaissances. Ces agents peuvent être spécialisés et regroupés en équipes multi-agents, et la couche de mémoire prend en charge le stockage des séances et des états dans une base de données persistante.

Ce qui est vraiment impressionnant, c'est comment Agno gère la complexité sans sacrifier la performance. Il gère l'orchestration des agents réel - comme le cha?nage d'outils, la récupération basée sur des chiffons ou la génération de sortie structurée, sans devenir un goulot d'étranglement des performances.

Si vous avez travaillé avec Langgraph ou des cadres similaires, vous remarquerez immédiatement le décalage du démarrage et la consommation de ressources qu'Agno évite. Cela devient un différenciateur critique à grande échelle. Construisons l'agent Trisage.

Installation des bibliothèques requises

 ! pip install -u Agno
! Pip installer DuckDuckgo-Search
! Pip install openai
! Pip install pycounry

Ce sont des commandes shell pour installer les packages Python requis:

• AGNO : Core Framework utilisé pour définir et exécuter des agents AI.
• DuckDuckgo-Search : permet aux agents utiliser DuckDuckgo pour rechercher le Web.
• OpenAI : pour l'interfa?age avec les modèles d'Openai comme GPT-4 ou GPT-3.5.

Importations requises

 de l'agent d'importation Agno.agent
De Agno.Models.Openai Import Openaichat
De Agni.Tools.DuckDuckgo Import DuckDuckGotools
de Agno.tools.googlesearch Import GooglesearchTools
De Agni.Tools.Dalle Import Dalletools
de l'équipe d'importation Agno.Team
à partir de textwrap importe Dedent

Configuration de la clé API

 De GetPass Import Getpass
Openai_key = getPass ('Entrez la touche API AI Open:')

Importer un système d'exploitation
os.environ ['openai_api_key'] = openai_key

• getPass () : moyen sécurisé d'entrer votre clé API (donc ce n'est pas visible).
• La clé est ensuite stockée dans l'environnement afin que le framework AGNO puisse le récupérer lors de l'appel de l'API d'Openai.

Web_agent - Recherche sur le Web, écrivain_agent - écrit l'article, Image_Agent - Crée des visuels

 web_agent = agent (
    name = "agent Web",
    role = "Recherchez sur le Web des informations sur la tour Eiffel",
    modèle = openaichat (),
    outils = [DuckDuckGotools ()],
    instructions = "donner des informations historiques",
    show_tool_calls = true,
    Markdown = true,
)

writer_agent = agent (
    name = "Agent écrivain",
    role = "écrire un article complet sur le sujet fourni",
    modèle = openaichat (),
    tools = [googlesearchtools ()],
    instructions = "Utiliser des contours pour écrire des articles",
    show_tool_calls = true,
    Markdown = true,
)

image_agent = agent (
    modèle = openaichat (),
    outils = [dalletools ()],
    description = Dedent ("" "\
        Vous êtes un artiste d'IA expérimenté avec une expertise dans divers styles artistiques,
        du photoréalisme à l'art abstrait. Vous avez une compréhension approfondie de la composition,
        théorie des couleurs et narration visuelle. \
    "" "),
    instructions = Dedent ("" "\
        En tant qu'artiste de l'IA, suivez ces directives:
        1. Analyser attentivement la demande de l'utilisateur pour comprendre le style et l'humeur souhaités
        2. Avant de générer, améliorez l'invite avec des détails artistiques comme l'éclairage, la perspective et l'atmosphère
        3. Utilisez l'outil `Create_image? avec des invites détaillées et bien con?ues
        4. Fournir une brève explication des choix artistiques faits
        5. Si la demande n'est pas claire, demandez des éclaircissements sur les préférences de style

        Visez toujours à créer des images visuellement frappantes et significatives qui capturent la vision de l'utilisateur! \
    "" "),
    Markdown = true,
    show_tool_calls = true,
)

Combiner en équipe

 agent_team = agent (
    team = [web_agent, writer_agent, image_agent],
    modèle = openaichat (),
    instructions = ["donner des informations historiques", "utiliser des contours pour écrire des articles", "générer de l'image"],
    show_tool_calls = true,
    Markdown = true,
)

Courir le tout

 agent_team.print_response ("écrivez un article sur Eiffel Towar et générez une image", Stream = true)

Sortir

Sortie continue

Sortie continue

 J'ai créé une image réaliste de la tour Eiffel. L'image capture le<br> pleine hauteur et conception de la tour, ┃<br> ┃ Magnifiquement mis en évidence par le soleil de fin d'après-midi. Vous pouvez le voir par<br> cliquez ici.

Sortie de l'image

Pratique avec AGNO: agent d'analyste du marché du batiment

Cet agent d'analyste de marché est un système en équipe utilisant AGNO, combinant un agent Web pour des informations en temps réel via DuckDuckgo et un agent financier pour les données financières via Yahoo Finance. Propulsé par les modèles OpenAI, il fournit des informations sur le marché et des performances de l'entreprise AI à l'aide de tables, de bourse et de contenu soutenu par la source pour la clarté, la profondeur et la transparence.

 de l'agent d'importation Agno.agent
De Agno.Models.Openai Import Openaichat
De Agni.Tools.DuckDuckgo Import DuckDuckGotools
De Agni.Tools.yfinance Import YfinanceTools
de l'équipe d'importation Agno.Team

web_agent = agent (
    name = "agent Web",
    role = "Rechercher les informations sur le Web",
    modèle = openaichat (),
    outils = [DuckDuckGotools ()],
    instructions = "Incluez toujours des sources",
    show_tool_calls = true,
    Markdown = true,
)

finance_agent = agent (
    name = "Agent financier",
    role = "obtenir des données financières",
    modèle = openaichat (),
    tools = [yFinanceTools (Stock_price = true, analyst_recomMendations = true, company_info = true)],
    instructions = "Utiliser des tables pour afficher les données",
    show_tool_calls = true,
    Markdown = true,
)

agent_team = agent (
    team = [web_agent, finance_agent],
    modèle = openaichat (),
    instructions = ["Incluez toujours des sources", "utilisez des tables pour afficher les données"],
    show_tool_calls = true,
    Markdown = true,
)

agent_team.print_response ("Quelles sont les perspectives du marché et les performances financières des meilleures sociétés d'IA du monde?", Stream = true)

Sortir

AGNO vs Langgraph: Force de performance

Passons aux détails et tout est inclus dans la documentation officielle d'Agno:

• Les tests de performances ont été effectués sur un Apple M4 MacBook Pro en utilisant Tracemalloc de Python pour le profilage de la mémoire.
• AGNO a mesuré l'instanciation moyenne et l'utilisation de la mémoire sur 1000 exécutions, isolant le code d'agent pour obtenir un delta propre.

Ce type de vitesse et d'efficacité de la mémoire ne concerne pas seulement les nombres - c'est la clé de l'évolutivité. Dans les déploiements d'agents du monde réel, où des milliers d'agents peuvent avoir besoin de tourner simultanément, chaque milliseconde et kilobyte.

Langgraph, bien que puissant et plus structuré pour certaines applications basées sur le débit, a tendance à lutter sous ce type de charge à moins d'être optimisé. Ce n'est peut-être pas un problème pour les applications à faible échelle, mais cela devient co?teux rapidement lors de l'exécution d'agents à l'échelle de la production.

Alors… Agno est-il meilleur que Langgraph?

Pas nécessairement. Cela dépend de ce que vous construisez:

• Si vous travaillez sur la logique d'agent basée sur le flux (pensez: graphiques dirigés d'étapes avec contr?le de haut niveau), Langgraph pourrait offrir une structure plus expressive.
• Mais si vous avez besoin d'une exécution d'agent multimodale ultra-rapide, à faible empreinte, en particulier dans des environnements à haute concurrence ou dynamique, AGNO gagne d'un mile.

AGNO favorise clairement la vitesse et l'efficacité au niveau du système, tandis que le langgraphe se penche sur l'orchestration et la fiabilité structurées. Cela dit, les développeurs d'Agno reconnaissent eux-mêmes que les références de précision et de fiabilité sont tout aussi importantes et sont actuellement en cours. Jusqu'à ce qu'ils soient sortis, nous ne pouvons pas conclure d'exactitude ou de résilience dans les cas de bord.

Lire aussi: Smolagents vs Langgraph: une comparaison complète des cadres d'agent d'IA

Conclusion

Du point de vue pratique, AGNO se sent prêt pour de vraies charges de travail, en particulier pour les équipes qui construisent des systèmes agentiques à grande échelle. Il s'agit de la surveillance des performances en temps réel, de la prise en charge de la sortie structurée et de la capacité de brancher les connaissances des vecteurs de mémoire en fait une plate-forme convaincante pour construire rapidement des applications robustes.

Langgraph n'est pas hors de la course - sa force réside dans une logique de contr?le claire et orientée vers le flux. Mais si vous frappez les murs à l'échelle ou si vous avez besoin de gérer des milliers d'agents sans fondre votre infrastructure, Agno vaut un look sérieux.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!