エージェントAIに取り組んでいる間、開発者は速度、柔軟性、リソース効率の間のトレードオフをナビゲートすることがよくあります。私はエージェントAIフレームワークを探索しており、Agnoに出會(huì)いました（以前はPhi-Dataでした）。 Agnoは、マルチモーダルエージェントを構(gòu)築するための軽量のフレームワークです。彼らは、ランググラフよりも?10,000倍速く、ランググラフよりも?50倍少ないメモリであると主張しています。魅力的な音？

AgnoとLanggraph - 非常に異なる経験。 Agnoを?qū)g踐し、そのパフォーマンスとアーキテクチャをLanggraphと比較した後、これらがどのように違い、それぞれが輝いているか、Agnoがテーブルにもたらすものの內(nèi)訳を示します。

tl; dr

• ビルディングトリサージおよびマーケティングアナリストエージェント
• 速度、低メモリの使用、マルチモーダル機(jī)能、モデル/ツールでの柔軟性が必要な場合は、AGNOを使用してください。
• フローベースのロジック、または構(gòu)造化された実行パスを好む場合、またはすでにLangchainのエコシステムに結(jié)び付けられている場合は、Langgraphを使用します。

目次

• アグノ：何が提供されますか？
• Agnoとの実踐：ビルディングトリサージエージェント
• Agnoとの実踐：建物市場アナリストエージェント
• Agno vs Langgraph：パフォーマンス対決
• それで…アグノはランググラフよりも優(yōu)れていますか？
• 結(jié)論

アグノ：何が提供されますか？

Agnoは、パフォーマンスとミニマリズムに焦點(diǎn)を當(dāng)てたレーザーで設(shè)計(jì)されています。その中心にあるAgnoは、マルチモーダルタスク向けに構(gòu)築されたオープンソースのモデルに依存しないエージェントフレームワークです。つまり、テキスト、畫像、オーディオ、ビデオをネイティブに処理します。それをユニークにしているのは、メモリ、ツール、ベクターストアなどの複雑さを追加した多數(shù)のエージェントを調(diào)整する場合でも、フードの下でどれだけ軽くて高速であるかです。

際立っている重要な強(qiáng)み：

• 燃えるようなインスタンス速度： Agnoでのエージェントの作成は、エージェントあたり約2μsでクロックします。これは、Langgraphよりも約10,000倍高速です。
• Featherlightメモリフットプリント： Agnoエージェントは、平均でわずか3.75キブのメモリを使用しています。これは、ランググラフエージェントよりも50倍少ないです。
• マルチモーダルネイティブサポート：ハッキングやプラグインなし - アグノは、さまざまなメディアタイプでシームレスに作業(yè)するためにゼロから構(gòu)築されています。
• モデル不可知論者： Agnoは、Openai、Claude、Gemini、またはOpen-Source LLMSを使用しているかどうかを気にしません。特定のプロバイダーやランタイムに閉じ込められていません。
• リアルタイムの監(jiān)視：エージェントセッションとパフォーマンスは、AGNOを介してライブで観察できます。これにより、デバッグと最適化がよりスムーズになります。

Agnoとの実踐：ビルディングトリサージエージェント

Agnoを使用すると、さわやかに効率的です。並行して動(dòng)作するだけでなく、メモリ、ツール、知識ベースを共有するエージェントの艦隊(duì)全體をスピンアップすることができます。これらのエージェントは専門化され、マルチエージェントチームにグループ化でき、メモリレイヤーはセッションと狀態(tài)の保存を永続的なデータベースにサポートします。

本當(dāng)に印象的なのは、アグノがパフォーマンスを犠牲にすることなく複雑さを管理する方法です。パフォーマンスのボトルネックにならずに、ツールチェーン、RAGベースの検索、または構(gòu)造化された出力生成など、実際のエージェントオーケストレーションを処理します。

Langgraphまたは同様のフレームワークを使用している場合、Agnoが回避するスタートアップの遅れとリソース消費(fèi)にすぐに気付くでしょう。これは、大規(guī)模な重要な差別化要因になります。トリサージエージェントを構(gòu)築しましょう。

必要なライブラリのインストール

！ピップインストール-U Agno
！ピップインストールDuckDuckgo-Search
！PIPインストールOpenAI
！PIPインストールパイカップ

これらは、必要なPythonパッケージをインストールするためのシェルコマンドです。

• Agno ：AIエージェントを定義および実行するために使用されるコアフレームワーク。
• Duckduckgo-Search ：エージェントがDuckduckgoを使用してWebを検索できます。
• Openai ：GPT-4やGPT-3.5などのOpenaiのモデルとのインターフェース。

必要な輸入

Agno.Agent Import Agentから
agno.models.openaiインポートOpenaichatから
agno.tools.duckduckgoインポートduckduckgotoolsから
agno.tools.googleSearchからインポートGoogleSearchToolsから
agno.tools.dalleからImport dalletoolsから
Agno.Teamインポートチームから
TextWrap Import Dedentから

APIキーセットアップ

GetPass Import getPassから
openai_key = getPass（ 'ai apiキーを開く：'）

OSをインポートします
os.environ ['openai_api_key'] = openai_key

• getPass（） ：APIキーを入力するための安全な方法（したがって、表示されていません）。
• 次に、キーは環(huán)境に保存され、AgnoフレームワークがOpenaiのAPIを呼び出すときにそれを手に入れることができます。

web_agent - web、writer_agent - 記事を書きます。image_agent - ビジュアルを作成します

web_agent = agent（
    name = "webエージェント"、
    役割= "Eiffel Towerの情報(bào)をWebを検索してください"、
    model = openaichat（）、
    ツール= [duckduckgotools（）]、
    指示=「歴史的情報(bào)を與える」、
    show_tool_calls = true、
    マークダウン= true、
））

writer_agent = agent（
    name = "Writer Agent"、
    役割= "提供されたトピックに関する包括的な記事を書く"、
    model = openaichat（）、
    ツール= [googleSearchTools（）]、
    指示= "記事を書くためにアウトラインを使用する"、
    show_tool_calls = true、
    マークダウン= true、
））

image_agent = agent（
    model = openaichat（）、
    ツール= [dalletools（）]、
    説明= dedent（ "" "\
        あなたは、さまざまな蕓術(shù)スタイルの専門知識を持つ経験豊富なAIアーティストです。
        フォトリアリズムから抽象的な蕓術(shù)まで。あなたは構(gòu)成を深く理解しています、
        カラー理論、視覚的なストーリーテリング。\
    "" "）、
    命令= dedent（ "" "\
        AIアーティストとして、次のガイドラインに従ってください。
        1.ユーザーのリクエストを注意深く分析して、望ましいスタイルと気分を理解する
        2。生成する前に、照明、視點(diǎn)、雰囲気などの蕓術(shù)的な詳細(xì)でプロンプトを強(qiáng)化します
        3.詳細(xì)で巧妙に巧妙にプロンプ??トを使用して、 `create_image`ツールを使用します
        4。行われた蕓術(shù)的な選択の簡単な説明を提供する
        5.リクエストが不明な場合は、スタイルの好みについて説明を求めてください

        ユーザーのビジョンをキャプチャする視覚的に印象的で意味のある畫像を作成することを常に目指してください！\
    "" "）、
    マークダウン= true、
    show_tool_calls = true、
））

チームに結(jié)合します

agent_team = agent（
    Team = [web_agent、writer_agent、image_agent]、
    model = openaichat（）、
    指示= ["歴史的情報(bào)を與える"、 "記事を書くためにアウトラインを使用する"、 "生成畫像"]、
    show_tool_calls = true、
    マークダウン= true、
））

全體を?qū)g行します

agent_team.print_response（ "eiffel towarに関する記事を書いて畫像を生成する"、stream = true）

出力

継続出力

継続出力

エッフェルタワーの現(xiàn)実的なイメージを作成しました。畫像がキャプチャします<br> タワーのフルハイトとデザイン、┃<br> ┃午後遅くの太陽によって美しく強(qiáng)調(diào)されています。あなたはそれを見ることができます<br> ここをクリックします。

畫像出力

Agnoとの実踐：建物市場アナリストエージェント

このマーケットアナリストエージェントは、Agnoを使用するチームベースのシステムであり、Duckduckgoを介したリアルタイム情報(bào)のWebエージェントとYahoo Financeを介した財(cái)務(wù)データの財(cái)務(wù)エージェントを組み合わせています。 Openaiモデルを搭載し、テーブル、マークダウン、ソースバックコンテンツを使用して、明確、深さ、透明性を使用して、市場の洞察とAI企業(yè)のパフォーマンスを提供します。

 Agno.Agent Import Agentから
agno.models.openaiインポートOpenaichatから
agno.tools.duckduckgoインポートduckduckgotoolsから
agno.tools.yfinanceインポートyfinancetoolsから
Agno.Teamインポートチームから

web_agent = agent（
    name = "webエージェント"、
    役割= "情報(bào)のためにWebを検索"、
    model = openaichat（）、
    ツール= [duckduckgotools（）]、
    命令= "常にソースを含む"、
    show_tool_calls = true、
    マークダウン= true、
））

finance_agent = agent（
    name = "Finance Agent"、
    役割= "財(cái)務(wù)データを取得"、
    model = openaichat（）、
    ツール= [yfinancetools（stock_price = true、analyst_recommendations = true、company_info = true）]、
    命令= "テーブルを使用してデータを表示する"、
    show_tool_calls = true、
    マークダウン= true、
））

agent_team = agent（
    Team = [web_agent、finance_agent]、
    model = openaichat（）、
    命令= ["常にソースを含む"、 "テーブルを使用してデータを表示する"]、
    show_tool_calls = true、
    マークダウン= true、
））

agent_team.print_response（ "世界のトップAI企業(yè)の市場の見通しと財(cái)務(wù)パフォーマンスは何ですか？"、stream = true）

出力

Agno vs Langgraph：パフォーマンス対決

詳細(xì)に入りましょう。すべてがAgnoの公式文書に含まれています。

• パフォーマンステストは、PythonのTracemallocを使用してメモリプロファイリングを使用してApple M4 Macbook Proで行われました。
• Agnoは、平均インスタンス化とメモリの使用量を1000回以上測定し、エージェントコードを分離してクリーンなデルタを取得しました。

この種の速度とメモリ効率は、數(shù)字だけではなく、スケーラビリティの鍵です。実際のエージェントの展開では、何千人ものエージェントが同時(shí)にスピンアップする必要がある場合があり、すべてのミリ秒およびキロバイトが重要です。

Langgraphは、特定のフローベースのアプリケーション向けに強(qiáng)力で構(gòu)造化されていますが、最適化されていない限り、この種の負(fù)荷の下で苦労する傾向があります。それは低スケールのアプリの問題ではないかもしれませんが、生産規(guī)模のエージェントを?qū)g行すると高速になります。

それで…アグノはランググラフよりも優(yōu)れていますか？

必ずしもそうではありません。それはあなたが何を構(gòu)築しているかに依存します：

• フローベースのエージェントロジックに取り組んでいる場合（考えてみてください：高レベルの制御を備えたステップの指示されたグラフ）、Langgraphはより表現(xiàn)力のある構(gòu)造を提供する可能性があります。
• ただし、特に高収益または動(dòng)的環(huán)境で、超高速、低フットプリント、マルチモーダルエージェントの実行が必要な場合、Agnoは1マイルで勝ちます。

Agnoは明らかに速度とシステムレベルの効率を支持しますが、Langgraphは構(gòu)造化されたオーケストレーションと信頼性に傾いています。とはいえ、Agnoの開発者自身は、精度と信頼性のベンチマークも同様に重要であることを認(rèn)めています。それらが発生するまで、エッジケースの下での正確性や回復(fù)力を結(jié)論付けることはできません。

また読む：Smolagents vs Langgraph：AIエージェントフレームワークの包括的な比較

結(jié)論

実踐的な観點(diǎn)から、Agnoは、特に大規(guī)模なエージェントシステムを構(gòu)築するチームのために、実際のワークロードの準(zhǔn)備ができていると感じています。リアルタイムのパフォーマンス監(jiān)視、構(gòu)造化された出力のサポート、およびメモリベクトルの知識をプラグインする機(jī)能により、堅(jiān)牢なアプリケーションを迅速に構(gòu)築するための魅力的なプラットフォームになります。

Langgraphはレースから外れているのではなく、強(qiáng)さは明確で流れ指向の制御ロジックにあります。しかし、スケーリングの壁にぶつかり、インフラストラクチャを溶かすことなく何千人ものエージェントを?qū)g行する必要がある場合、Agnoは真剣に見える価値があります。

以上がAGNOフレームワークを使用してマルチモーダルAIエージェントを構(gòu)築する方法は？の詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國語 Web サイトの他の関連記事を參照してください。