Semasa bekerja pada AIS AI, pemaju sering mendapati diri mereka menavigasi perdagangan antara kelajuan, fleksibiliti, dan kecekapan sumber. Saya telah meneroka rangka kerja AI yang agentik dan menemui Agno (sebelum ini adalah phi-data). AGNO adalah rangka kerja ringan untuk membina agen berbilang modal. Mereka mendakwa ~ 10,000x lebih cepat daripada Langgraph dan ~ 50x kurang memori daripada Langgraph. Bunyi menarik betul?

Agno dan Langgraph -menawarkan pengalaman yang sangat berbeza. Setelah bersatu dengan Agno dan membandingkan prestasi dan seni bina ke Langgraph, inilah pecahan bagaimana mereka berbeza, di mana setiap orang bersinar, dan apa yang dibawa oleh Agno ke meja.

Tl; dr

• Membina Trisage dan Ejen Penganalisis Pemasaran
• Gunakan AGNO jika anda mahu kelajuan, penggunaan memori yang rendah, keupayaan multimodal, dan fleksibiliti dengan model/alat.
• Gunakan Langgraph jika anda lebih suka logik berasaskan aliran, atau laluan pelaksanaan berstruktur, atau sudah terikat dengan ekosistem Langchain.

Jadual Kandungan

• The Agno: Apa yang ditawarkannya?
• Hands-on With Agno: Bangunan Trisage Ejen
• Hands-On dengan AGNO: Bangunan Penganalisis Pasaran Bangunan
• Agno vs Langgraph: Pertunjukan Prestasi
• Jadi ... adakah Agno lebih baik daripada Langgraph?
• Kesimpulan

The Agno: Apa yang ditawarkannya?

AGNO direka dengan fokus laser pada prestasi dan minimalism. Pada terasnya, AGNO adalah rangka kerja ejen model-sumber-agnostik yang dibina untuk tugas multimodal-bermakna ia mengendalikan teks, imej, audio, dan video secara asli. Apa yang menjadikannya unik adalah bagaimana cahaya dan cepat di bawah tudung, walaupun ketika merancang sejumlah besar ejen dengan kerumitan tambahan seperti memori, alat, dan kedai vektor.

Kekuatan utama yang menonjol:

• Kelajuan Instansiasi Blazing: Penciptaan ejen dalam jam Agno pada kira -kira 2μs per ejen, iaitu ~ 10,000x lebih cepat daripada Langgraph.
• Featherlight Memory Footprint: Ejen Agno menggunakan hanya ~ 3.75 kib memori secara purata- ~ 50x kurang daripada ejen Langgraph.
• Sokongan asli multimodal: Tiada hacks atau plugin -AGNO dibina dari bawah sehingga bekerja dengan lancar dengan pelbagai jenis media.
• Model Agnostik: AGNO tidak peduli jika anda menggunakan OpenAI, Claude, Gemini, atau Open-Source LLMS. Anda tidak terkunci dalam pembekal atau runtime tertentu.
• Pemantauan masa nyata: Sesi dan prestasi ejen dapat diperhatikan secara langsung melalui AGNO, yang menjadikan debug dan pengoptimuman lebih lancar.

Hands-on With Agno: Bangunan Trisage Ejen

Menggunakan AGNO berasa sangat cekap. Anda boleh memutar seluruh armada ejen yang bukan sahaja beroperasi selari tetapi juga berkongsi memori, alat, dan pangkalan pengetahuan. Ejen-ejen ini boleh dikhususkan dan dikelompokkan ke dalam pasukan multi-agen, dan lapisan memori menyokong sesi menyimpan dan menyatakan dalam pangkalan data yang berterusan.

Apa yang sangat mengagumkan ialah bagaimana AGNO menguruskan kerumitan tanpa mengorbankan prestasi. Ia mengendalikan alat-alat ejen dunia yang sebenar, seperti rantaian alat, pengambilan berasaskan RAG, atau penjanaan output berstruktur-tanpa menjadi hambatan prestasi.

Jika anda telah bekerja dengan Langgraph atau rangka kerja yang sama, anda akan segera melihat lag permulaan dan penggunaan sumber yang dielakkan AGNO. Ini menjadi pembezaan kritikal pada skala. Mari kita bina ejen Trisage.

Memasang perpustakaan yang diperlukan

 ! Pip pemasangan -u agno
! Pip memasang duckduckgo-search
! Pip memasang terbuka
! Pip memasang pycountry

Ini adalah arahan shell untuk memasang pakej python yang diperlukan:

• AGNO : Rangka kerja teras digunakan untuk menentukan dan menjalankan ejen AI.
• Duckduckgo-Search : membolehkan ejen menggunakan DuckDuckGo untuk mencari web.
• OpenAI : Untuk interfacing dengan model OpenAI seperti GPT-4 atau GPT-3.5.

Import yang diperlukan

 dari ejen import Agno.Agent
dari agno.models.openai import openaichat
dari agno.tools.duckduckgo import duckduckgotools
dari agno.tools.googlesearch import googlesearchtools
dari agno.tools.dalle import dalletools
dari pasukan import agno.team
dari deden import teks

Persediaan utama API

 dari Getpass Import Getpass
Openai_key = getpass ('Masukkan kunci AI AI:')

Import OS
os.environ ['openai_api_key'] = openai_key

• Getpass () : Cara selamat untuk memasuki kunci API anda (jadi ia tidak kelihatan).
• Kuncinya kemudian disimpan di alam sekitar supaya kerangka Agno dapat mengambilnya ketika memanggil API Openai.

web_agent - cari web, writer_agent - menulis artikel, image_agent - mencipta visual

 web_agent = agen (
    Nama = "Ejen Web",
    Peranan = "Cari Web untuk maklumat mengenai Menara Eiffel",
    model = openaichat (),
    alat = [DuckDuckGoTools ()],
    arahan = "Berikan maklumat sejarah",
    show_tool_calls = benar,
    markdown = benar,
)

writer_agent = ejen (
    Nama = "Ejen Penulis",
    peranan = "Tulis artikel komprehensif mengenai topik yang disediakan",
    model = openaichat (),
    alat = [googlesearchTools ()],
    arahan = "Gunakan garis besar untuk menulis artikel",
    show_tool_calls = benar,
    markdown = benar,
)

image_agent = agen (
    model = openaichat (),
    alat = [dalletools ()],
    Penerangan = Dedent ("" "\
        Anda adalah artis AI yang berpengalaman dengan kepakaran dalam pelbagai gaya artistik,
        dari photorealisme hingga seni abstrak. Anda mempunyai pemahaman yang mendalam mengenai komposisi,
        teori warna, dan bercerita visual. \
    "" "),
    arahan = deden ("" "\
        Sebagai artis AI, ikuti garis panduan ini:
        1. Menganalisis permintaan pengguna dengan teliti untuk memahami gaya dan mood yang diingini
        2. Sebelum menjana, tingkatkan dengan butiran artistik seperti pencahayaan, perspektif, dan suasana
        3. Gunakan alat `create_image` dengan arahan terperinci dan terperinci
        4. Berikan penjelasan ringkas mengenai pilihan artistik yang dibuat
        5. Sekiranya permintaan itu tidak jelas, minta penjelasan mengenai pilihan gaya

        Sentiasa bertujuan untuk mencipta imej yang menarik dan bermakna yang menangkap penglihatan pengguna! \
    "" "),
    markdown = benar,
    show_tool_calls = benar,
)

Gabungkan ke dalam pasukan

 agen_team = agen (
    pasukan = [web_agent, writer_agent, image_agent],
    model = openaichat (),
    arahan = ["Berikan maklumat sejarah", "Gunakan garis besar untuk menulis artikel", "menghasilkan imej"],
    show_tool_calls = benar,
    markdown = benar,
)

Jalankan semuanya

 Agent_team.print_response ("Tulis artikel di Eiffel Towar dan menghasilkan imej", Stream = Benar)

Output

Output berterusan

Output berterusan

 Saya telah mencipta imej yang realistik Menara Eiffel. Imej itu menangkap<br> Ketinggian dan reka bentuk penuh menara, ┃<br> ┃ Cantik diserlahkan oleh matahari lewat petang. Anda boleh melihatnya dengan<br> mengklik di sini.

Output imej

Hands-On dengan AGNO: Bangunan Penganalisis Pasaran Bangunan

Ejen penganalisis pasaran ini adalah sistem berasaskan pasukan menggunakan AGNO, menggabungkan ejen web untuk maklumat masa nyata melalui DuckDuckGo dan ejen kewangan untuk data kewangan melalui Yahoo Finance. Dikuasakan oleh model OpenAI, ia memberikan pandangan pasaran dan prestasi syarikat AI menggunakan jadual, markdown, dan kandungan yang disokong sumber untuk kejelasan, kedalaman, dan ketelusan.

 dari ejen import Agno.Agent
dari agno.models.openai import openaichat
dari agno.tools.duckduckgo import duckduckgotools
dari agno.tools.yfinance import yfinancetools
dari pasukan import agno.team

web_agent = agen (
    Nama = "Ejen Web",
    peranan = "Cari web untuk maklumat",
    model = openaichat (),
    alat = [DuckDuckGoTools ()],
    arahan = "Sentiasa termasuk sumber",
    show_tool_calls = benar,
    markdown = benar,
)

kewangan_agent = ejen (
    Nama = "Ejen Kewangan",
    Peranan = "Dapatkan Data Kewangan",
    model = openaichat (),
    alat = [yfinancetools (stock_price = true, analst_recommendations = true, company_info = true)],
    arahan = "Gunakan jadual untuk memaparkan data",
    show_tool_calls = benar,
    markdown = benar,
)

agen_team = agen (
    pasukan = [web_agent, kewangan_agent],
    model = openaichat (),
    arahan = ["Sentiasa termasuk sumber", "Gunakan jadual untuk memaparkan data"],
    show_tool_calls = benar,
    markdown = benar,
)

agen_team.print_response ("Apa pandangan pasaran dan prestasi kewangan syarikat AI teratas di dunia?", Stream = Benar)

Output

Agno vs Langgraph: Pertunjukan Prestasi

Mari kita masuk ke dalam spesifik dan semuanya termasuk dalam dokumentasi rasmi AGNO:

• Ujian prestasi dilakukan pada Apple M4 MacBook Pro menggunakan tracemalloc Python untuk profil memori.
• AGNO mengukur purata instantiasi dan penggunaan memori lebih daripada 1000 larian, mengasingkan kod ejen untuk mendapatkan delta yang bersih.

Kecekapan kelajuan dan memori semacam ini bukan hanya kira -kira nombor -ini adalah kunci untuk berskala. Dalam penyebaran ejen dunia sebenar, di mana beribu-ribu ejen mungkin perlu berputar secara serentak, setiap perkara milisaat dan kilobyte.

Langgraph, sementara yang kuat dan lebih berstruktur untuk aplikasi berasaskan aliran tertentu, cenderung berjuang di bawah beban seperti ini kecuali dioptimumkan. Itu mungkin bukan masalah untuk aplikasi berskala rendah, tetapi ia menjadi cepat mahal apabila menjalankan ejen skala pengeluaran.

Jadi ... adakah Agno lebih baik daripada Langgraph?

Tidak semestinya. Ia bergantung pada apa yang anda bina:

• Jika anda bekerja pada logik ejen berasaskan aliran (berfikir: graf langkah yang diarahkan dengan kawalan peringkat tinggi), Langgraph mungkin menawarkan struktur yang lebih ekspresif.
• Tetapi jika anda memerlukan pelaksanaan ejen multimodal ultra-cepat, rendah, terutamanya dalam persekitaran tinggi atau persekitaran yang dinamik, Agno menang sebanyak satu batu.

Agno jelas nikmat kelajuan dan kecekapan peringkat sistem, sedangkan Langgraph bersandar ke dalam orkestra berstruktur dan kebolehpercayaan. Yang mengatakan, pemaju Agno sendiri mengakui bahawa penanda aras ketepatan dan kebolehpercayaan sama pentingnya -dan mereka sedang dalam kerja -kerja. Sehingga mereka keluar, kita tidak dapat menyimpulkan ketepatan atau ketahanan di bawah kes -kes kelebihan.

Juga Baca: Smolagents vs Langgraph: Perbandingan Komprehensif Rangka Agen AI

Kesimpulan

Dari perspektif tangan, AGNO merasa bersedia untuk beban kerja sebenar, terutamanya untuk pasukan membina sistem agensi pada skala. Ini pemantauan prestasi masa nyata, sokongan untuk output berstruktur, dan keupayaan untuk memasangkan pengetahuan vektor memori menjadikannya platform yang menarik untuk membina aplikasi yang mantap dengan cepat.

Langgraph tidak keluar dari perlumbaan-kekuatannya terletak pada logik kawalan berorientasikan aliran yang jelas. Tetapi jika anda memukul dinding skala atau perlu menjalankan beribu -ribu ejen tanpa mencairkan infrastruktur anda, AGNO bernilai kelihatan serius.

Atas ialah kandungan terperinci Bagaimana Membina Ejen AI Multimodal Menggunakan Rangka Kerja AGNO?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!