【AI Agent】（四）极简主义的AI Agent框架：Agno 深度体验

发表于 2026-04-17 更新于 2026-05-24 分类于技术科普

📚 AI Agent 开源框架实战系列（5/6） | ⬅️ 上一篇：AutoGen：让多个 AI Agent 对话协作 | ➡️ 下一篇：Smolagents：HuggingFace 的轻量级 Agent 框架 | 🔗 配套代码仓库

开篇钩子：如果 AI Agent 框架只需要 5 行代码，你信吗？

大多数 AI Agent 教程的第一步，是让你安装十几个包，然后写几十行样板代码——光是配置日志和初始化客户端就能耗掉你半个小时。

但如果我说，用 Agno 框架，5 行核心代码就能创建一个真实可用的、有工具调用能力的完整 Agent？

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools

agent = Agent(model=OpenAIChat(id="gpt-4o"), tools=[DuckDuckGoTools()], show_tool_calls=True)
agent.print_response("今天 AI 领域有什么新闻？", stream=True)

这不是玩具——这是一个真实能联网搜索、实时流式输出的 Agent。Agno 的设计哲学很极端：用最少的代码，做最多的事。

一、为什么要用 Agno？（极简哲学的代价与收益）

从 phidata 到 Agno： 2025 年，phidata 正式改名为 Agno（发音同 “ag-no”），寓意 AI 智能体（Agent）的起点。这次改名不只是换个 logo——整个框架重新聚焦于一个核心命题：让 AI Agent 开发回归简单。

原生多模态： 同一个 Agent 实例可以直接处理文字、图片、语音、视频，不需要为每种模态单独搭建数据管道。你给它一张菜单图片，它能分析菜品热量；你传一段语音，它能直接总结内容。

性能数字说话： 官方基准测试显示，Agno Agent 的实例化时间约为 2 微秒，内存占用约 6.5 KB。这意味着即使你在同一个服务里同时运行数千个 Agent 实例，资源开销依然可控。

模型支持最广： Agno 原生支持 23+ 家模型提供商，包括 OpenAI、Anthropic、Groq、Google Gemini、以及本地运行的 Ollama 等，切换模型只需改一行代码，无需重构业务逻辑。

二、核心概念，用人话解释

Agent：一把瑞士军刀

LangChain 的 Agent 初始化可能需要二十几个参数，还要单独配置 chain、prompt template、memory buffer……Agno 的 Agent 更像瑞士军刀——小巧，但每个刀片都真实好用。

agent = Agent(
    model=OpenAIChat(id="gpt-4o"),                              # 用哪个大脑
    tools=[get_current_time, calculate],                         # 会哪些技能
    storage=SqliteAgentStorage(db_file="agent.db"),              # 记在哪里
    instructions=["用中文回答", "回答要简洁"],                    # 行为准则
    add_history_to_messages=True,                                # 记住对话历史
)

五个参数，全部职责一目了然。

@tool 装饰器：给 Agent 赋予技能

@tool 是 Python 的装饰器语法。理解它很简单：写一个普通函数，在定义前一行加上 @tool，这个函数就变成了 Agent 能主动调用的能力。

from agno.tools import tool

@tool
def get_current_time() -> str:
    """获取当前时间"""
    from datetime import datetime
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

Agent 会自动读取函数的名称、文档字符串（那行 """获取当前时间"""）、参数类型，决定”什么时候该用这个工具”。你不需要额外注册或配置。

Storage（存储）：Agent 的日记本

没有 Storage，每次对话 Agent 都是全新状态——就像每天睡醒都失忆的人。

SqliteStorage 就像一本本地日记，把对话历史写入 SQLite 文件。下次启动程序，Agent 还记得上次聊了什么。PostgreSQL 版本适合需要多用户并发的生产环境。

instructions vs system_message：别混用

instructions：列表格式，每条是一个独立规则，Agno 自动格式化成系统提示
system_message：字符串格式，完全自定义，直接覆盖默认的系统提示

两者功能重叠，同时设置时 system_message 会覆盖 instructions，你精心写的规则列表会完全失效。选一个用就好。

三、它是怎么工作的？

graph TB
    U["👤 用户输入"]
    CTRL["⚙️ Agent 控制器"]
    MODEL["🧠 模型层 Model"]
    TOOLS["🔧 工具层 Tools"]
    MEM["💭 记忆层 Memory"]
    STORE["🗄️ 存储层 Storage"]
    OUT["✅ 最终响应"]

    U -->|"请求"| CTRL
    CTRL -->|"推理"| MODEL
    MODEL -->|"调用"| TOOLS
    MODEL -->|"检索"| MEM
    CTRL -->|"读写"| STORE
    CTRL -->|"返回"| OUT
    TOOLS -->|"结果"| MODEL
    STORE -->|"历史"| MEM

    style U fill:#C7CEEA,stroke:#9FA8DA,color:#333
    style CTRL fill:#E8D5F5,stroke:#CE93D8,color:#333
    style MODEL fill:#FFB3C6,stroke:#F48FB1,color:#333
    style TOOLS fill:#FFDAB9,stroke:#FFAB76,color:#333
    style MEM fill:#FFF9C4,stroke:#F9A825,color:#333
    style STORE fill:#B5EAD7,stroke:#80CBC4,color:#333
    style OUT fill:#B5EAD7,stroke:#80CBC4,color:#333

整个流程分四层：

模型层：负责理解意图、规划步骤，调用 OpenAI/Anthropic 等大模型完成推理
工具层：执行具体操作，比如查时间、做计算、搜知识库
记忆层：短期对话上下文，存在运行内存里，会话结束即清空
存储层：长期记忆，写入数据库，跨会话持久化

用户发出一条消息，控制器先从 Storage 拉取历史，注入到 Memory，再交给 Model 推理。Model 决定要不要调用 Tools，把结果汇总，最终输出给用户。

四、5 分钟上手：完整可运行代码

配套仓库：https://github.com/xuqi2024/ai-agent-tutorials

以下是 05-agno/01_simple_agent.py 的关键片段：

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.storage.agent.sqlite import SqliteAgentStorage
from agno.tools import tool
from datetime import datetime

# ── 定义工具（普通函数 + @tool 装饰器）──────────────────────────
@tool
def get_current_time() -> str:
    """获取当前日期和时间"""
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

@tool
def calculate(expression: str) -> str:
    """计算数学表达式，例如 '2 + 2' 或 '100 * 0.15'"""
    try:
        result = eval(expression)
        return f"计算结果：{expression} = {result}"
    except Exception as e:
        return f"计算错误：{e}"

# ── 创建 Agent（核心就这几行）──────────────────────────────────
agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    tools=[get_current_time, calculate],
    storage=SqliteAgentStorage(
        db_file="agent_memory.db",
        table_name="agent_sessions"
    ),
    instructions=[
        "用中文回答所有问题",
        "回答简洁明了",
        "需要计算时主动使用计算工具",
    ],
    add_history_to_messages=True,
    show_tool_calls=True,   # 调试时开启，能看到 Agent 调用了哪些工具
)

# ── 运行 ───────────────────────────────────────────────────────
agent.print_response("现在几点了？帮我计算 18 乘以 7", stream=True)

运行后，你会看到 Agent 先调用 get_current_time，再调用 calculate，最后组织成一段自然语言回答——整个推理过程透明可见，没有黑盒。

对比：完成同样功能，LangChain 版本需要额外定义 Tool 对象、配置 AgentExecutor、设置 ConversationBufferMemory，代码量约为 Agno 的 3-4 倍。

五、常见误区（踩坑指南）

误区 1：show_tool_calls=True 忘了关

这个参数是调试神器，能实时显示 Agent 每次工具调用的名称和参数。但在生产环境留着，会把内部调试信息直接暴露给用户。上线前务必改为 False。

误区 2：开了历史记忆，但没配 Storage

add_history_to_messages=True 让 Agent 把对话历史带入上下文，但如果没有 Storage，历史只存在于当前进程内存里——程序一重启，记忆全清。要跨会话记忆，必须配合 SqliteAgentStorage 或 PostgresAgentStorage 才有意义。

误区 3：instructions 和 system_message 同时设置

两者功能重叠。同时设置时，system_message 会完全覆盖 instructions 生成的系统提示，你写的规则列表会静默失效，且不会有任何报错提示。建议新手只用 instructions 列表，每条规则清晰独立。

六、对比：Agno vs LangChain vs Smolagents

维度	Agno	LangChain	Smolagents
创建基础 Agent 代码量	~5 行	~20 行	~10 行
原生多模态支持	✅ 内置	⚠️ 需扩展	⚠️ 部分支持
记忆/存储系统	✅ 开箱即用	⚠️ 需配置	❌ 需自建
学习曲线	🟢 平缓	🔴 陡峭	🟡 中等
模型提供商支持	23+ 家	50+ 家	10+ 家
适合场景	快速原型 & 生产	复杂企业应用	研究 & 实验

LangChain 的优势在于生态最成熟，插件最多，适合需要高度定制的企业级项目。Agno 的优势在于上手最快、代码最少，适合个人项目、快速验证想法，以及对性能敏感的高并发场景。

七、下一步怎么学？

第一步：克隆配套仓库，先跑通第一个示例

git clone https://github.com/xuqi2024/ai-agent-tutorials
cd ai-agent-tutorials/05-agno
pip install agno openai
python 01_simple_agent.py

第二步：修改 instructions 列表，让 Agent 扮演不同角色（客服助手、翻译官、数据分析师），感受指令对行为的直接影响。

第三步：写一个自己的 @tool——把你最常用的 Python 函数（查天气、读本地文件、调公司内部 API）包装成 Agent 工具，体验”技能可插拔”的快感。

第四步：查阅 Agno 官方文档，探索 Team（多 Agent 协作）和 Workflow（工作流编排）等进阶能力。

一句话结论： Agno 不是生态最丰富的框架，但它是让你最快写出第一个真实可用 Agent 的框架。如果你还没有写过 Agent，从这里开始——是个好主意。