译者 | 核子可乐
审校 | 重楼
在开发代理式AI时,开发者往往需要在速度、灵活性和资源利用率间反复权衡。本文将向大家介绍Agno——一款用于构建多模态智能体的轻量化框架。其速度号称比LangGraph快上万倍,内存使用量则仅为1/50。
事实上,Agno与LangGraph在使用体验上也有很大区别。本文将以亲身体会为基础对二者进行比较,具体介绍它们的不同之处、各自亮点与Agno的独特优势。
概述
- 构建TriSage与Marketing Analyst营销分析师智能体。
- 如果要求高速、低内存占用、多模态功能以及灵活的模型/工具选项,请选择Agno。
- 如果偏向基于流程的逻辑或结构化执行路径,或者已经与LangChain生态系统紧密关联,请选择LangGraph。
Agno有何作用?
基于性能和极简主义设计而成的Agno,从本质上讲是一款开源且模型中立的智能体框架,专为多模态任务而打造——即可以原生处理文本、图像、音频和视频。它的独特之处在于便捷快速,在应对大量智能体并面对高内存用量、工具和向量存储复杂度时仍保持良好性能。
核心优势:
- 超快的实例化速度:Agno中的智能体创建速度平均仅为2微秒,约为LangGraph的1万倍。
- 轻量化内存占用:Agno智能体平均内存占用量为3.75 KiB,仅相当于LangGraph智能体的1/50。
- 原生支持多模态:无需调整或插件,Agno可直接与各种媒体类型实现无缝协作。
- 模型中立:Agno不关心用户使用的是OpenAI、Claude、Gemini抑或是开源大模型,因此避免了特定供应商或运行时锁定的问题。
- 实时监控:可以通过Agno实时观察智能体会话及性能,使得调试和优化更加流畅。
Agno上手实践:构建TriSage智能体
Agno的使用体验非常高效,启动的智能体队列不仅可以并行运行,还能共享内存、工具和知识库。这些智能体可以专门化并分组为多智能体团队,且内存层支持将会话和状态存储在持久数据库当中。
真正令人印象深刻的,是Agno如何在不牺牲性能的前提下管理复杂性。它可以处理现实世界的智能体编排(如工具链、基于RAG检索或者结构化输出生成),保证不引发性能瓶颈。
如果大家用过LangGraph或者类似框架,就会意识到Agno大大降低了启动延迟与资源消耗。这也成为规模化应用场景下良好性能的实现关键。下面开始构建TriSage智能体。
安装必要库
以上为安装必要Python包的shell命令:
- agno: 用于定义和运行AI智能体的核心框架。
- duckduckgo-search: 让智能体使用DuckDuckGo搜索网络。
- openai: 用于同OpenAI模型(如GPT-4或GPT-3.5)交互。
必要导入
API密钥设置
- getpass(): 输入API密钥的安全方式(不可见)。
- 将密钥存储在环境内,以便agno框架在调用OpenAI API时进行获取。
web_agent – Searches the Web, writer_agent – Writes the Article, image_agent – Creates Visuals
并入团队
运行整体
输出结果
继续输出
继续输出
图像输出
上手Agno:构建营销分析师智能体
此智能体是一套使用Agno的团队系统,将通过DuckDuckGo获取实时信息的Web智能体与通过雅虎金融获取数据的金融智能体结合起来。其由OpenAI模型提供支持,使用表格、markdown及来源支持内容提供市场洞察与AI企业绩效,借此保证结果明确、有深度且公开透明。
输出结果
Agno与LangGraph:性能对决
下面我们来看Agno官方文档中列出的性能细节:
指标 | Agno | LangGraph | 差异 |
智能体实例化用时 | ~2μs | ~20ms | 快~1万倍 |
每智能体内存用量 | ~3.75 KiB | ~137 KiB | 仅为~1/50 |
- 此性能测试采用Python版tracemalloc内存分析,硬件平台为苹果M4 MacBook Pro笔记本电脑。
- Agno测量了1000次运行的平均实例化用时及内存用量,隔离了智能体代码以保证结果准确。
这样的性能优势代表的不只是数字差异,更是可扩展性的新希望。在现实智能体部署中,用户往往需要同时启动成千上万个智能体,因此每毫秒、每KB都很重要。
虽然LangGraph对于某些流应用来说功能强大且结构更加完善,但除非经过深度优化,否则在这类高负载场景下往往性能不佳。
所以说……Agno比LangGraph更好?
不一定,具体视应用需求而定:
- 如果处理基于流传输的智能体逻辑(例如具有高级控制的分步有向图),则LangGraph可能会提供更具表现力的结构。
- 如果需要超快、低内存的多模态智能体执行效果,而且环境的并发或动态程度较高,那么Agno将会遥遥领先。
Agno显然更倾向于速度和系统层级的效率,而LangGraph则偏重结构化编排与可靠性。不过Agno开发团队也非常重视准确性与可靠性,而且目前正在为此投入时间和精力。
总结
从实践角度来看,Agno已经为生产级工作负载做好了准备,尤其是对大规模构建智能体系统的团队而言。它的实时性能监控、对结构化输出的支持以及插入内存+向量知识的能力,使其成为能够快速构建强大应用程序的出色平台。
但LangGraph的江湖地位也没有动摇——它的优势在于清晰且面向流程的控制逻辑。不过如果大家遇到了扩展障碍,或者需要运行成千上万个智能体又不致挤爆基础设施,那么Agno无疑更值得考虑。
原文标题:Agno Framework: A Lightweight Library for Building Multimodal Agents,作者:Pankaj Singh