ساخت نمایندگان هوش مصنوعی با Agno-Phidata (آموزش)

من می خواهم در مورد چارچوب Agno با داشتن ستاره های +18.5k در Github ، تاکنون صحبت کنم. من شیرجه عمیق خواهم کرد و یک تحلیل ، لیست ویژگی ها و برخی از آموزش ها را می سازم. ویدیوی معیار در GitHub (Agno در مقابل Langgraph) که من در YouTube بارگذاری کردم در زیر است.

مقدمه ای برای آگنو

Agno یک چارچوب برش برای ساخت عوامل هوش مصنوعی چند مودال است که قبلاً با عنوان Phidata شناخته می شد. این برنامه با سادگی ، عملکرد و مدل آگنوستیک در ذهن طراحی شده است و به توسعه دهندگان این امکان را می دهد تا عوامل هوش مصنوعی بسیار کارآمد ایجاد کنند که می توانند با چندین مدل و منابع داده کار کنند.

چرا آگنو؟

Agno در حدود سه اصل اصلی ساخته شده است:

• سادگی: از نمودارهای پیچیده ، زنجیرها یا معماری های وابستگی سنگین جلوگیری می کند.
• عمل: ادعا می کند که در مرحله یکسان عامل 5000 برابر سریعتر و 50 برابر حافظه بیشتر از Langgraph است.
• سازگاری آگنوستیک: از چندین مدل و ارائه دهندگان هوش مصنوعی بدون قفل فروشنده پشتیبانی می کند.

ویژگی های اصلی Agno

1. بهینه سازی عملکرد

   • فوری عامل در <5μs اندازه گیری می شود ، و به طور قابل توجهی از چارچوب های رقیب بهتر عمل می کند.
   • استفاده از حافظه به 50 برابر پایین تر از لانگگراف ، کاهش بار سیستم و افزایش مقیاس پذیری بهینه می شود.

2. پشتیبانی چند حالت

   • Agno به طور بومی از ورودی های متن ، تصویر ، صوتی و ویدئویی پشتیبانی می کند.
   • نمایندگان می توانند اطلاعات را از منابع متنوع به طور مؤثر پردازش کنند.

3. طراحی عامل مدولار

   • نمایندگان می توانند به صورت جداگانه یا در تیم ها کار کنند و وظایف خود را بر اساس تخصص دامنه توزیع کنند.
   • کاربران می توانند خروجی های ساختاری ، مدیریت حافظه و تماس های ابزار را در نمایندگان ادغام کنند.

4. پایگاه داده وکتور و ادغام فروشگاه دانش

   • از Rag Agentic (نسل تقویت شده بازیابی) برای بهبود فراخوان دانش پشتیبانی می کند.
   • می تواند با پایگاه داده های بردار مانند LancedB برای ذخیره سازی حافظه بلند مدت ادغام شود.

5. نظارت و اشکال زدایی

   • ردیابی در زمان واقعی عملکرد عامل و گزارش های جلسه را ارائه می دهد.
   • جلسات نماینده را می توان از طریق پلت فرم نظارت عامل Agno کنترل کرد.

شروع با Agno

نصب

برای نصب Agno ، دستور زیر را اجرا کنید:

pip install -U agno

وابستگی های اضافی ممکن است بر اساس عملکرد عامل ، مانند:

pip install openai duckduckgo-search lancedb tantivy pypdf yfinance

ایجاد یک عامل اساسی

اسکریپت پایتون زیر یک عامل ساده Agno را با استفاده از مدل GPT-4 OpenAI آغاز می کند:

from agno.agent import Agent
from agno.models.openai import OpenAIChat

agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    description="You are an enthusiastic news reporter!",
    markdown=True
)
agent.print_response("Tell me about a breaking news story from New York.", stream=True)

مراحل اجرا:

1. وابستگی ها را نصب کنید (pip install openai agno).
2. کلید API OpenAi خود را صادر کنید (export OPENAI_API_KEY=sk-xxxx).
3. فیلمنامه را اجرا کنید (python basic_agent.py).

ایجاد یک عامل با ابزارهای خارجی

نمایندگان می توانند ابزارهای خارجی مانند جستجوی وب را برای تقویت دانش دانش خود ادغام کنند:

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

agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    description="You are an enthusiastic news reporter!",
    tools=[DuckDuckGoTools()],
    show_tool_calls=True,
    markdown=True
)
agent.print_response("Tell me about a breaking news story from New York.", stream=True)

مراحل اجرا:

1. نصب کردن duckduckgo-searchبشر
2. فیلمنامه را اجرا کنید (python agent_with_tools.py).

مثال پیشرفته: عوامل دارای پایگاه دانش

AGNO برای بازیابی اطلاعات کارآمد از ذخیره دانش در پایگاه داده های بردار پشتیبانی می کند:

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.embedder.openai import OpenAIEmbedder
from agno.knowledge.pdf_url import PDFUrlKnowledgeBase
from agno.vectordb.lancedb import LanceDb, SearchType

agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    description="You are a Thai cuisine expert!",
    instructions=[
        "Search your knowledge base for Thai recipes.",
        "If needed, search the web to fill in gaps.",
        "Prefer your knowledge base over web results."
    ],
    knowledge=PDFUrlKnowledgeBase(
        urls=["https://agno-public.s3.amazonaws.com/recipes/ThaiRecipes.pdf"],
        vector_db=LanceDb(
            uri="tmp/lancedb",
            table_name="recipes",
            search_type=SearchType.hybrid,
            embedder=OpenAIEmbedder(id="text-embedding-3-small"),
        ),
    ),
    markdown=True
)

سیستم های چند عامل

Agno به چندین عامل اجازه می دهد تا با هماهنگی کار کنند:

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

web_agent = Agent(
    name="Web Agent",
    model=OpenAIChat(id="gpt-4o"),
    tools=[DuckDuckGoTools()],
    markdown=True,
)

finance_agent = Agent(
    name="Finance Agent",
    model=OpenAIChat(id="gpt-4o"),
    tools=[YFinanceTools(stock_price=True)],
    markdown=True,
)

agent_team = Agent(team=[web_agent, finance_agent], model=OpenAIChat(id="gpt-4o"))
agent_team.print_response("What's the market outlook for AI stocks?", stream=True)

معیارهای عملکرد

Agno به طور قابل توجهی از Langgraph در هر دو سرعت و کارآیی حافظه بهتر عمل می کند:

• زمان فوری: 5000 برابر سریعتر از لانگگراف.
• استفاده از حافظه: 50 برابر مصرف حافظه پایین تر.

https://www.youtube.com/watch؟v=bucmerb5ces


https://www.youtube.com/watch؟v=bucmerb5ces

نحوه آزمایش عملکرد Agno:

# Setup virtual environment
./scripts/perf_setup.sh
source .venvs/perfenv/bin/activate

# Run Agno evaluation
python evals/performance/instantiation_with_tool.py

# Compare with LangGraph
python evals/performance/other/langgraph_instantiation.py

چرا Agno برنامه های AI را تغییر می دهد

در هسته آگنو سرعت ، کارایی و انعطاف پذیری بی نظیر آن قرار دارد. با واقعاً الگوی معماری ، Agno به مشاغل و توسعه دهندگان اجازه می دهد تا هر مدل AI را ادغام کنند ، از سری GPT OpenAi گرفته تا LLM های سفارشی ، ضد آینده راه حل برای هر صنعت.

موارد استفاده در دنیای واقعی: چگونه Agno بازی را تغییر می دهد

✅ پشتیبانی مشتری با هوش مصنوعی – مشاغل می توانند 24/7 آژانس AI را که برای درک پرس و جوهای مشتری آموزش دیده اند ، مستقر کنند ، فوراً مسائل را حل کنند و توصیه های شخصی را ارائه دهند – زمان پاسخگویی و بهبود رضایت کاربر.

✅ دستیاران سفر هوشمند -با داشتن قابلیت های چند مدلی ، نمایندگان Agno می توانند برنامه های سفر متناسب با سفر ، پرواز و هتل ها را تهیه کنند و حتی به روزرسانی های زمان واقعی را در مورد آب و هوا ، نرخ ارز و رویدادهای محلی ارائه دهند.

✅ دستیاران برنامه نویسی نسل بعدی -Agno توسعه دهندگان را قادر می سازد تا یاران کد نویسی AI را که تجزیه و تحلیل کد های موجود را تجزیه و تحلیل می کنند ، بهینه سازی ها ، کد بویلر تولید خودکار و حتی مسائل اشکال زدایی را ارائه دهند-توسعه نرم افزار را نشان می دهد.

✅ تجزیه و تحلیل مالی و بازار -با ادغام یکپارچه در بانکهای اطلاعاتی مالی ، یک نماینده با قدرت AGNO می تواند روند سهام را رصد کند ، بینش سرمایه گذاری را ارائه دهد و گزارش های عمیق را در ثانیه تولید کند.

✅ هوش مصنوعی برای تحقیق و پردازش داده -محققان دانشگاهی و شرکتی می توانند از AGNO برای پردازش مجموعه داده های بزرگ ، استخراج بینش ها و تولید گزارش های ساختاری خوب استفاده کنند و کشف دانش را سریعتر و کارآمدتر انجام دهند.

آینده ای که بر اساس همکاری AI ساخته شده است

زیبایی آگنو در توانایی آن نهفته است چندین عامل را با هم ترکیب کنید به نیروی کار قدرتمند هوش مصنوعیبشر مشاغل می توانند طراحی کنند تیم مستقل نمایندگان هوش مصنوعی متخصص در کارهای مختلف-بازاریابی ، امور مالی ، پشتیبانی و تجزیه و تحلیل-یکپارچه با هم برای تقویت بهره وری و تصمیم گیری در کنار هم هستند.

با بنیاد منبع باز و آینده بستر نظارت بر نماینده، Agno راه را برای آن هموار می کند اتوماسیون AI محور در مقیاسبشر این که آیا شما یک کارآفرین ، توسعه دهنده یا شرکت هستید که به دنبال آن هستید هوش مصنوعی را در گردش کار خود ادغام کنید، Agno ارائه می دهد امکانات بی حد و حصر– بدون پیچیدگی.

ساخت عوامل هوش مصنوعی با نتیجه گیری Agno (Phidata)

Agno یک چارچوب کارآمد ، مقیاس پذیر و انعطاف پذیر برای ساخت عوامل دارای هوش مصنوعی فراهم می کند. Agno با سادگی ، مدولار بودن و قابلیت های چند جانبه خود ، یکی از گزینه های عالی برای توسعه دهندگان است که به دنبال چارچوب های AI با کارایی بالا هستند.