多智能体框架Agno快速入门

本文档旨在通过一个更简单、更易于理解的例子，帮助初学者快速掌握 agno 库的核心概念和基本用法，并解释其内部工作原理。

`agno` 快速入门指南

agno 是一个强大的 Python 库，用于构建、管理和协调自主 AI 智能体（Agent）。无论您是想创建一个能够独立完成任务的智能体，还是组建一个由多个智能体协作的团队来解决复杂问题，agno 都提供了模块化和可扩展的工具来实现您的想法。

本指南将通过一个简单的“研究员与作家团队”示例，带您一步步了解 agno 的核心组件。

核心概念

在开始之前，让我们先了解几个 agno 的核心概念：

Model (模型): 这是智能体的“大脑”，负责思考、推理和生成内容。agno 支持多种模型，例如本例中使用的 Ollama（可以本地运行 Llama 3 等开源模型）。
Tools (工具): 这些是赋予智能体具体能力的工具箱，让它能够与外部世界互动。例如，进行网页搜索、查询数据库、获取财经数据等。
Agent (智能体): 一个智能体是模型、工具和 指令 (Instructions) 的结合体。它被赋予一个特定的角色（role）和目标，并利用其工具来完成任务。
Team (团队): 当单个智能体不足以解决复杂问题时，您可以创建一个团队。团队由多个智能体成员组成，它们在一个协调者（也是一个模型）的指导下分工协作，共同完成一个更大的目标。
Memory (记忆): 记忆系统允许智能体和团队记住之前的交互，从而实现有状态的、连续的对话和任务处理。

实践案例：创建“研究与写作”团队

我们的目标是创建一个团队，该团队可以接收一个研究主题，然后：

研究员 (Researcher): 使用网络搜索工具查找相关信息。
作家 (Writer): 将研究员找到的资料整理成一篇结构清晰的摘要。

第1步：环境设置和模型初始化

首先，确保您已经安装了 agno 库。然后，我们需要导入必要的模块并初始化我们将要使用的 LLM。

# 导入核心模块
from agno.agent import Agent
from agno.models.ollama import Ollama
from agno.tools.duckduckgo import DuckDuckGoTools
from agno.tools.reasoning import ReasoningTools
from agno.team import Team

# 初始化一个 Ollama 模型作为我们智能体的“大脑”
# 请确保您的 Ollama 服务正在运行，并且已下载相应模型
# 将 host 地址替换为您自己的 Ollama 服务地址
ollama_model = Ollama(id="llama3",  # 使用一个较小的模型以获得更快的响应
                      timeout=60,
                      host="http://127.0.0.1:11434") # 示例地址，请替换

第2步：创建智能体 (Agents)

接下来，我们定义两个角色不同的智能体。

研究员 (Researcher Agent): 它的职责是上网搜索信息，所以我们给它配备 DuckDuckGoTools 工具。
作家 (Writer Agent): 它的职责是分析和总结信息，我们给它配备 ReasoningTools 来帮助它更好地思考和组织内容。

# 创建一个专门负责网络搜索的“研究员”
researcher_agent = Agent(
    name="Researcher",
    role="负责根据指定主题，在互联网上搜索、查找和收集相关信息。",
    model=ollama_model,
    tools=[DuckDuckGoTools()],  # 赋予它 DuckDuckGo 搜索工具
    instructions="专注于查找准确、权威的信息来源。",
    add_datetime_to_instructions=True,
)

# 创建一个专门负责写作和总结的“作家”
writer_agent = Agent(
    name="Writer",
    role="负责将收集到的原始信息进行分析、提炼和总结，最终形成一篇通顺、有条理的文章。",
    model=ollama_model,
    tools=[ReasoningTools(add_instructions=True)], # 赋予它推理和思考工具
    instructions="确保你的输出结构清晰、语言流畅，并突出要点。",
    add_datetime_to_instructions=True,
)

第3步：组建团队 (Team)

现在，我们将这两个智能体组合成一个团队。团队的协调者（model）将负责理解总体任务，并将子任务分配给最合适的成员。

# 创建一个“研究与写作”团队
research_team = Team(
    name="Research and Writing Team",
    mode="coordinate",  # 使用协调模式，让团队领导来分配任务
    model=ollama_model, # 团队本身也需要一个“大脑”来协调工作
    members=[researcher_agent, writer_agent], # 将我们创建的智能体加入团队
    instructions=[
        "高效协作，首先进行信息检索，然后基于检索结果进行总结报告。",
        "最终只输出由作家智能体整合后的最终报告。",
        "确保报告内容全面且准确。",
    ],
    markdown=True,
    show_members_responses=True, # 在调试时可以看到每个成员的输出
    enable_agentic_context=True,
    add_datetime_to_instructions=True,
)

第4步：运行团队并提出问题

团队已经准备就绪！现在，让我们给它分配一个任务，看看它们如何协作完成。

if __name__ == "__main__":
    # 向团队提出一个研究课题
    question = "介绍一下 Python 语言的主要优势和常见应用领域。"
    
    # 运行团队并流式输出结果
    research_team.print_response(
        question,
        stream=True,
        show_full_reasoning=True, # 显示详细的思考过程
        stream_intermediate_steps=True,
    )

内部工作原理解析

当您运行上面的代码时，agno 内部发生了什么？

任务分派:
- 用户的问题 "介绍一下 Python 语言的主要优势和常见应用领域" 被发送给 research_team。
- 团队的协调模型（team.model）分析了这个问题和团队成员（members）的角色。它判断出，要回答这个问题，首先需要收集信息。
研究员执行任务:
- 协调者将一个子任务：“搜索 Python 的优势和应用领域” 分配给最合适的成员——Researcher 智能体。
- Researcher 智能体接收到任务后，调用其唯一的工具 DuckDuckGoTools，在网络上执行搜索。
信息传递:
- Researcher 完成搜索后，将找到的原始资料（例如网页链接、摘要等）返回给团队协调者。
作家执行任务:
- 协调者现在拥有了原始资料。它分析下一步应该是“总结和写作”。
- 于是，它将这些原始资料连同一个新的指令（例如“请根据以下信息，撰写一份关于 Python 优势和应用的报告”）一起发送给 Writer 智能体。
生成最终报告:
- Writer 智能体接收到资料和指令。它利用自己的模型能力和 ReasoningTools 对信息进行分析、提炼、组织和润色，最终生成一篇结构化的报告。
输出结果:
- 由于团队指令中要求“只输出最终报告”，协调者会将 Writer 生成的报告作为整个团队的最终成果，呈现给用户。
  
  通过这种方式，agno 将一个复杂任务自动分解，并利用不同智能体的专长进行协作处理，最终高效地完成目标。希望这个简单的例子能帮助您开启 agno 的探索之旅！