本指南将带您了解使用 Agno 构建 Agent 的基础知识。

这些示例会循序渐进地引入新的概念和功能。每个示例都包含详细的注释、示例提示和所需的依赖项。

​
设置

创建一个虚拟环境：

python3 -m venv .venv
source .venv/bin/activate

安装所需的依赖项：

pip install openai duckduckgo-search yfinance lancedb tantivy pypdf requests exa-py newspaper4k lxml_html_clean sqlalchemy agno

导出您的 OpenAI API 密钥：

export OPENAI_API_KEY=your_api_key

​
示例

基础 Agent

构建一个具有鲜明个性的新闻报道 Agent。此 Agent 只展示基本的 LLM 推理。

带工具的 Agent

添加 DuckDuckGo 网页搜索功能，以获取实时信息。

带知识的 Agent

在您的 Agent 中添加向量数据库，用于存储和搜索知识。

带存储的 Agent

通过会话管理和历史记录功能，为您的 Agent 添加持久化能力。

Agent 团队

创建一个专注于市场研究和财务分析的 Agent 团队。

结构化输出

使用 Pydantic 模型生成结构化输出。

自定义工具

创建自定义工具并将其集成到您的 Agent 中。

研究 Agent

使用 Exa 构建一个 AI 研究 Agent，并进行受控的输出引导。

研究工作流

创建一个结合了网页搜索和内容抓取的 AI 研究工作流。

图像 Agent

创建一个能够理解图像的 Agent。

图像生成

创建一个能够使用 DALL-E 生成图像的 Agent。

视频生成

创建一个能够使用 ModelsLabs 生成视频的 Agent。

音频 Agent

创建一个能够处理音频输入并生成响应的 Agent。

带状态的 Agent

创建一个具备会话状态管理的 Agent。

Agent 上下文

在 agent.run 中评估依赖项，并将它们注入指令中。

Agent 会话

创建一个在不同对话中保持持久会话内存的 Agent。

用户记忆

创建一个能够存储用户记忆和摘要的 Agent。

函数重试

处理函数重试，应对失败或不令人满意的输出。

人工干预

添加用户确认和安全检查，以实现交互式 Agent 控制。

每个示例都包含可运行的代码和详细的解释。我们建议按顺序学习，因为概念是建立在先前示例的基础上的。