> ## Documentation Index
> Fetch the complete documentation index at: https://ikun.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 什么是 Agents？

> **Agents 是自主运行的 AI 程序。**

传统的软件遵循预先编程的步骤顺序。Agents 使用机器学习**模型**动态确定其行动方案，其核心组件包括：

* **Model:** 控制执行流程。它决定是进行推理、行动还是响应。
* **Tools:** 使 Agent 能够采取行动并与外部系统进行交互。
* **Instructions:** 是我们对 Agent 进行编程的方式，教它如何使用工具和进行响应。

Agents 还拥有**记忆**、**知识**、**存储**和**推理**能力：

* **Reasoning:** 使 Agents 在响应前能够“思考”并“分析”其行动（即工具调用）的结果，这提高了响应的可靠性和质量。
* **Knowledge:** 是 Agent 在**运行时搜索**以做出更好决策和提供准确响应的领域特定信息（RAG）。知识存储在向量数据库中，这种**运行时搜索**模式称为 Agentic RAG/Agentic Search。
* **Storage:** 用于 Agents 将会话历史和状态保存到数据库。模型 API 是无状态的，而存储使我们能够从中断的地方继续对话。这使得 Agents 具有状态，能够实现多轮、长期的对话。
* **Memory:** 使 Agents 能够存储和回忆先前交互的信息，从而允许它们学习用户偏好并个性化其响应。

<Check>让我们构建几个 Agents 来看看它们是如何工作的。</Check>

## Level 1: 具有工具和指令的 Agents

最简单的 Agent 拥有模型、工具和指令。让我们构建一个可以使用 `yfinance` 库获取数据的 Agent，并附带显示结果的表格的指令。

```python level_1_agent.py theme={null}
from agno.agent import Agent
from agno.models.anthropic import Claude
from agno.tools.yfinance import YFinanceTools

agent = Agent(
    model=Claude(id="claude-sonnet-4-20250514"),
    tools=[YFinanceTools(stock_price=True)],
    instructions="Use tables to display data. Don't include any other text.",
    markdown=True,
)
agent.print_response("What is the stock price of Apple?", stream=True)
```

创建虚拟环境，安装依赖项，导出你的 API 密钥并运行 Agent。

<Steps>
  <Step title="设置你的虚拟环境">
    <CodeGroup>
      ```bash Mac theme={null}
      uv venv --python 3.12
      source .venv/bin/activate
      ```

      ```bash Windows theme={null}
      uv venv --python 3.12
      .venv/Scripts/activate
      ```
    </CodeGroup>
  </Step>

  <Step title="安装依赖项">
    <CodeGroup>
      ```bash Mac theme={null}
      uv pip install -U agno anthropic yfinance
      ```

      ```bash Windows theme={null}
      uv pip install -U agno anthropic yfinance
      ```
    </CodeGroup>
  </Step>

  <Step title="导出你的 Anthropic 密钥">
    <CodeGroup>
      ```bash Mac theme={null}
      export ANTHROPIC_API_KEY=sk-***
      ```

      ```bash Windows theme={null}
      setx ANTHROPIC_API_KEY sk-***
      ```
    </CodeGroup>
  </Step>

  <Step title="运行 Agent">
    ```shell theme={null}
    python agent_with_tools.py
    ```
  </Step>
</Steps>

<Note>
  设置 `debug_mode=True` 或 `export AGNO_DEBUG=true` 以查看系统提示和用户消息。
</Note>

## Level 2: 具有知识和存储的 Agents

**Knowledge:** 虽然模型拥有大量的训练数据，但我们几乎总是需要为它们提供特定领域的信息，以便做出更好的决策和提供准确的响应（RAG）。我们将这些信息存储在向量数据库中，并让 Agent 在运行时进行**搜索**。

**Storage:** 模型 API 是无状态的，`Storage` 驱动程序将聊天历史和状态保存到数据库。当 Agent 运行时，它从数据库读取聊天历史和状态，并将其添加到消息列表中，从而恢复对话并使 Agent 具有状态。

在这个示例中，我们将使用：

* `UrlKnowledge` 来加载 Agno 文档到 LanceDB，使用 OpenAI 进行嵌入。
* `SqliteStorage` 来将 Agent 的会话历史和状态保存在数据库中。

```python level_2_agent.py theme={null}
from agno.agent import Agent
from agno.embedder.openai import OpenAIEmbedder
from agno.knowledge.url import UrlKnowledge
from agno.models.anthropic import Claude
from agno.storage.sqlite import SqliteStorage
from agno.vectordb.lancedb import LanceDb, SearchType

# 在知识库中加载 Agno 文档
# 你也可以使用 `https://docs.agno.com/llms-full.txt` 来获取完整文档
knowledge = UrlKnowledge(
    urls=["https://docs.agno.com/introduction.md"],
    vector_db=LanceDb(
        uri="tmp/lancedb",
        table_name="agno_docs",
        search_type=SearchType.hybrid,
        # 使用 OpenAI 进行嵌入
        embedder=OpenAIEmbedder(id="text-embedding-3-small", dimensions=1536),
    ),
)

# 将 Agent 会话存储在 SQLite 数据库中
storage = SqliteStorage(table_name="agent_sessions", db_file="tmp/agent.db")

agent = Agent(
    name="Agno Assist",
    model=Claude(id="claude-sonnet-4-20250514"),
    instructions=[
        "Search your knowledge before answering the question.",
        "Only include the output in your response. No other text.",
    ],
    knowledge=knowledge,
    storage=storage,
    add_datetime_to_instructions=True,
    # 将聊天历史添加到消息中
    add_history_to_messages=True,
    # 历史运行次数
    num_history_runs=3,
    markdown=True,
)

if __name__ == "__main__":
    # 加载知识库，首次运行时请注释掉此行
    # 如果需要重新创建知识库，请将 recreate 设置为 True
    agent.knowledge.load(recreate=False)
    agent.print_response("What is Agno?", stream=True)
```

安装依赖项，导出你的 `OPENAI_API_KEY` 并运行 Agent

<Steps>
  <Step title="安装新依赖项">
    <CodeGroup>
      ```bash Mac theme={null}
      uv pip install -U lancedb tantivy openai sqlalchemy
      ```

      ```bash Windows theme={null}
      uv pip install -U lancedb tantivy openai sqlalchemy
      ```
    </CodeGroup>
  </Step>

  <Step title="运行 Agent">
    ```shell theme={null}
    python level_2_agent.py
    ```
  </Step>
</Steps>

## Level 3: 具有记忆和推理的 Agents

* **Reasoning:** 使 Agents 能够\*\*“思考”和“分析”\*\*，提高可靠性和质量。`ReasoningTools`是提高 Agent 回应质量的最佳方法之一。
* **Memory:** 使 Agents 能够对用户偏好进行分类、存储和回忆，从而实现个性化响应。记忆帮助 Agent 构建用户画像并从先前的互动中学习。

```python level_3_agent.py theme={null}
from agno.agent import Agent
from agno.memory.v2.db.sqlite import SqliteMemoryDb
from agno.memory.v2.memory import Memory
from agno.models.anthropic import Claude
from agno.tools.reasoning import ReasoningTools
from agno.tools.yfinance import YFinanceTools

memory = Memory(
    # 使用任何模型来创建和管理记忆
    model=Claude(id="claude-sonnet-4-20250514"),
    # 将记忆存储在 SQLite 数据库中
    db=SqliteMemoryDb(table_name="user_memories", db_file="tmp/agent.db"),
    # 默认禁用删除，如果需要请启用
    delete_memories=True,
    clear_memories=True,
)

agent = Agent(
    model=Claude(id="claude-sonnet-4-20250514"),
    tools=[
        ReasoningTools(add_instructions=True),
        YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True, company_news=True),
    ],
    # 用于存储记忆的用户 ID，如果未提供则为 `default`
    user_id="ava",
    instructions=[
        "Use tables to display data.",
        "Include sources in your response.",
        "Only include the report in your response. No other text.",
    ],
    memory=memory,
    # 让 Agent 管理其记忆
    enable_agentic_memory=True,
    markdown=True,
)

if __name__ == "__main__":
    # 这将创建一个记忆，其中“ava”喜欢的股票是 NVIDIA 和 TSLA
    agent.print_response(
        "My favorite stocks are NVIDIA and TSLA",
        stream=True,
        show_full_reasoning=True,
        stream_intermediate_steps=True,
    )
    # 这将利用记忆来回答问题
    agent.print_response(
        "Can you compare my favorite stocks?",
        stream=True,
        show_full_reasoning=True,
        stream_intermediate_steps=True,
    )
```

运行 Agent

```shell theme={null}
python level_3_agent.py
```

<Tip>你可以单独使用 `Memory` 和 `Reasoning`，不必同时使用它们。</Tip>