Agno框架入门教程（第一篇）：框架介绍与基础智能体构建

Agno框架入门教程（第一篇）：框架介绍与基础智能体构建

🚀 欢迎来到Agno智能体开发系列教程！本文将带你全面了解这个强大的多智能体框架，并手把手教你构建第一个AI智能体。

---

📖 引言：为什么选择Agno？

在AI智能体开发的浪潮中，框架的选择至关重要。你是否遇到过这些痛点：

• 🐌 框架性能慢：智能体实例化耗时长，内存占用高
• 🔒 供应商锁定：代码与特定LLM提供商绑定，难以切换
• 🧩 架构复杂：需要学习复杂的图结构或链式调用模式
• 🛠️ 部署困难：缺少开箱即用的生产环境部署方案

Agno框架的出现，完美解决了这些问题！

Agno是一个高性能、模型无关的开源多智能体框架，由agno-agi团队开发。它不仅是一个SDK，更是一个完整的运行时和控制平面，帮助开发者快速构建、部署和监控智能体系统。

⚡ 核心优势一览

特性	Agno表现	其他框架对比
实例化速度	~3微秒	LangGraph慢529倍
内存占用	~6.5KB	LangGraph高24倍
模型支持	20+种LLM	部分框架有限制
部署难度	开箱即用FastAPI	需自行构建

GitHub数据：⭐ 34.1k+ Stars | 🔱 4.4k+ Forks | 📄 Apache-2.0许可

---

🎯 一、Agno框架全面解析

1.1 什么是Agno？

Agno（前身为Phi Data）是一个多智能体框架、运行时和控制平面，专为速度、隐私和规模而设计。它采用纯Python实现，避免了复杂的图结构或链式模式，让开发者能够以最简洁的方式构建强大的AI智能体。

三大核心理念：

1. 🎨 简洁性（Simplicity）：纯Python，无复杂抽象
2. ⚡ 极致性能（Performance）：最小化执行时间和内存占用
3. 🌐 真正模型无关（Agnostic）：支持任何模型、提供商和模态

1.2 核心组件详解

🤖 Agent（智能体）

智能体是Agno的核心构建块，负责协调整个对话流程。一个完整的智能体包含：

• Model（模型）：智能体的"大脑"，负责推理和决策
• Tools（工具）：智能体的"手"，用于执行具体操作
• Instructions（指令）：智能体的"行为准则"
• Memory（记忆）：智能体的"经验积累"
• Knowledge（知识）：智能体的"知识库"

🛠️ Tools（工具）

Agno提供100+内置工具包，涵盖：

• 🔍 网络搜索（DuckDuckGo、Exa等）
• 📊 金融数据（YFinance）
• 🗂️ 文件操作
• 💾 数据库交互
• 🌐 API集成

你也可以通过@tool装饰器轻松创建自定义工具。

🧠 Memory & Storage（记忆与存储）

支持多种存储驱动：

• PostgresStorage：生产环境推荐
• SqliteStorage：开发测试首选
• MongoDbStorage：文档型存储

📚 Knowledge（知识库）

基于向量数据库实现RAG（检索增强生成），支持：

• LanceDB
• Qdrant
• PgVector
• 混合搜索（向量相似度 + 关键词）

👥 Teams（团队）

多个智能体协作，支持三种模式：

• 路由模式：根据请求分配给最合适的智能体
• 协作模式：智能体并行工作
• 协调模式：团队领导统一调度

🔄 Workflows（工作流）

提供确定性、有状态的执行流程，适合复杂的多步骤任务。

1.3 渐进式五级架构

Agno采用渐进式增强模型，将智能体开发分为五个层级：

Level 1: 基础智能体 + 工具
    ↓
Level 2: 智能体 + 知识库 + 存储
    ↓
Level 3: 智能体 + 记忆 + 推理
    ↓
Level 4: 多智能体团队协作
    ↓
Level 5: 确定性智能体工作流

每个层级都在前一层级基础上增加新能力，让你的智能体系统逐步强大！

---

🔧 二、环境搭建与安装配置

2.1 系统要求

• Python版本：3.7+ （推荐3.10+）
• 操作系统：Windows / macOS / Linux
• 必备知识：Python基础语法

2.2 详细安装步骤

步骤1️⃣：创建虚拟环境

# 创建虚拟环境
python3 -m venv .venv

# 激活虚拟环境（macOS/Linux）
source .venv/bin/activate

# 激活虚拟环境（Windows）
.venv\Scripts\activate

💡 推荐使用uv工具（速度更快）：

# 安装uv
pip install uv

# 使用uv创建虚拟环境
uv venv --python 3.12
source .venv/bin/activate

步骤2️⃣：安装Agno核心库

# 安装最新版Agno
pip install -U agno

# 或使用uv安装
uv pip install agno

步骤3️⃣：安装LLM模型库（根据需求选择）

# OpenAI模型
pip install openai

# Google Gemini
pip install google-generativeai

# Anthropic Claude
pip install anthropic

# Groq
pip install groq

# 本地模型Ollama
pip install ollama

步骤4️⃣：配置API密钥

# OpenAI
export OPENAI_API_KEY="your-openai-api-key"

# Gemini
export GEMINI_API_KEY="your-gemini-api-key"

# Claude
export ANTHROPIC_API_KEY="your-anthropic-api-key"

Windows用户：

set OPENAI_API_KEY=your-openai-api-key

步骤5️⃣：安装常用工具（可选）

# 网络搜索工具
pip install duckduckgo-search

# 金融数据工具
pip install yfinance

# 向量数据库
pip install lancedb tantivy pypdf

步骤6️⃣：验证安装

python -c "import agno; print(agno.__version__)"

---

🎓 三、智能体核心概念深度解析

3.1 什么是AI智能体？

AI智能体（Agent）不仅仅是一个聊天机器人，它是一个能够：

• 🧠 自主思考：基于大语言模型进行推理
• 🔧 使用工具：调用外部API和函数
• 📝 记住历史：维护对话上下文
• 📚 检索知识：从向量数据库获取信息
• 🤝 协作完成：与其他智能体配合

3.2 智能体的三要素

智能体 = 模型（Model） + 工具（Tools） + 指令（Instructions）

🧠 模型（Model）

智能体的"大脑"，负责：

• 理解用户输入
• 决定使用哪个工具
• 生成回复内容

🔧 工具（Tools）

智能体的"手脚"，例如：

• search_web(query) - 搜索互联网
• get_stock_price(symbol) - 获取股票价格
• send_email(to, subject, body) - 发送邮件

📋 指令（Instructions）

智能体的"行为准则"，例如：

• "你是一个专业的财务分析师"
• "回复时请使用Markdown表格格式"
• "始终提供信息来源"

3.3 智能体的关键能力

🧠 推理能力（Reasoning）

智能体能够：

• 分解复杂问题
• 制定解决方案
• 验证结果正确性

💾 记忆能力（Memory）

智能体可以记住：

• 短期记忆：当前会话的上下文
• 长期记忆：用户偏好和历史交互

📚 知识能力（Knowledge）

智能体可以访问：

• 向量数据库（RAG系统）
• 结构化数据库
• 文件系统

---

💻 四、实战：构建你的第一个智能体

4.1 最简单的智能体（Hello World）

让我们从最简单的例子开始：

from agno.agent import Agent
from agno.models.deepseek import DeepSeek

# 创建智能体
agent = Agent(
    name="助手",
    model=DeepSeek(api_key="DEEPSEEK_API_KEY"),
    description="一个友好的AI助手",
    markdown=True
)

# 运行智能体
agent.print_response("你好，请介绍一下自己", stream=True)

运行结果：

你好！👋 我是一个友好的AI助手，很高兴为您服务。
我可以帮助您解答问题、提供建议或进行对话。
有什么我可以帮助您的吗？

4.2 带工具的智能体（实时信息查询）

现在让智能体能够搜索互联网：

from agno.agent import Agent
from agno.models.deepseek import DeepSeek
from agno.tools.duckduckgo import DuckDuckGoTools

# 创建具备搜索能力的智能体
web_agent = Agent(
    name="网络搜索助手",
    model=DeepSeek(api_key="DEEPSEEK_API_KEY"),
    tools=[DuckDuckGoTools()],  # 添加搜索工具
    instructions=[
        "使用搜索工具查找最新信息",
        "始终提供信息来源链接",
        "以Markdown格式输出结果"
    ],
    show_tool_calls=True,  # 显示工具调用过程
    markdown=True
)

# 询问实时信息
web_agent.print_response(
    "2024年人工智能领域有哪些重大突破？",
    stream=True
)

执行流程：

1. 智能体接收问题
2. 决定使用DuckDuckGo搜索工具
3. 调用搜索API获取结果
4. 整理并以Markdown格式返回

4.3 金融分析智能体（多工具组合）

创建一个能够分析股票的专业智能体：

from agno.agent import Agent
from agno.models.deepseek import DeepSeek
from agno.tools.yfinance import YFinanceTools
from agno.tools.reasoning import ReasoningTools

# 创建金融分析智能体
finance_agent = Agent(
    name="金融分析师",
    role="专业的股票市场分析师",
    model=DeepSeek(api_key="DEEPSEEK_API_KEY"),
    tools=[
        YFinanceTools(
            stock_price=True,           # 获取股价
            analyst_recommendations=True, # 分析师建议
            company_info=True,          # 公司信息
            company_news=True           # 公司新闻
        ),
        ReasoningTools(add_instructions=True)  # 推理工具
    ],
    instructions=[
        "使用表格展示数据",
        "提供详细的分析和建议",
        "只输出分析报告，不要额外文字"
    ],
    markdown=True,
    show_tool_calls=True
)

# 生成股票分析报告
finance_agent.print_response(
    "请分析NVIDIA（NVDA）的股票表现",
    stream=True
)

输出示例：

# NVIDIA (NVDA) 股票分析报告

## 📊 公司基本信息
| 项目 | 数据 |
|------|------|
| 公司名称 | NVIDIA Corporation |
| 股票代码 | NVDA |
| 当前股价 | $495.32 |
| 市值 | $1.22T |

## 📈 价格表现
- 日内涨跌：+2.3%
- 周涨跌：+5.1%
- 月涨跌：+12.8%

## 💡 分析师建议
- 买入：25家
- 持有：8家
- 卖出：2家
- 平均目标价：$520

## 📰 最新动态
1. NVIDIA发布新一代AI芯片...
2. 与OpenAI达成战略合作...

## 🎯 投资建议
基于当前数据分析，NVIDIA展现强劲增长势头...

4.4 天气助手（结构化输出）

使用Pydantic模型实现结构化数据返回：

from agno.agent import Agent
from agno.models.deepseek import DeepSeek
from pydantic import BaseModel, Field
import os

# 定义输出结构
class WeatherData(BaseModel):
    month: str = Field(..., description="月份")
    season: str = Field(..., description="季节")
    avg_temp: str = Field(..., description="平均温度")

# 创建智能体
weather_agent = Agent(
    name="天气助手",
    model=DeepSeek(api_key="DEEPSEEK_API_KEY"),
    description="提供城市天气信息的助手",
    instructions=[
        "简洁明了",
        "返回Markdown表格格式"
    ],
    expected_output="包含月份、季节和平均温度的表格",
    markdown=True
)

# 查询天气
response = weather_agent.run(
    "纽约一年中每个月的天气如何？"
)
print(response.content)

4.5 自定义工具智能体

创建你自己的工具函数：

from agno.agent import Agent
from agno.models.deepseek import DeepSeek
from agno.tools.function import Function
from typing import Optional

# 自定义工具函数
def calculate_bmi(weight: float, height: float) -> dict:
    """
    计算BMI指数
    
    Args:
        weight: 体重（千克）
        height: 身高（米）
    
    Returns:
        包含BMI值和健康建议的字典
    """
    bmi = weight / (height ** 2)
    
    if bmi < 18.5:
        category = "偏瘦"
        advice = "建议增加营养摄入"
    elif 18.5 <= bmi < 24:
        category = "正常"
        advice = "保持良好的生活习惯"
    elif 24 <= bmi < 28:
        category = "偏胖"
        advice = "建议适当控制饮食和加强运动"
    else:
        category = "肥胖"
        advice = "建议咨询专业医生制定减重计划"
    
    return {
        "bmi": round(bmi, 2),
        "category": category,
        "advice": advice
    }

# 创建健康助手
health_agent = Agent(
    name="健康助手",
    model=DeepSeek(api_key="DEEPSEEK_API_KEY"),
    tools=[Function(calculate_bmi)],  # 注册自定义工具
    instructions=[
        "使用BMI计算工具分析用户健康状况",
        "提供专业的健康建议"
    ],
    show_tool_calls=True,
    markdown=True
)

# 使用智能体
health_agent.print_response(
    "我身高1.75米，体重70千克，请帮我分析健康状况",
    stream=True
)

---

📋 五、代码结构详解

5.1 智能体参数说明

Agent(
    # === 基础配置 ===
    name: str,                    # 智能体名称
    model: Model,                 # 使用的LLM模型
    description: str,             # 智能体描述
    
    # === 功能配置 ===
    tools: List[Tool],            # 工具列表
    knowledge: AgentKnowledge,    # 知识库
    storage: Storage,             # 存储驱动
    
    # === 行为配置 ===
    instructions: List[str],      # 指令列表
    expected_output: str,         # 期望输出格式
    
    # === 输出配置 ===
    markdown: bool = False,       # 启用Markdown输出
    show_tool_calls: bool = False,# 显示工具调用
    
    # === 记忆配置 ===
    add_history_to_context: bool, # 添加历史到上下文
    add_datetime_to_instructions: bool, # 添加时间戳
    
    # === 高级配置 ===
    monitoring: bool = False,     # 启用监控
    enable_agentic_context: bool, # 启用智能上下文
)

5.2 运行方法对比

# 方法1：开发调试（打印输出）
agent.print_response("你的问题", stream=True)

# 方法2：生产环境（获取响应对象）
response = agent.run("你的问题")
print(response.content)

# 方法3：异步运行
response = await agent.arun("你的问题")

# 方法4：流式输出
for chunk in agent.run("你的问题", stream=True):
    print(chunk.content, end="")

---

🎯 六、最佳实践与注意事项

6.1 开发最佳实践

✅ DO：应该做的

1. 单一职责原则

# 好的做法：一个智能体专注一个任务
search_agent = Agent(
    name="搜索专家",
    tools=[DuckDuckGoTools()],
    # ...
)

# 不好的做法：一个智能体做所有事
super_agent = Agent(
    name="万能助手",
    tools=[Tool1(), Tool2(), Tool3(), Tool4(), Tool5()],  # 太多工具
    # ...
)

2. 清晰的指令

# 好的做法
instructions=[
    "搜索最新的技术新闻",
    "提取关键信息并总结",
    "以Markdown格式输出，包含标题和要点"
]

# 不好的做法
instructions=["帮我做点什么"]

3. 合理使用记忆

from agno.db.sqlite import SqliteDb

# 为需要上下文的智能体添加数据库
agent = Agent(
    model=DeepSeek(api_key="DEEPSEEK_API_KEY"),
    db=SqliteDb(db_file="agent_memory.db"),
    add_history_to_context=True,
    # ...
)

❌ DON'T：避免的错误

1. 不要过度使用LLM

# 错误示例：简单计算也用智能体
def add_numbers(a, b):
    agent = Agent(...)  # 过度设计
    return agent.run(f"计算{a}+{b}")

# 正确做法：直接计算
def add_numbers(a, b):
    return a + b

2. 不要忽略错误处理

# 好的做法
try:
    response = agent.run("你的问题")
    if response.content:
        print(response.content)
except Exception as e:
    print(f"错误：{e}")

6.2 性能优化建议

🚀 提升速度

1. 使用更快的模型

# 简单任务使用小模型
agent = Agent(
    model=OpenAIChat(id="gpt-4o-mini"),  # 更快更便宜
    # ...
)

2. 并行化工具调用

# Agno自动并行化独立的工具调用
agent = Agent(
    tools=[Tool1(), Tool2(), Tool3()],
    # 智能体会自动判断哪些工具可以并行执行
)

3. 启用缓存

# 使用工作流缓存避免重复计算
from agno.workflow import Workflow

class CachedWorkflow(Workflow):
    def run(self, message: str):
        if self.session_state.get(message):
            return self.session_state[message]  # 返回缓存
        # 执行新计算...

6.3 安全性建议

🔒 保护API密钥

# 好的做法：使用环境变量
import os
api_key = os.environ.get("DEEPSEEK_API_KEY")

# 不好的做法：硬编码
api_key = "sk-xxxxxxxxxxxxx"  # 千万不要这样做！

🛡️ 输入验证

def validate_input(user_input: str) -> bool:
    """验证用户输入"""
    if len(user_input) > 1000:
        return False
    if "<script>" in user_input.lower():
        return False
    return True

# 在运行前验证
if validate_input(user_query):
    response = agent.run(user_query)

6.4 成本控制

💰 降低API调用成本

1. 选择合适的模型

# 使用在线模型
online_agent = Agent(model=OpenAIChat(id="qwen3-max"))

# 使用本地模型
from agno.models.ollama import Ollama
local_agent = Agent(model=Ollama(id="qwen3:8b"))

2. 限制输出长度

agent = Agent(
    model=OpenAIChat(
        id="gpt-4o",
        max_tokens=500  # 限制输出长度
    ),
    # ...
)

3. 监控使用情况

# 启用监控追踪API使用
agent = Agent(
    model=DeepSeek(api_key="DEEPSEEK_API_KEY"),
    monitoring=True,  # 在agno.com查看使用统计
    # ...
)

---

🔍 七、常见问题解答（FAQ）

Q1: Agno支持哪些LLM模型？

A: Agno支持20+种主流LLM提供商，包括：

• ✅ OpenAI (GPT-4, GPT-4o, GPT-3.5)
• ✅ Anthropic (Claude 3.5, Claude 3)
• ✅ Google (Gemini Pro, Gemini Flash)
• ✅ Groq (Llama 3, Mixtral)
• ✅ Ollama (本地模型)
• ✅ Azure OpenAI
• ✅ AWS Bedrock
• ✅ Cohere
• ✅ Together AI
• ✅ Mistral AI

Q2: 如何在国内使用Agno？

A: 三种方案：

# 方案1：使用国内模型，如deepseek
agent = Agent(
    model=DeepSeek(api_key="DEEPSEEK_API_KEY")
)


# 方案2：使用本地Ollama
agent = Agent(
    model=Ollama(id="llama3")
)

Q3: 智能体的响应速度慢怎么办？

A: 优化建议：

1. 选择更快的模型（如gpt-4o-mini、gemini-flash）
2. 减少工具数量（单个智能体不超过3个工具）
3. 使用流式输出（stream=True）
4. 启用缓存机制
5. 考虑使用本地模型（Ollama）

Q4: 如何调试智能体？

A: Agno提供多种调试方法：

# 方法1：显示工具调用过程
agent = Agent(
    show_tool_calls=True,  # 打印工具调用详情
    # ...
)

# 方法2：显示完整推理过程
agent.print_response(
    "你的问题",
    show_full_reasoning=True,
    stream_intermediate_steps=True
)

# 方法3：使用Agno Playground
# 安装开发环境
pip install -U agno[dev]

# 运行Playground
python playground.py

Q5: Agno与LangChain的区别？

A: 核心对比：

特性	Agno	LangChain
学习曲线	简单（纯Python）	复杂（链式抽象）
性能	极快（3μs实例化）	较慢（~1.6ms）
内存占用	极低（6.5KB）	较高（161KB）
部署	开箱即用FastAPI	需自行搭建
专注点	Agent优先	RAG优先

---

📊 八、Agno vs 其他框架对比

8.1 性能基准测试

根据官方测试数据：

指标	Agno	LangGraph	PydanticAI	CrewAI
实例化时间	0.000003s (1x)	0.001587s (529x慢)	0.000170s (57x慢)	0.000210s (70x慢)
内存占用	6.6KB (1x)	161KB (24x高)	29KB (4x高)	66KB (10x高)

8.2 功能特性对比

功能	Agno	LangGraph	CrewAI	AutoGen
多模态支持	✅ 原生	⚠️ 部分	❌ 无	⚠️ 部分
内置记忆	✅ 完整	⚠️ 需配置	⚠️ 需配置	⚠️ 需配置
知识库RAG	✅ 20+向量DB	⚠️ 需集成	⚠️ 需集成	⚠️ 需集成
生产部署	✅ FastAPI内置	❌ 需自建	❌ 需自建	❌ 需自建
控制平面UI	✅ 官方提供	❌ 无	❌ 无	❌ 无
数据隐私	✅ 私有云部署	⚠️ 依赖第三方	⚠️ 依赖第三方	⚠️ 依赖第三方

8.3 代码简洁度对比

创建同样的智能体，Agno代码更简洁：

# === Agno实现（10行） ===
from agno.agent import Agent
from agno.models.deepseek import DeepSeek
from agno.tools.duckduckgo import DuckDuckGoTools

agent = Agent(
    model=DeepSeek(api_key="DEEPSEEK_API_KEY"),
    tools=[DuckDuckGoTools()],
    instructions=["搜索并总结"],
    markdown=True
)
agent.print_response("AI最新进展", stream=True)

# === LangGraph实现（30+行） ===
# 需要定义State、Node、Edge、Graph等复杂结构
# 代码量是Agno的3倍以上...

---

🎓 九、学习资源与进阶路线

9.1 官方资源

📚 文档与教程

• 官方文档：docs.agno.com/
• GitHub仓库：github.com/agno-agi/ag…
• 示例库（Cookbook）：github.com/agno-agi/ag…

💬 社区支持

• 官方论坛：community.agno.com/
• Discord社区：加入实时交流
• GitHub Issues：报告问题和建议

🎥 视频教程

• YouTube官方频道：Agno AI Agent Tutorial
• B站中文教程：搜索"Agno框架"

9.2 进阶学习路线

第一阶段：基础入门（本文）
└─ 安装配置
└─ 创建简单智能体
└─ 使用内置工具

第二阶段：进阶功能
└─ 知识库集成（RAG）
└─ 记忆与存储
└─ 自定义工具开发
└─ 多模态智能体

第三阶段：高级应用
└─ 多智能体团队
└─ 工作流设计
└─ 推理智能体
└─ 生产环境部署

第四阶段：企业实战
└─ AgentOS运行时
└─ 控制平面监控
└─ 性能优化
└─ 安全与隐私

9.3 推荐实践项目

🚀 初级项目

1. 天气查询助手：集成天气API
2. 新闻摘要机器人：爬取和总结新闻
3. 简单问答系统：基于FAQ的智能客服

🔥 中级项目

1. 个人知识库助手：基于RAG的文档问答
2. 股票分析智能体：实时金融数据分析
3. 多语言翻译助手：支持多种语言互译

⭐ 高级项目

1. AI研究员团队：多智能体协作进行深度研究
2. 自动化工作流：复杂业务流程自动化
3. 企业级智能客服：完整的客服解决方案

---

🎉 十、总结与展望

10.1 本文核心要点回顾

✅ Agno是什么：高性能、模型无关的多智能体框架
✅ 核心优势：速度快、易用、功能强大
✅ 环境搭建：Python 3.7+、pip安装、配置API密钥
✅ 智能体构建：Model + Tools + Instructions
✅ 最佳实践：单一职责、清晰指令、合理缓存

10.2 你现在能做什么

通过本文学习，你已经掌握：

• ✅ 安装和配置Agno开发环境
• ✅ 创建基础AI智能体
• ✅ 为智能体添加工具和能力
• ✅ 理解智能体的核心概念
• ✅ 应用最佳实践提升代码质量

10.3 下期预告

在下一篇教程中，我们将深入探讨：

📖 《Agno框架进阶（第二篇）：知识库集成与RAG系统构建》

主要内容包括：

• 🔍 向量数据库原理与选择
• 📚 构建智能RAG系统
• 🧠 混合搜索与重排序
• 💾 知识库管理最佳实践
• 🚀 实战：构建企业级文档问答系统

10.4 实践建议

📝 立即动手：

1. 搭建开发环境
2. 运行本文的代码示例
3. 修改参数，观察效果变化
4. 尝试创建你自己的智能体

🤝 加入社区：

• 关注本公众号获取后续教程
• 加入Agno Discord与全球开发者交流
• 在GitHub上Star项目并查看最新示例

10.5 致谢与支持

感谢Agno开源社区的贡献者们！如果本文对你有帮助：

• ⭐ 给Agno项目点Star支持
• 📢 分享本文给更多AI开发者
• 💬 在评论区分享你的学习心得

---

🔗 相关链接

• Agno官网：www.agno.com/
• 官方文档：docs.agno.com/
• GitHub仓库：github.com/agno-agi/ag…
• 社区论坛：community.agno.com/

---

📮 联系作者

如有疑问或建议，欢迎通过以下方式联系：

• 📧 公众号留言
• 💬 微信群讨论（见公众号菜单）
• 🐛 GitHub Issues反馈

---

💡 提示：本教程基于Agno v2.1+版本编写，部分API可能随版本更新而变化，请以官方文档为准。

🔄 更新日期：2025年10月

---

🎯 下一步行动：

1. ⬇️ 保存本文以便随时查阅
2. 💻 打开终端开始搭建环境
3. 🚀 创建你的第一个Agno智能体
4. 📱 关注公众号等待第二篇教程

让我们一起开启Agno智能体开发之旅！ 🚀✨

---

本文为Agno框架系列教程第一篇，更多精彩内容敬请期待！

#AI智能体 #Agno框架 #Python开发 #人工智能 #大语言模型