Agno 多 Agent 協作框架 - 手把手從零開始教程

本教程將帶你從零開始，一步步構建一個完整的多 Agent 協作系統。每一步都有詳細的代碼示例和解釋，讓你真正理解 Agno 框架的工作原理。

第一步：創建你的第一個 Agent

讓我們從最簡單的開始 - 創建一個能回答問題的 Agent。

1.1 創建基礎文件

首先創建一個新文件 step1_simple_agent.py：

from agno import Agent
from agno.models import Qwen# 第一步：配置模型
qwen = Qwen(model="qwen2.5-72b-instruct",api_key="your-api-key-here",  # 替換為你的API密鑰base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)# 第二步：創建一個簡單的Agent
simple_agent = Agent(name="簡單助手",model=qwen,instructions="你是一個友好的助手，能回答各種問題。"
)# 第三步：測試Agent
if __name__ == "__main__":response = simple_agent.run("你好，請介紹一下自己")print(f"Agent回復: {response.content}")

1.2 運行第一個Agent

運行這個文件：

python step1_simple_agent.py

預期輸出：

Agent回復: 你好！我是一個友好的AI助手，很高興認識你！我可以幫助你回答各種問題...

1.3 代碼解釋

  • Qwen模型配置：這是我們使用的大語言模型，需要配置API密鑰和服務地址
  • Agent創建：Agent是最基本的智能體，有名字、模型和指令
  • run方法：這是與Agent交互的主要方式

第二步：給 Agent 添加工具

現在讓我們給 Agent 添加一些實用的工具，比如搜索功能。

2.1 安裝工具依賴

pip install duckduckgo-search

2.2 創建帶工具的Agent

創建文件 step2_agent_with_tools.py：

from agno import Agent
from agno.models import Qwen
from agno.tools.duckduckgo import DuckDuckGoTools# 配置模型（和第一步相同）
qwen = Qwen(model="qwen2.5-72b-instruct",api_key="your-api-key-here",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)# 創建帶搜索工具的Agent
search_agent = Agent(name="搜索助手",model=qwen,tools=[DuckDuckGoTools()],  # 添加搜索工具instructions="""你是一個專業的搜索助手。當用戶詢問最新信息時，請使用搜索工具獲取準確的信息。搜索后，請整理并總結搜索結果。"""
)# 測試搜索功能
if __name__ == "__main__":# 測試1：普通問答（不需要搜索）print("=== 測試1：普通問答 ===")response1 = search_agent.run("什么是人工智能？")print(f"回復: {response1.content}\n")# 測試2：需要搜索的問題print("=== 測試2：搜索最新信息 ===")response2 = search_agent.run("2024年最新的AI技術發展趨勢是什么？")print(f"回復: {response2.content}")

2.3 運行帶工具的Agent

python step2_agent_with_tools.py

預期輸出：

=== 測試1：普通問答 ===
回復: 人工智能（AI）是計算機科學的一個分支...=== 測試2：搜索最新信息 ===
回復: 根據我搜索到的最新信息，2024年AI技術發展的主要趨勢包括：
1. 大語言模型的持續優化...
2. 多模態AI的突破...

2.4 工具的工作原理

當Agent遇到需要最新信息的問題時，它會：

  1. 識別需要搜索
  2. 調用DuckDuckGo搜索工具
  3. 獲取搜索結果
  4. 整理并回復用戶

第三步：創建多個專業Agent

現在我們創建多個各有專長的Agent。

3.1 創建專業Agent團隊

創建文件 step3_multiple_agents.py：

from agno import Agent
from agno.models import Qwen
from agno.tools.duckduckgo import DuckDuckGoTools# 共享的模型配置
qwen = Qwen(model="qwen2.5-72b-instruct",api_key="your-api-key-here",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)# Agent 1: 網絡搜索專家
web_search_agent = Agent(name="網絡搜索專家",model=qwen,tools=[DuckDuckGoTools()],instructions="""你是一個專業的網絡搜索專家。你的任務是：1. 根據用戶需求進行精準搜索2. 篩選和整理搜索結果3. 提供準確、及時的信息請始終使用搜索工具獲取最新信息。"""
)# Agent 2: 新聞分析師
news_agent = Agent(name="新聞分析師",model=qwen,tools=[DuckDuckGoTools()],instructions="""你是一個專業的新聞分析師。你的任務是：1. 搜索和收集相關新聞2. 分析新聞的重要性和影響3. 提供深入的新聞解讀4. 識別新聞趨勢和模式請用專業的新聞分析視角來回答問題。"""
)# Agent 3: 技術顧問
tech_advisor = Agent(name="技術顧問",model=qwen,instructions="""你是一個資深的技術顧問。你的專長包括：1. 軟件開發和架構設計2. 技術選型和最佳實踐3. 問題診斷和解決方案4. 技術趨勢分析請提供專業、實用的技術建議。"""
)# 測試不同的Agent
def test_agents():print("=== 測試網絡搜索專家 ===")search_result = web_search_agent.run("搜索2024年Python最新版本的特性")print(f"搜索專家: {search_result.content}\n")print("=== 測試新聞分析師 ===")news_result = news_agent.run("分析最近AI領域的重要新聞")print(f"新聞分析師: {news_result.content}\n")print("=== 測試技術顧問 ===")tech_result = tech_advisor.run("我想開發一個Web應用，應該選擇什么技術棧？")print(f"技術顧問: {tech_result.content}")if __name__ == "__main__":test_agents()

3.2 運行多Agent測試

python step3_multiple_agents.py

你會看到每個Agent都有自己的專業特色和回答風格。

第四步：組建Team進行協作

現在是最關鍵的部分 - 讓多個Agent協作完成復雜任務！

4.1 創建Agent團隊

創建文件 step4_team_collaboration.py：

from agno import Agent, Team
from agno.models import Qwen
from agno.tools.duckduckgo import DuckDuckGoTools# 模型配置
qwen = Qwen(model="qwen2.5-72b-instruct",api_key="your-api-key-here",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)# 創建專業Agent（復用第三步的Agent）
web_search_agent = Agent(name="Web Search Agent",model=qwen,tools=[DuckDuckGoTools()],instructions="你是網絡搜索專家，負責搜索和收集信息。"
)news_agent = Agent(name="News Agent",model=qwen,tools=[DuckDuckGoTools()],instructions="你是新聞分析師，負責分析和解讀新聞內容。"
)# 關鍵步驟：創建Team
research_team = Team(name="Research Team",agents=[web_search_agent, news_agent],  # 團隊成員instructions="""你們是一個專業的研究團隊。工作流程：1. Web Search Agent 負責搜索相關信息2. News Agent 負責分析和整理信息3. 團隊協作完成深入的研究報告請確保：- 信息準確和及時- 分析深入和專業- 報告結構清晰""",show_chain_of_thought=True  # 顯示思考過程
)# 測試團隊協作
def test_team_collaboration():print("=== 團隊協作測試 ===")# 復雜任務：需要搜索+分析task = "研究2024年人工智能在醫療領域的最新應用和發展趨勢"print(f"任務: {task}\n")print("團隊開始協作...\n")# 使用Team處理復雜任務result = research_team.run(task)print("=== 團隊協作結果 ===")print(result.content)if __name__ == "__main__":test_team_collaboration()

4.2 Team協作的工作原理

當你運行這個代碼時，你會看到：

  1. 任務分配：Team自動將任務分配給合適的Agent
  2. 協作過程：Agent之間會交換信息和結果
  3. 結果整合：Team將各Agent的工作整合成最終結果

預期輸出示例：

=== 團隊協作測試 ===
任務: 研究2024年人工智能在醫療領域的最新應用和發展趨勢團隊開始協作...=== 團隊協作結果 ===
# 2024年人工智能在醫療領域研究報告## 最新應用
1. AI輔助診斷系統...
2. 智能藥物發現...
3. 個性化治療方案...## 發展趨勢
1. 多模態AI在醫療影像的應用...
2. 大語言模型在醫療問答的突破...

第五步：完整的實戰項目

現在讓我們基于 ago_multi_agent.py 創建一個完整的項目。

5.1 完整項目代碼

創建文件 step5_complete_project.py（基于 ago_multi_agent.py）：

from agno import Agent, Team
from agno.models import Qwen
from agno.tools.duckduckgo import DuckDuckGoTools
from agno.tools.reasoning import ReasoningTools# 配置Qwen模型
qwen = Qwen(model="qwen2.5-72b-instruct",api_key="your-api-key-here",  # 請替換為你的API密鑰base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)# 創建Web搜索Agent
web_search_agent = Agent(name="Web Search Agent",model=qwen,tools=[DuckDuckGoTools()],instructions="""你是一個專業的網絡搜索專家。你的職責是：1. 根據研究需求進行精準的網絡搜索2. 收集相關的、可靠的信息源3. 整理和篩選搜索結果4. 為團隊提供準確的基礎信息請確保搜索的信息是最新的、權威的。"""
)# 創建新聞分析Agent
news_agent = Agent(name="News Agent",model=qwen,tools=[DuckDuckGoTools()],instructions="""你是一個資深的新聞分析師和研究員。你的職責是：1. 深入分析收集到的信息2. 識別重要趨勢和模式3. 提供專業的見解和解讀4. 撰寫結構化的研究報告請用批判性思維分析信息，提供有價值的洞察。"""
)# 創建推理研究團隊
reasoning_research_team = Team(name="Reasoning Research Team",agents=[web_search_agent, news_agent],tools=[ReasoningTools()],  # 添加推理工具instructions="""你們是一個專業的推理研究團隊，專門處理復雜的研究任務。## 團隊協作流程：1. **信息收集階段**：Web Search Agent 負責搜索和收集相關信息2. **深度分析階段**：News Agent 負責分析信息，識別關鍵點3. **推理整合階段**：使用推理工具進行邏輯分析和結論推導4. **報告生成階段**：生成結構化的研究報告## 質量標準：- 信息必須準確和最新- 分析必須深入和專業- 推理必須邏輯清晰- 報告必須結構完整## 輸出格式：請按以下格式輸出研究報告：# 研究報告：[主題]## 執行摘要## 關鍵發現## 詳細分析## 趨勢預測## 結論和建議""",show_chain_of_thought=True
)# 主函數：演示完整的研究流程
def main():print("🚀 Agno 多Agent協作系統啟動")print("=" * 50)# 研究任務列表research_tasks = ["分析2024年生成式AI技術的最新發展和商業應用","研究量子計算在未來5年的發展前景和挑戰","調查可持續能源技術的最新突破和投資趨勢"]for i, task in enumerate(research_tasks, 1):print(f"\n📋 任務 {i}: {task}")print("-" * 40)try:# 使用團隊協作完成研究任務result = reasoning_research_team.run(task)print("? 研究完成！")print("📊 研究報告：")print(result.content)except Exception as e:print(f"? 任務執行失敗: {str(e)}")print("\n" + "=" * 50)# 單獨測試各個Agent
def test_individual_agents():print("🧪 測試單個Agent功能")print("=" * 30)# 測試搜索Agentprint("\n🔍 測試Web搜索Agent:")search_result = web_search_agent.run("搜索2024年AI芯片的最新發展")print(f"搜索結果: {search_result.content[:200]}...")# 測試新聞Agentprint("\n📰 測試新聞分析Agent:")news_result = news_agent.run("分析人工智能對就業市場的影響")print(f"分析結果: {news_result.content[:200]}...")# 交互式研究模式
def interactive_research():print("\n🎯 進入交互式研究模式")print("輸入 'quit' 退出")while True:user_query = input("\n請輸入你想研究的問題: ")if user_query.lower() == 'quit':print("👋 再見！")breakif user_query.strip():print("\n🔄 團隊開始研究...")try:result = reasoning_research_team.run(user_query)print("\n📋 研究結果:")print(result.content)except Exception as e:print(f"? 研究失敗: {str(e)}")if __name__ == "__main__":# 選擇運行模式print("請選擇運行模式:")print("1. 預設任務演示")print("2. 單個Agent測試")print("3. 交互式研究")choice = input("請輸入選擇 (1/2/3): ")if choice == "1":main()elif choice == "2":test_individual_agents()elif choice == "3":interactive_research()else:print("無效選擇，運行默認演示")main()

5.2 運行完整項目

python step5_complete_project.py

運行效果：

🚀 Agno 多Agent協作系統啟動
==================================================📋 任務 1: 分析2024年生成式AI技術的最新發展和商業應用
----------------------------------------
? 研究完成！
📊 研究報告：
# 研究報告：2024年生成式AI技術發展分析## 執行摘要
2024年生成式AI技術呈現爆發式增長...## 關鍵發現
1. 大語言模型能力顯著提升
2. 多模態AI成為新趨勢
3. 企業級應用快速普及
...

常見問題和解決方案

Q1: API密鑰配置問題

問題：運行時提示API密鑰錯誤

解決方案：

# 方法1：直接在代碼中配置
qwen = Qwen(model="qwen2.5-72b-instruct",api_key="sk-your-actual-api-key",  # 替換為真實密鑰base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)# 方法2：使用環境變量（推薦）
import os
qwen = Qwen(model="qwen2.5-72b-instruct",api_key=os.getenv("QWEN_API_KEY"),base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

Q2: 工具導入失敗

問題：ImportError: No module named 'agno.tools.duckduckgo'

解決方案：

# 安裝必要的依賴
pip install agno
pip install duckduckgo-search

Q3: Team協作沒有效果

問題：Team運行時只有一個Agent在工作

解決方案：

# 確保Team的instructions明確指定協作流程
team = Team(name="Research Team",agents=[agent1, agent2],instructions="""明確的協作指令：1. Agent1負責搜索信息2. Agent2負責分析信息3. 兩個Agent必須協作完成任務""",show_chain_of_thought=True  # 顯示協作過程
)

Q4: 響應速度慢

問題：Agent響應時間過長

解決方案：

# 優化模型配置
qwen = Qwen(model="qwen2.5-72b-instruct",api_key="your-api-key",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",timeout=30,  # 設置超時時間max_tokens=1000  # 限制輸出長度
)

進階技巧和最佳實踐

1. Agent角色設計

# ? 好的Agent設計
expert_agent = Agent(name="數據分析專家",model=qwen,instructions="""你是一個資深的數據分析專家，具有10年以上的行業經驗。你的專長：- 統計分析和數據挖掘- 商業智能和報表分析- 預測建模和趨勢分析工作風格：- 嚴謹、客觀、基于數據- 提供可操作的建議- 用圖表和數字說話"""
)# ? 不好的Agent設計
bad_agent = Agent(name="助手",model=qwen,instructions="你是一個助手"  # 太模糊
)

2. Team協作優化

# 高效的Team設計
optimized_team = Team(name="產品研發團隊",agents=[market_researcher, tech_analyst, product_manager],instructions="""## 協作流程（嚴格按順序執行）：### 第一階段：市場調研- Market Researcher: 調研市場需求和競品- 輸出：市場調研報告### 第二階段：技術分析- Tech Analyst: 基于市場報告分析技術可行性- 輸出：技術方案建議### 第三階段：產品規劃- Product Manager: 整合前兩階段結果，制定產品規劃- 輸出：完整的產品規劃文檔## 質量要求：- 每個階段必須有明確的輸出- 后續階段必須基于前面的結果- 最終輸出必須包含所有階段的關鍵信息"""
)

3. 錯誤處理和重試機制

def robust_agent_call(agent, query, max_retries=3):"""帶重試機制的Agent調用"""for attempt in range(max_retries):try:result = agent.run(query)if result and result.content:return resultexcept Exception as e:print(f"嘗試 {attempt + 1} 失敗: {e}")if attempt == max_retries - 1:raisereturn None# 使用示例
try:result = robust_agent_call(my_agent, "復雜的查詢")print(result.content)
except Exception as e:print(f"所有嘗試都失敗了: {e}")

總結

通過這個手把手的教程，你已經學會了：

? 你現在掌握的技能：

  1. 基礎Agent創建 - 從零開始創建智能Agent
  2. 工具集成 - 給Agent添加搜索等實用工具
  3. 多Agent設計 - 創建專業化的Agent團隊
  4. Team協作 - 實現真正的多Agent協作
  5. 完整項目 - 構建生產級的多Agent系統

🚀 下一步建議：

  1. 實踐項目：

    • 創建自己的專業Agent（如代碼審查、文檔生成等）
    • 構建特定領域的研究團隊
    • 開發自動化工作流程

  2. 深入學習：

    • 探索更多工具集成
    • 學習自定義工具開發
    • 研究高級協作模式

  3. 生產部署：

    • 添加日志和監控
    • 實現API接口
    • 優化性能和成本

💡 關鍵要點回顧：

  • Agent = 模型 + 指令 + 工具
  • Team = 多個Agent + 協作指令
  • 成功的關鍵在于清晰的角色定義和協作流程
  • 從簡單開始，逐步增加復雜性

現在你已經具備了使用Agno框架構建強大多Agent系統的能力！開始創建你自己的AI助手團隊吧！ 🎉

多 Agent 協作的優勢

  • 任務分工明確：每個 Agent 專注于特定領域，提高專業性
  • 并行處理能力：多個 Agent 可以同時處理不同任務
  • 容錯性強：單個 Agent 失敗不會影響整個系統
  • 可擴展性好：可以輕松添加新的 Agent 來擴展功能
  • 協作智能：通過 Team 機制實現智能體間的信息共享和協調

適用場景

  • 復雜研究任務（如市場分析、技術調研）
  • 多源信息整合（如新聞聚合、數據分析）
  • 內容生成與處理（如文檔生成、翻譯）
  • 決策支持系統
  • 自動化工作流程

環境配置

安裝依賴

# 安裝 Agno 框架
pip install agno# 安裝相關依賴
pip install duckduckgo-search

API 密鑰配置

import os# 配置通義千問 API 密鑰
os.environ["DASHSCOPE_API_KEY"] = "your-api-key-here"# 其他可能需要的 API 密鑰
# os.environ["OPENAI_API_KEY"] = "your-openai-key"
# os.environ["ANTHROPIC_API_KEY"] = "your-anthropic-key"

基礎設置

確保你的環境支持：

  • Python 3.8+
  • 穩定的網絡連接（用于 API 調用）
  • 足夠的內存和計算資源

核心概念

Agent（智能體）

Agent 是 Agno 框架中的基本執行單元，每個 Agent 都有：

  • 名稱和角色：定義 Agent 的身份和職責
  • 模型：使用的 AI 模型（如 Qwen、GPT 等）
  • 工具：Agent 可以使用的外部工具
  • 指令：指導 Agent 行為的規則和要求
from agno.agent import Agent
from agno.models.qwen import Qwen
from agno.tools.duckduckgo import DuckDuckGoToolsagent = Agent(name="示例 Agent",role="處理特定任務",model=qwen_model,tools=[DuckDuckGoTools()],instructions="具體的行為指令"
)

Team（團隊）

Team 是多個 Agent 的協作容器，負責：

  • 協調 Agent 工作：分配任務和管理執行流程
  • 信息共享：在 Agent 之間傳遞信息
  • 結果整合：匯總各 Agent 的輸出
  • 質量控制：確保最終結果符合要求
from agno.team.team import Teamteam = Team(name="協作團隊",mode="coordinate",  # 協作模式members=[agent1, agent2],instructions=["團隊協作指令"]
)

Tools（工具）

工具為 Agent 提供外部能力：

  • DuckDuckGoTools：網絡搜索功能
  • ReasoningTools：推理和分析工具
  • 自定義工具：根據需求開發的專用工具

Model（模型）

模型是 Agent 的"大腦"，支持多種 AI 模型：

  • Qwen：通義千問模型
  • OpenAI GPT：OpenAI 的 GPT 系列
  • Claude：Anthropic 的 Claude 模型

代碼詳解

基于 ago_multi_agent.py 的完整代碼分析：

1. 導入必要模塊

import os
from agno.agent import Agent
from agno.models.qwen import Qwen
from agno.team.team import Team
from agno.tools.duckduckgo import DuckDuckGoTools
from agno.tools.reasoning import ReasoningTools

2. 配置模型

# 配置 API 密鑰
os.environ["DASHSCOPE_API_KEY"] = "your-api-key"# 創建 Qwen 模型實例
qwen = Qwen(id="qwen-flash",  # 模型標識符base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",top_p=0.7,        # 控制生成多樣性temperature=0.95,  # 控制隨機性
)

參數說明：

  • id：模型標識符，選擇具體的模型版本
  • base_url：API 服務地址
  • top_p：核采樣參數，值越小生成越確定
  • temperature：溫度參數，值越高生成越隨機

3. 創建專門化 Agent

Web 搜索 Agent
web_agent = Agent(name="Web Search Agent",role="處理網絡搜索請求和一般研究",model=qwen,tools=[DuckDuckGoTools()],instructions="始終包含來源",add_datetime_to_instructions=True,debug_mode=True,
)
新聞 Agent
news_agent = Agent(name="News Agent",role="處理新聞請求和時事分析",model=qwen,tools=[DuckDuckGoTools(search=True, news=True)],instructions=["使用表格顯示新聞信息和發現。","明確說明來源和發布日期。","關注提供當前和相關的新聞見解。",],add_datetime_to_instructions=True,debug_mode=True,
)

配置參數詳解：

  • name：Agent 的名稱標識
  • role：Agent 的角色描述
  • model：使用的 AI 模型
  • tools：可用工具列表
  • instructions：行為指令（可以是字符串或列表）
  • add_datetime_to_instructions：是否添加時間信息
  • debug_mode：是否啟用調試模式

4. 創建協作團隊

reasoning_research_team = Team(name="Reasoning Research Team",mode="coordinate",  # 協作模式model=qwen,members=[web_agent, news_agent],tools=[ReasoningTools(add_instructions=True)],instructions=["協作提供全面的研究和新聞見解","考慮當前事件和熱門話題","使用表格和圖表清晰專業地展示數據","以結構化、易于遵循的格式呈現發現","僅輸出最終的綜合分析，而不是單個代理響應",],markdown=True,show_members_responses=True,enable_agentic_context=True,add_datetime_to_instructions=True,success_criteria="團隊已提供完整的研究分析，包括數據、可視化、趨勢評估和基于當前信息和可靠來源的可操作見解。",debug_mode=True,
)

Team 參數詳解：

  • mode：協作模式（coordinate、sequential、parallel 等）
  • members：團隊成員 Agent 列表
  • tools：團隊級別的工具
  • markdown：是否使用 Markdown 格式輸出
  • show_members_responses：是否顯示各成員的響應
  • enable_agentic_context：是否啟用智能體上下文
  • success_criteria：成功標準定義

5. 執行任務

if __name__ == "__main__":reasoning_research_team.print_response("""使用中文輸出，研究并比較可再生能源的最新發展:1. 獲取可再生能源創新的最新消息2. 分析可再生能源領域的最新發展3. 比較不同的可再生能源技術4. 推薦值得關注的未來趨勢""",stream=True,show_full_reasoning=True,stream_intermediate_steps=True,)

執行參數說明：

  • stream：是否流式輸出結果
  • show_full_reasoning：是否顯示完整推理過程
  • stream_intermediate_steps：是否流式顯示中間步驟

實戰示例

示例 1：創建單個 Agent

from agno.agent import Agent
from agno.models.qwen import Qwen
from agno.tools.duckduckgo import DuckDuckGoTools# 創建模型
model = Qwen(id="qwen-flash")# 創建專門的研究 Agent
research_agent = Agent(name="Research Assistant",role="專業研究助手",model=model,tools=[DuckDuckGoTools()],instructions=["提供準確、詳細的研究信息","引用可靠來源","以結構化方式組織信息"]
)# 使用 Agent
response = research_agent.run("研究人工智能在醫療領域的應用")
print(response.content)

示例 2：組建 Agent 團隊

# 創建多個專門化 Agent
data_agent = Agent(name="Data Analyst",role="數據分析專家",model=model,tools=[DuckDuckGoTools()],instructions="專注于數據收集和統計分析"
)report_agent = Agent(name="Report Writer",role="報告撰寫專家",model=model,instructions="將分析結果整理成專業報告"
)# 創建協作團隊
analysis_team = Team(name="Analysis Team",mode="sequential",  # 順序執行模式members=[data_agent, report_agent],instructions=["首先收集和分析數據","然后生成綜合報告","確保報告專業且易懂"]
)# 執行團隊任務
result = analysis_team.run("分析2024年電商市場趨勢")

示例 3：配置不同協作模式

# 并行模式：多個 Agent 同時工作
parallel_team = Team(name="Parallel Research Team",mode="parallel",members=[web_agent, news_agent],instructions="同時進行網絡搜索和新聞分析"
)# 協調模式：智能分配任務
coordinate_team = Team(name="Coordinate Team",mode="coordinate",members=[web_agent, news_agent],instructions="根據任務需求智能分配工作"
)

最佳實踐

Agent 設計原則

  1. 單一職責原則

    # 好的設計：專門化 Agent
translation_agent = Agent(name="Translator",role="專業翻譯",instructions="只負責文本翻譯任務"
)# 避免：功能過于復雜的 Agent
# complex_agent = Agent(
#     name="Everything Agent",
#     role="處理所有任務"  # 不推薦
# )

  2. 清晰的角色定義

    agent = Agent(name="Market Analyst",role="專注于市場趨勢分析和預測",instructions=["分析市場數據和趨勢","提供基于數據的預測","使用圖表和可視化展示結果"]
)

  3. 合適的工具配置

    # 根據 Agent 職責配置相應工具
search_agent = Agent(name="Search Specialist",tools=[DuckDuckGoTools(search=True, news=True)],instructions="專門負責信息搜索和收集"
)

Team 協作模式選擇

  1. Sequential（順序模式）

    • 適用于：有明確先后順序的任務
    • 示例：數據收集 → 分析 → 報告生成

  2. Parallel（并行模式）

    • 適用于：可以同時進行的獨立任務
    • 示例：多源信息收集、多角度分析

  3. Coordinate（協調模式）

    • 適用于：需要智能任務分配的復雜場景
    • 示例：綜合研究、多維度分析

錯誤處理

try:result = team.run(task)if result.success:print(f"任務完成：{result.content}")else:print(f"任務失敗：{result.error}")
except Exception as e:print(f"執行錯誤：{e}")# 實施備用方案

性能優化

  1. 合理設置模型參數

    # 平衡性能和質量
model = Qwen(temperature=0.7,  # 適中的隨機性top_p=0.9,       # 適中的多樣性
)

  2. 啟用調試模式進行開發

    agent = Agent(debug_mode=True,  # 開發時啟用# debug_mode=False,  # 生產時關閉
)

  3. 合理使用流式輸出

    # 對于長時間任務，使用流式輸出提升用戶體驗
team.print_response(task,stream=True,stream_intermediate_steps=True
)

擴展應用

自定義工具

from agno.tools.base import Toolclass CustomAnalysisTool(Tool):def __init__(self):super().__init__(name="Custom Analysis")def analyze_data(self, data):# 自定義分析邏輯return f"分析結果：{data}"# 在 Agent 中使用自定義工具
custom_agent = Agent(name="Custom Agent",tools=[CustomAnalysisTool()],instructions="使用自定義工具進行分析"
)

復雜任務分解

# 將復雜任務分解為多個子任務
def complex_research_workflow(topic):# 第一階段：信息收集collection_team = Team(name="Information Collection",members=[web_agent, news_agent],mode="parallel")raw_data = collection_team.run(f"收集關于{topic}的信息")# 第二階段：數據分析analysis_agent = Agent(name="Data Analyzer",instructions="分析收集到的數據")analysis_result = analysis_agent.run(f"分析數據：{raw_data}")# 第三階段：報告生成report_agent = Agent(name="Report Generator",instructions="生成最終報告")final_report = report_agent.run(f"生成報告：{analysis_result}")return final_report

實際項目應用

新聞聚合系統
news_system = Team(name="News Aggregation System",members=[Agent(name="News Collector", tools=[DuckDuckGoTools(news=True)]),Agent(name="Content Analyzer", instructions="分析新聞內容"),Agent(name="Summary Generator", instructions="生成新聞摘要")],mode="sequential",instructions="收集、分析并總結最新新聞"
)
市場研究系統
market_research_system = Team(name="Market Research System",members=[Agent(name="Data Collector", tools=[DuckDuckGoTools()]),Agent(name="Trend Analyzer", instructions="分析市場趨勢"),Agent(name="Report Writer", instructions="撰寫研究報告")],mode="coordinate",instructions="進行全面的市場研究分析"
)

總結

Agno 多 Agent 協作框架提供了一個強大而靈活的平臺，用于構建智能化的多智能體系統。通過合理的 Agent 設計、Team 協作和工具配置，可以實現復雜任務的自動化處理。

關鍵要點：

  • 遵循單一職責原則設計 Agent
  • 根據任務特點選擇合適的協作模式
  • 合理配置模型參數和工具
  • 實施適當的錯誤處理和性能優化
  • 根據實際需求擴展和定制功能

通過本教程的學習和實踐，你應該能夠熟練使用 Agno 框架構建自己的多 Agent 協作系統。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/pingmian/95538.shtml
繁體地址，請注明出處：http://hk.pswp.cn/pingmian/95538.shtml
英文地址，請注明出處：http://en.pswp.cn/pingmian/95538.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

數據庫查詢優化

數據庫查詢優化

這篇文章適合剛剛入手項目的小伙伴，為大家如何提高數據庫查詢效率提供一些建議。1.添加索引1.1 索引是什么對于索引基礎薄弱的同學，我們可以從 “索引是什么” 簡單類比：索引就像書籍的目錄，能幫數據庫快速定位到需要的數據&#…
閱讀更多...
安徽大學概率論期末試卷及答案解析

安徽大學概率論期末試卷及答案解析

本文還有配套的精品資源，點擊獲取 簡介：安徽大學的概率論課程圍繞隨機現象的規律性，覆蓋了多個核心概念，如隨機事件的概率、條件概率、獨立事件、概率分布、期望值、方差、大數定律和中心極限定理。本資源包含期末試卷及答案&a…
閱讀更多...
HarmonyOS應用開發之界面列表不刷新問題Bug排查記：從現象到解決完整記錄

HarmonyOS應用開發之界面列表不刷新問題Bug排查記：從現象到解決完整記錄

Bug排查在軟件開發過程中扮演著至關重要的角色，本文采用日記形式記錄了Bug排查的全過程，通過這種方式可以更加真實、詳細地記錄問題，便于后續追溯和經驗沉淀。 Bug背景 在使用HarmonyOS的ArkUI框架開發一個卡片管理應用時，遇到了…
閱讀更多...
FastVLM-0.5B 模型解析

FastVLM-0.5B 模型解析

模型介紹 FastVLM（Fast Vision-Language Model）是蘋果團隊于2025年在CVPR會議上提出的高效視覺語言模型，專為移動設備（如iPhone、iPad、Mac）優化，核心創新在于通過全新設計的 FastViTHD混合視覺編碼器 解決…
閱讀更多...
集成學習 | MATLAB基于CNN-LSTM-Adaboost多輸入單輸出回歸預測

集成學習 | MATLAB基于CNN-LSTM-Adaboost多輸入單輸出回歸預測

集成學習 | MATLAB基于CNN-LSTM-Adaboost多輸入單輸出回歸預測 一、主要功能 該代碼使用 CNN 提取特征，LSTM 捕捉時序依賴，并通過 AdaBoost 集成多個弱學習器（每個弱學習器是一個 CNN-LSTM 網絡），最終組合成一個強預測器，用于回歸預測任務。代碼完成了從數據預處理、模型…
閱讀更多...
關于Homebrew：Mac快速安裝Homebrew

關于Homebrew：Mac快速安裝Homebrew

關于macOS 安裝HomebrewHomebrewHomebrew介紹Homebrew 官網地址Homebrew 能安裝什么？Mac上安裝Homebrew主要步驟：打開終端，執行官網安裝腳本注意遇到問題①：腳本在克隆 Homebrew 核心倉庫時，??無法連接 GitHub??&a…
閱讀更多...
【前端】使用Vercel部署前端項目，api轉發到后端服務器

【前端】使用Vercel部署前端項目，api轉發到后端服務器

文章目錄Vercel是什么概要Vercel部署分為兩種方案：一、使用GitHub構建部署二、通過 Vercel CLI 上傳本地構建資源注意事項轉發API到后端小結Vercel是什么 Vercel是一款專為前端開發者打造的云部署平臺，它支持一鍵部署靜態網站、AI工具和現代Web應用。Ve…
閱讀更多...
滾珠導軌在工業制造領域如何實現高效運行？

滾珠導軌在工業制造領域如何實現高效運行？

在工業制造領域中滾珠導軌憑借其高精度、低摩擦、高剛性等特點，被廣泛應用于多種設備和場景，并在設備性能中起著關鍵作用，以下是具體應用：加工中心：滾珠導軌用于加工中心的工作臺和主軸箱等部件的移動，能保…
閱讀更多...
大基座模型與 Scaling Law：AI 時代的邏輯與困境

大基座模型與 Scaling Law：AI 時代的邏輯與困境

一、背景：為什么大模型一定要“做大”？ 在人工智能的發展歷程中，有一個不容忽視的“鐵律”：更大的模型往往意味著更強的性能。從 GPT-2 到 GPT-4，從 BERT 到 PaLM，從 LLaMA 到 Claude，每一代的…
閱讀更多...
內網的應用系統間通信需要HTTPS嗎

內網的應用系統間通信需要HTTPS嗎

內網是否需要 HTTPS？ 雖然內網通常被視為“相對安全”的環境，但仍需根據具體情況決定是否使用 HTTPS，原因如下： 內部威脅風險 ● 內網可能面臨內部人員攻擊、橫向滲透（如黑客突破邊界后在內網掃描）、設備…
閱讀更多...
6.ImGui-顏色（色板）

6.ImGui-顏色（色板）

免責聲明：內容僅供學習參考，請合法利用知識，禁止進行違法犯罪活動！ 本次游戲沒法給 內容參考于：微塵網絡安全 上一個內容：5.ImGui-按鈕 IMGui中表示顏色的的結構體 ImVec4和ImU32，如下圖紅框…
閱讀更多...
【C++】Vector完全指南：動態數組高效使用

【C++】Vector完全指南：動態數組高效使用

0. 官方文檔 vector 1. vector介紹 Vector 簡單來說就是順序表，是一個可以動態增長的數組。 vector是表示可變大小數組的序列容器。 就像數組一樣，vector也采用的連續存儲空間來存儲元素。也就是意味著可以采用下標對vector的元素進行訪問&#xff0c…
閱讀更多...
關于無法導入父路徑的問題

關于無法導入父路徑的問題

問題重現 有下面的代碼： from ..utils import Config,set_DATA_PATH DATA_PATH set_DATA_PATH()報錯如下：from ..utils import Config,set_DATA_PATH ImportError: attempted relative import beyond top-level package解決方案 #獲取當前腳本所在目錄的…
閱讀更多...
C/C++包管理工具：Conan

C/C++包管理工具：Conan

Conan是一個專為C/C設計的開源、去中心化、跨平臺的包管理器，致力于簡化依賴管理和二進制分發流程。Conan基于Python進行開發，支持與主流的構建系統集成，提供了強大的跨平臺和交叉編譯能力。通過Conan，開發者可以高效的創建、共享…
閱讀更多...
核心高并發復雜接口重構方案

核心高并發復雜接口重構方案

核心高并發復雜接口重構方案 一、重構目標與原則 核心目標 提升接口性能：降低響應時間，提高吞吐量，降低資源使用 增強可維護性：拆解復雜邏輯，模塊化設計，降低后續迭代成本 保障穩定性：通過架構優化和灰度策略，確保重構過程無服務中斷 提升擴展性：設計靈活的擴展點，…
閱讀更多...
C++容器內存布局與性能優化指南

C++容器內存布局與性能優化指南

C容器的內存布局和緩存友好性對程序性能有決定性影響。理解這些底層機制，能幫你寫出更高效的代碼。 一、容器內存布局概述 不同容器在內存中的組織方式差異顯著，這直接影響了它們的訪問效率和適用場景。容器類型內存布局特點元數據位置元素存儲位置std::…
閱讀更多...
Beautiful.ai：AI輔助PPT工具高效搞定排版，告別熬夜做匯報煩惱

Beautiful.ai：AI輔助PPT工具高效搞定排版，告別熬夜做匯報煩惱

你是不是每次做 PPT 都頭大？找模板、調排版、湊內容，熬大半夜出來的東西還沒眼看？尤其是遇到 “明天就要交匯報” 的緊急情況，打開 PPT 軟件半天，光標在空白頁上晃來晃去，連標題都想不出來 —— 這種抓瞎的…
閱讀更多...
阿里云攜手MiniMax構建云原生數倉最佳實踐：大模型時代的 Data + AI 數據處理平臺

阿里云攜手MiniMax構建云原生數倉最佳實踐：大模型時代的 Data + AI 數據處理平臺

MiniMax簡介MiniMax是全球領先的通用人工智能科技公司。自2022年初成立以來，MiniMax以“與所有人共創智能”為使命，致力于推動人工智能科技前沿發展，實現通用人工智能(AGI）。MiniMax自主研發了一系列多模態通用大模型，…
閱讀更多...
一鍵生成PPT的AI工具排名：2025年能讀懂你思路的AI演示工具

一鍵生成PPT的AI工具排名：2025年能讀懂你思路的AI演示工具

人工智能正在重塑PPT制作方式，讓專業演示變得觸手可及。隨著人工智能技術的飛速發展，AI生成PPT工具已成為職場人士、學生和創作者提升效率的得力助手。這些工具通過智能算法，能夠快速將文本、數據或創意轉化為結構化、視覺化的演示文稿&#…
閱讀更多...
數據庫基礎知識——聚合函數、分組查詢

數據庫基礎知識——聚合函數、分組查詢

目錄 一、聚合函數 1.1 count 1.1.1 統計整張表中所有記錄的總條數 1.1.2 統計單列的數據 1.1.3 統計單列記錄限制條件 1.2 sum 1.3 avg 1.4 max, min 二、group by 分組查詢 2.1 語法 2.2 示例 2.3 having 一、聚合函數 常用的聚合函數 函數說明count ([distinc…
閱讀更多...
最新文章

Copyright @ 2022~2023