Как начать пользоваться Agno: Python-фреймворк для создания AI-агентов

Agno - открытый Python-фреймворк для создания, запуска и управления AI-агентами. Ранее проект назывался phidata и был переименован в Agno в январе 2025 года. Если вы разработчик на Python и хотите построить интеллектуального агента, который умеет использовать инструменты, запоминать контекст разговоров, обращаться к базам данных и работать в команде с другими агентами - Agno создан именно для этой задачи.

Главная идея фреймворка: агент должен быть простым в создании, но готовым к запуску в продакшн с первой строки кода. Вместо сложной настройки оркестраторов и промежуточных слоев вы получаете три ключевых абстракции: Agent (одиночный агент), Team (команда агентов с разными ролями) и Workflow (пошаговый детерминированный процесс). Плюс AgentOS - высокопроизводительный FastAPI-сервер для деплоя агентов как RESTful API без дополнительного кода.

Для кого подходит Agno. Прежде всего - для Python-разработчиков, которые хотят быстро построить AI-агента под конкретную бизнес-задачу: автоматизацию обработки документов, поиск информации в базах знаний, анализ данных, генерацию контента или автоматизацию рутинных операций. Фреймворк хорошо подходит командам, которые уже работали с LangChain или CrewAI и ищут более легковесную альтернативу без избыточной абстракции. Он также будет полезен стартапам, которым нужен надежный агент с долгосрочной памятью и инструментами, запущенный на своих серверах.

Agno поддерживает более 30 провайдеров моделей: OpenAI, Anthropic, Google, Mistral, Groq, Together AI, а также локальные модели через Ollama. Это означает, что вы не привязаны к одному вендору - можно легко переключать модели и сравнивать результаты без переписывания логики агента. По состоянию на июль 2026 года проект набрал более 39 000 звезд на GitHub и активно развивается командой с открытым кодом под MIT-лицензией.

Важно понимать, чем Agno отличается от других фреймворков этой категории. LangGraph - более низкоуровневый, требует явного описания графа состояний, что дает гибкость, но усложняет старт. CrewAI - удобен для декларативного описания ролей агентов, но менее гибок при сложных workflow. Mastra - TypeScript-фреймворк, не Python. Agno занимает нишу между этими инструментами: выше уровня абстракции, чем LangGraph, но более программируемый, чем CrewAI. Именно поэтому его выбирают команды, которым нужен контроль над поведением агента без написания низкоуровневого кода.

Agno не требует регистрации - это библиотека с открытым кодом. Для установки нужен Python версии 3.10 или новее и менеджер пакетов pip (поставляется вместе с Python). Установка занимает менее минуты.

Вариант 1: установка через pip

Откройте терминал и выполните: pip install agno. Затем установите провайдера модели. Для OpenAI: pip install openai. Для Anthropic (Claude): pip install anthropic. Для Google Gemini: pip install google-generativeai. Для работы с памятью через SQLite: pip install sqlalchemy.

Вариант 2: установка через uv (рекомендован командой Agno)

uv - современный быстрый менеджер пакетов Python. Если он ещё не установлен: pip install uv. Создайте новый проект командой uv init myagent, перейдите в директорию через cd myagent и добавьте зависимости: uv add agno openai sqlalchemy. uv создаст изолированное виртуальное окружение и зафиксирует точные версии пакетов в файле uv.lock, что упрощает воспроизведение окружения на других машинах.

Настройка API-ключа

Agno читает учетные данные через переменные окружения. В macOS и Linux задайте переменную в терминале командой export OPENAI_API_KEY, после знака равенства укажите ключ. Для Anthropic используйте ANTHROPIC_API_KEY, для Google - GOOGLE_API_KEY. Ключи получают на сайтах соответствующих провайдеров: platform.openai.com для OpenAI, console.anthropic.com для Anthropic, aistudio.google.com для Google. Для постоянного хранения ключей создайте файл .env в корне проекта и используйте библиотеку python-dotenv для загрузки.

Если вы хотите использовать локальные модели через Ollama - API-ключи не нужны вовсе. Установите Ollama с сайта ollama.com, загрузите модель командой ollama pull llama3 и в коде агента укажите модель OllamaTools с нужным идентификатором. Работа полностью офлайн и бесплатно.

Начнем с самого наглядного примера - агент с инструментом для поиска в интернете через DuckDuckGo.

Шаг 1. Установите зависимости: pip install agno openai duckduckgo-search.

Шаг 2. Создайте файл search_agent.py. Импортируйте три класса: Agent из agno.agent, OpenAIChat из agno.models.openai и DuckDuckGoTools из agno.tools.duckduckgo. Создайте агента, передав model=OpenAIChat(id="gpt-4o-mini"), tools=[DuckDuckGoTools()], а также флаги show_tool_calls=True (чтобы видеть, какие инструменты вызываются) и markdown=True для форматированного вывода. Вызовите метод print_response с интересующим вас вопросом, добавив параметр stream=True для потокового вывода.

Шаг 3. Запустите: python search_agent.py. Агент самостоятельно решит, что нужно выполнить поиск, запустит инструмент DuckDuckGo, получит результаты и вернет структурированный ответ с источниками. В выводе вы увидите раздел с вызовами инструментов - это поможет понять логику принятия решений агентом.

Агент с долгосрочной памятью

Следующий важный эксперимент - агент, который запоминает информацию между сессиями. Для этого добавьте к агенту два компонента. Первый - Memory с базой SqliteMemoryDb: объект хранит долгосрочные факты о пользователе в файле SQLite на диске. Второй - SqliteAgentStorage: хранит историю сессий, чтобы агент помнил весь прошлый разговор. Передайте агенту параметры user_id (уникальный идентификатор пользователя) и enable_agentic_memory=True - агент будет автоматически извлекать и сохранять важные факты из разговора.

Теперь агент запомнит ваше имя после первого знакомства и вспомнит его в следующую сессию. Это фундаментальное отличие от обычного чат-бота, который забывает всё после закрытия окна.

Мультиагентная команда

Самое интересное начинается с Teams. Создайте двух специализированных агентов: Исследователь с инструментом поиска DuckDuckGo и Аналитик с инструментом YFinanceTools для получения биржевых данных. Объедините их в Team, передав список агентов и модель-координатор (обычно более мощную, например GPT-4o). Задайте команде вопрос вроде "Проанализируй акции NVIDIA: последние новости и текущая цена". Модель-координатор сама определит, кому делегировать какую часть задачи, соберет ответы от обоих агентов и синтезирует итоговый результат. Для работы с финансовыми данными установите: pip install yfinance.

Единый интерфейс для 30+ провайдеров. Одна и та же архитектура агента работает с любым поддерживаемым провайдером. Чтобы переключиться с GPT-4o на Claude Opus - замените один класс модели и идентификатор в одной строке кода. Agno сам форматирует запросы под каждый провайдер, нормализует ответы и обрабатывает вызовы инструментов в соответствии со спецификой каждой модели. Это ценно при сравнительном тестировании моделей или при переходе на более дешевого провайдера.

Память трех уровней. Agno разделяет память на три типа с четкой семантикой. Session memory - контекст текущего разговора (что говорилось в этой сессии, последние N сообщений). User memory - долгосрочные факты о конкретном пользователе: имя, предпочтения, прошлые запросы, важные данные. Agent knowledge - база знаний агента: загруженные документы, PDF, сайты, данные из баз. Все три уровня работают из коробки с SQLite для локального использования и PostgreSQL для продакшн. Никаких отдельных векторных баз для старта не нужно - всё встроено.

AgentOS - от скрипта до продакшн-API за одну команду. После того как агент написан и протестирован, его можно развернуть как HTTP-сервис одной командой: agno serve имя_файла:имя_агента. AgentOS автоматически создает RESTful API с эндпоинтами для чата, управления сессиями и получения истории разговоров. Одновременно запускается Playground - визуальный интерфейс в браузере для тестирования агента, без написания фронтенда и HTML. Это особенно полезно для демонстрации агента заказчику или коллегам.

Большая библиотека встроенных инструментов. Agno поставляется с готовыми инструментами для большинства типовых задач: поиск через DuckDuckGo и Google, работа с локальными файлами и директориями, запросы к SQLite и PostgreSQL, получение финансовых данных через YFinance, веб-скрейпинг, интеграции с GitHub, Slack, email, арXiv для научных статей. Собственный инструмент пишется буквально так: любая Python-функция с аннотациями типов и строкой документации автоматически превращается в инструмент агента.

Reasoning-режим и chain-of-thought. Передав параметр reasoning=True при создании агента, вы активируете режим явных рассуждений: перед финальным ответом агент формирует цепочку размышлений, проверяет промежуточные выводы и только затем отвечает. Это существенно улучшает точность на сложных аналитических задачах, многошаговых решениях и задачах, где важна проверка рассуждений. Режим поддерживается большинством современных моделей.

Structured output и типизированные ответы. Agno поддерживает получение структурированных ответов через Pydantic-модели. Определите ожидаемую структуру ответа как Pydantic BaseModel и передайте её агенту через параметр response_model. Агент гарантированно вернет данные в нужном формате, что упрощает интеграцию агентов в более широкие системы - не нужно парсить текст вручную.

Agno как фреймворк полностью бесплатен - MIT-лицензия, открытый исходный код, никаких скрытых платежей за использование самой библиотеки. Платите только за вычислительные мощности API-провайдеров моделей.

Примерные затраты на модели (на момент написания, цены меняются). При использовании GPT-4o mini от OpenAI как основной модели агента затраты на типичный день разработки составят от нескольких центов до нескольких долларов - зависит от числа запросов и длины контекста. Более мощные модели - GPT-4o, Claude Opus - стоят значительно дороже, но и качество выше. При переходе на локальные модели через Ollama затраты нулевые - модели запускаются на вашем железе, никакие API не нужны.

Hosted AgentOS. Agno предлагает облачный AgentOS с дашбордом для мониторинга сессий, управления памятью и аналитики. Для большинства разработчиков достаточно self-hosted варианта: запустите AgentOS локально или на своем VPS бесплатно командой agno serve. Актуальные цены на облачный план смотрите на сайте agno.com - там есть бесплатный tier для небольших проектов.

Ограничения, которые стоит учитывать. Первое: для работы с Agno нужны базовые навыки Python - это не no-code инструмент, нужно уметь писать скрипты и понимать pip-зависимости. Второе: при использовании старых туториалов обращайте внимание на версию - API 2.x несовместим с 1.x по ряду параметров. Третье: документация местами неполная для продвинутых сценариев, но сообщество активное и авторы быстро отвечают в GitHub Issues. Четвертое: некоторые инструменты (браузерный скрейпинг, Computer Use) требуют дополнительных зависимостей.

Сам Agno доступен без ограничений: устанавливается через PyPI командой pip install agno, репозиторий открыт на GitHub по адресу github.com/agno-agi/agno. Документация на docs.agno.com и сайт agno.com открываются из России без VPN.

При работе с API моделей ситуация иная. OpenAI заблокирован в России - для использования GPT-моделей нужен VPN или зарубежный прокси-сервер. Anthropic (Claude) также недоступен напрямую. Google Gemini может требовать VPN в зависимости от региона.

Если хотите использовать Agno без VPN - есть рабочие альтернативы. Первый вариант: Ollama с локальными моделями (Llama 3, Qwen 3, Mistral). Всё работает офлайн, никакие внешние API не нужны. Второй вариант: Together AI (togetherai.com) и Groq - они предоставляют доступ к открытым моделям через API и работают из России. Agno поддерживает оба провайдера через стандартные классы TogetherChat и GroqChat. Третий вариант: использовать VPN и работать с OpenAI или Anthropic в обычном режиме.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.