工程篇难度 3⏱ 10 分钟工具
01Weaviate（AI 原生向量数据库）
开源 AI 原生向量数据库，内置向量化模块和生成模块，支持多模态搜索与混合检索。
Weaviate向量数据库GraphQL多模态RAG
更新于 2026-03-26weaviate
原名 Phidata，现更名为 Agno，用纯 Python 构建多模态 Agent 的轻量框架，开箱即用。
内容摘要
Phidata 是一个用纯 Python 构建 AI Agent 的开源框架，2025 年初正式更名为 **Agno**。它的核心理念是"开箱即用"——不搞复杂的链、图、管道概念，直接用普通 Python 代码定义 Agent，几行代码就能跑起来。
Phidata 是一个用纯 Python 构建 AI Agent 的开源框架，2025 年初正式更名为 Agno。它的核心理念是"开箱即用"——不搞复杂的链、图、管道概念，直接用普通 Python 代码定义 Agent，几行代码就能跑起来。
与 LangChain 那种"先学一堆抽象概念再写代码"的风格不同，Agno 的目标是：你会写 Python 函数，就会用 Agno 构建 Agent。它支持文本、图片、音频、视频等多种模态，兼容 OpenAI、Claude、Gemini 等主流模型，自带记忆（Memory）、知识库（Knowledge）、工具（Tools）等生产级组件。
| 要素 | 作用 |
|---|---|
| Agent（智能体） | 核心容器，聚合模型、工具、记忆、知识库四项能力，驱动推理和执行 |
| Tools（工具） | 让 Agent 能调用外部函数或 API，执行实际动作（搜索、计算、查数据库等） |
| Memory（记忆） | 跨会话存储用户偏好和对话历史，让 Agent 记住上下文 |
| Knowledge（知识库） | 接入向量数据库实现 RAG 检索，让 Agent 拥有领域知识 |
Agent 是 Agno 的核心对象。创建一个 Agent 时，你要告诉它三件事：用什么模型思考、有哪些工具可用、遵循什么指令。Agent 收到用户消息后，会自动决定是直接回复、调用工具还是检索知识库。
from agno.agent import Agent
from agno.models.openai import OpenAIChat
# 最简单的 Agent：指定模型 + 指令
agent = Agent(
model=OpenAIChat(id="gpt-4o-mini"),
instructions=["用中文回答，简洁明了"],
)
agent.print_response("什么是 Agent？")
工具让 Agent 不只会说话，还能做事。Agno 内置 100+ 工具包（搜索、金融数据、文件操作等），也支持把任意 Python 函数注册为工具。Agent 会根据用户请求自动判断需不需要调用工具。
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
# 给 Agent 装上搜索工具
agent = Agent(
model=OpenAIChat(id="gpt-4o-mini"),
tools=[DuckDuckGoTools()],
)
agent.print_response("今天有什么 AI 新闻？")
Memory 让 Agent 在多次对话之间记住用户信息。Agno 支持两种级别：
Knowledge 实现 RAG（检索增强生成）能力。你把文档（PDF、网页、文本）喂进去，Agno 自动分块、生成向量、存入向量数据库。Agent 回答问题时会先从知识库检索相关内容作为上下文。
安装依赖：
# 安装 Agno（原 Phidata 已更名）
pip install agno
# 安装 DuckDuckGo 搜索依赖（可选）
pip install ddgs
需要配置 LLM 提供商的 API Key：
OPENAI_API_KEYANTHROPIC_API_KEY最小可运行示例（基于 agno==1.4.6 验证，截至 2026-03）：
import os
# 确保设置了 API Key
# os.environ["OPENAI_API_KEY"] = "sk-xxx"
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
# 创建一个能搜索的 Agent
agent = Agent(
model=OpenAIChat(id="gpt-4o-mini"),
tools=[DuckDuckGoTools()],
instructions=["用中文回答", "回答要简洁"],
markdown=True,
)
# 单轮对话
agent.print_response("Agno 框架是什么？", stream=True)
预期输出：
┌──────────────────────────────────────────────┐
│ Tool Call: duckduckgo_search(query="Agno框架")│
└──────────────────────────────────────────────┘
Agno（原名 Phidata）是一个开源的 Python Agent 框架，
用于构建多模态 AI 智能体。它支持记忆、知识库、工具调用，
兼容 OpenAI、Claude 等多种模型……
自定义工具示例——把任意 Python 函数变成 Agent 可调用的工具：
from agno.agent import Agent
from agno.models.openai import OpenAIChat
# 自定义一个计算工具
def add(a: int, b: int) -> str:
"""两个整数相加"""
return str(a + b)
agent = Agent(
model=OpenAIChat(id="gpt-4o-mini"),
tools=[add],
)
agent.print_response("请计算 128 + 256")
# Agent 会自动调用 add(128, 256)，返回 "384"
| 维度 | Agno（Phidata） | LangChain | CrewAI |
|---|---|---|---|
| 核心定位 | 纯 Python 构建生产级 Agent | LLM 应用通用组件库 | 多 Agent 角色协作框架 |
| 编程范式 | 普通 Python 函数 + Agent 对象 | 链式调用 + 大量抽象概念 | 角色定义 + 任务分配 |
| 学习曲线 | 低——会 Python 就能上手 | 高——Chain、Retriever 等概念多 | 中——需理解角色和任务分工 |
| 多模态支持 | 原生支持文本、图片、音频、视频 | 需额外集成 | 有限 |
| 性能 | Agent 实例化 < 5μs，内存占用极低 | 实例化较慢，内存占用较高 | 中等 |
| 适合场景 | 快速构建单 Agent 或小团队 Agent 应用 | 需要高度自定义的复杂工作流 | 多角色分工合作任务 |
核心区别：
| 误区 | 准确理解 |
|---|---|
| Phidata 和 Agno 是两个不同的框架 | 同一个项目，2025 年初 Phidata 正式更名为 Agno，pip install agno 就是新版，旧的 phidata 包仍可安装但不再更新 |
| Agno 只适合做 Demo，不能用于生产 | Agno 的设计目标就是生产就绪，内置会话隔离、持久化存储、监控追踪等生产特性 |
| 工具越多 Agent 越强 | 工具太多会增加 LLM 的决策复杂度，导致选错工具或幻觉。只给 Agent 真正需要的工具 |
| 优势 | 劣势 |
|---|---|
| 极简 API，几行代码构建 Agent，学习成本极低 | 刚从 Phidata 更名，部分文档和社区资源还在过渡期 |
| 性能出色，Agent 实例化微秒级，内存占用极低 | 深度自定义能力不如 LangChain 灵活 |
| 原生多模态支持（文本、图片、音频、视频） | 生态规模和社区活跃度不如 LangChain |
| 内置 100+ 工具包，开箱即用 | Python 3.12+ 才支持，对低版本不友好 |
| 模型无关——OpenAI、Claude、Gemini、Ollama 等均支持 | 监控面板（AgentOS）为商业产品，完整功能需付费 |
参考答案：
Agent 聚合四项能力：
四者分别解决了"怎么想""怎么做""怎么记""知道什么"的问题。
参考答案：
主要注意三点：
pip install phidata 改为 pip install agno，旧包不再更新from phi.xxx 改为 from agno.xxx，如 from phi.agent import Agent 改为 from agno.agent import Agent建议用全局搜索替换 from phi. 为 from agno.，然后运行测试排查不兼容的地方。
参考答案：
有意义的场景：需要频繁创建和销毁 Agent 实例的情况，比如 API 服务中每个请求创建一个独立 Agent、批量处理任务中动态生成多个 Agent。此时实例化速度直接影响吞吐量和响应延迟。
不重要的场景：Agent 是长驻进程（创建一次、持续使用），或者瓶颈在 LLM API 调用延迟上（通常几百毫秒到几秒），此时 Agent 实例化快几微秒几乎没有体感差异。
实际项目中，LLM 推理延迟通常远大于框架开销，但在高并发服务场景下，框架本身的轻量性确实能减少资源占用。
优先展示同分类且标签更接近的内容，方便继续串联学习。
开源 AI 原生向量数据库，内置向量化模块和生成模块，支持多模态搜索与混合检索。
让模型能稳定作为 Agent 运行的一层工程化控制系统，负责调度、约束、反馈与恢复。
微软开源的多智能体协作框架，通过异步消息驱动多个 Agent 角色分工完成复杂任务。