第 1 章 · Agent 应用开发与 Agno 概述
本章目标：搞清楚 LLM 应用与 AI Agent 的本质区别，理解 Agno 的定位与核心组件，为后续 23 章的动手实践建立全局地图。
1.1 从 LLM 调用到 Agent
直接调用大模型 API（比如发一段文字给 DeepSeek 然后拿回回复）只能解决"一问一答"的问题。真实业务往往需要模型多步工作：先查数据、再计算、再总结。把这种"感知→决策→行动→观察结果→再决策"的循环封装起来，就是一个 Agent（智能体）。
一个典型的 Agent 由五类积木组成：
| 积木 | 作用 | 类比 |
|---|---|---|
| 模型（Model） | 负责"思考"，产出文本或工具调用 | 大脑 |
| 工具（Tools） | 让模型能查天气、搜网页、调接口 | 手 |
| 记忆（Memory） | 跨会话记住用户偏好和事实 | 长期记忆 |
| 知识库（Knowledge） | 通过检索（RAG）注入领域资料 | 参考书架 |
| 存储（Storage/DB） | 保存会话历史，让对话可以续上 | 笔记本 |
Agent 的运行循环可以概括为一句话：构建上下文发给模型 → 模型要么回答、要么请求调用工具 → 执行工具并把结果喂回模型 → 循环直到模型不再调用工具 → 返回最终答案。用伪代码表达：
# Agent 运行循环的骨架（伪代码）
def agent_loop(user_input):
messages = build_context(user_input) # 1. 组装上下文
while True:
reply = model(messages) # 2. 请求模型
if reply.tool_calls: # 3. 模型想调用工具
results = run_tools(reply.tool_calls)
messages.append(results) # 4. 工具结果回传，继续循环
else:
return reply.text # 5. 没有工具调用 → 最终答案理解了这个循环，后面所有章节都只是在给这五块积木"升级配件"。
1.2 Agno 是什么
Agno 是一个开源的 Python Agent 框架，当前最新的大版本是 Agno 2.x（本教程基于 agno 2.9.x 编写）。官方对它的定位是三层：
- Agent SDK——用几行 Python 定义 Agent；
- Agent Runtime——多智能体 Team、步骤化 Workflow 的运行时；
- 控制面（AgentOS）——把 Agent 一键变成 FastAPI 服务，提供会话隔离、监控、评估等生产能力。
为什么选 Agno 入门
相比 LangChain 的"链式抽象"，Agno 刻意让你用普通 Python 结构（if/else、函数、类）来写 AI 逻辑，概念少、上手快；同时它内置了记忆、知识库、存储、人机协同等生产级特性，从玩具到上线不需要换框架。
1.3 核心组件总览
下面这段代码是 Agno 官方文档的"最小可用 Agent"，我们把它改造成接入 DeepSeek（OpenAI 兼容的三方模型）的版本——这也是全书统一的写法：
# first_agent.py
import os
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
agent = Agent(
# 用 OpenAIChat 连接任意 OpenAI 兼容端点（这里以 DeepSeek 为例）
model=OpenAIChat(
id="deepseek-chat",
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com/v1",
),
tools=[DuckDuckGoTools()], # 内置搜索工具包
instructions=["先搜索再回答", "回答末尾附上信息来源"],
markdown=True, # 以 Markdown 格式输出
)
agent.print_response("Agno 框架最新版本是多少？", stream=True)对照 1.1 的表格，这段代码已经用到了三块积木：模型（model）、工具（tools）、指令（instructions）。后续章节会逐一补齐其余部分：
- 会话与状态 → 第 10 章；存储 → 第 11 章；记忆 → 第 12 章；
- 知识库/RAG → 第 13–14 章；多智能体 Team → 第 18–19 章；
- Workflow → 第 20–21 章；服务化 AgentOS → 第 22 章。
1.4 五大件在代码中的样子
五大积木在 Agno 的 Agent 构造函数里都有对应的参数，先混个脸熟，后续章节逐一实战：
# components_map.py —— 五大件与 Agent 参数的对应关系（仅示意，勿直接运行）
Agent(
model=OpenAIChat(id="deepseek-chat"), # 模型
tools=[DuckDuckGoTools()], # 工具
db=SqliteDb(db_file="app.db"), # 存储：会话持久化
# memory=MemoryManager(...), # 记忆（第 12 章）
# knowledge=Knowledge(...), # 知识库（第 13 章）
)1.5 Agno 与传统 Chain 框架的差异
初学者常问："LangChain/LangGraph 也能做 Agent，为什么要用 Agno？"差异主要在三点：
- 抽象层级：Chain 框架把流程编排成"链/图"节点；Agno 主张直接写 Python 控制流，调试时你面对的就是普通代码。
- 内置完整度：Agno 把会话存储、用户记忆、向量知识库、Guardrails、MCP、AgentOS 服务化做成开箱即用的组件，不用自己拼装十几个集成包。
- 性能取向：官方强调 Agent 实例化是微秒级、内存占用极小，适合高并发场景大量创建短生命周期 Agent。
当然，框架没有银弹：如果你的场景是复杂的确定性状态机，Workflow（第 20 章）配合普通函数会更合适——这正是 Agno 提供三种编排形态（单 Agent / Team / Workflow）的原因。
1.6 学习路线与环境准备
本课程从零基础出发，路线如下：
- 入门（01–06 章）：环境搭建、运行模型、流式输出、结构化输出、Prompt 设计；
- 进阶（07–12 章)：工具体系、多模态、会话状态、存储与记忆；
- 高级（13–19 章）：RAG、推理模式、人机协同、MCP、多智能体协作；
- 生产实践（20–24 章）：Workflow 编排、AgentOS 服务化、可观测性与部署。
现在先把环境装好（下一章会详细展开）：
python -m venv .venv && source .venv/bin/activate
pip install -U agno python-dotenv# check_env.py —— 验证安装是否成功
import agno
print("agno 版本:", agno.__version__) # 应输出 2.x.x1.7 本章小结
- LLM API 是"一问一答"，Agent 是带工具调用循环的自主系统；
- Agent 五大件：模型、工具、记忆、知识库、存储；
- Agno = Agent SDK + Runtime + AgentOS 控制面，主张用普通 Python 写 AI 逻辑；
- 全书示例统一使用
OpenAIChat(base_url=...)接入三方 OpenAI 兼容模型。
🧪 随堂测验
点击你认为正确的选项。答错时会展示正确答案与原因解析。
1. 下列哪一项不属于 Agent 运行循环中的环节？
2. 在本教程中，接入 DeepSeek 这类 OpenAI 兼容三方模型的推荐方式是？
3. 关于 Agno 的整体定位，说法正确的是？
4. Agent 中"知识库（Knowledge）"和"记忆（Memory）"的区别是？
🛠️ 动手实践
- 安装 agno 并运行
check_env.py，记录你的版本号；如果低于 2.x 请升级。 - 把 1.3 的
first_agent.py抄下来运行一次（需要设置DEEPSEEK_API_KEY环境变量），观察终端里工具调用的过程。 - 画出你理解中"Agent 运行循环"的流程图（纸上或任意画图工具），标注上下文构建发生在哪一步。
准备好了就进入第 2 章：环境搭建与第一个 Agent。