01 - Agno 是什么：5 分钟跑起你的第一个 Agent

一句话总结：装好 Agno，写 3 行代码，让大模型开口说话。

Agno 是什么

如果你用过 LangChain，你大概知道”用框架把大模型包一层”是什么感觉 – 链式调用、回调地狱、一层套一层的抽象，写个简单功能翻半天文档。

Agno 走的是另一条路。它更像是一个轻量级的 Agent 工厂：你告诉它用哪个模型、给什么指令、装什么工具，它帮你把 Agent 组装好，剩下的事情你自己说了算。没有多余的抽象，代码就是你看到的那样直白。

Agno 的架构分三层，但你现在只需要关心第一层：

层级	名字	干什么的
SDK 层	Agent / Team / Workflow	你写代码直接打交道的部分
引擎层	Execution Engine	负责调度执行，你不用管
运行时层	AgentOS	生产环境部署用的，后面再说

今天我们只碰 SDK 层里最基础的东西：Agent。

安装

两个包，一条命令：

pip install agno openai

agno 是框架本体，openai 是模型提供方的 SDK。Agno 支持很多模型（Claude、Gemini、Mistral 等等），但我们这个系列统一用 OpenAI 的模型来演示，上手最快。

然后设置 API Key。如果你还没有，去 platform.openai.com 申请一个。

export OPENAI_API_KEY="sk-你的密钥"

Windows 用户用 set 代替 export，或者直接写到 .env 文件里。

搞定，可以写代码了。

第一个 Agent：3 行代码

不废话，先跑起来：

from agno.agent import Agent
from agno.models.openai import OpenAIChat

agent = Agent(model=OpenAIChat(id="gpt-4o-mini"))
agent.print_response("用一句话介绍你自己")

把这段代码保存为 hello.py，然后运行：

python hello.py

你会看到终端里打印出模型的回复，带格式的那种。就这么简单 – 创建一个 Agent，给它一个模型，然后让它回答问题。

这里的 OpenAIChat(id="gpt-4o-mini") 就是告诉 Agno 用哪个模型。gpt-4o-mini 便宜又快，拿来学习刚刚好。想用 gpt-4o 也行，把 id 换掉就完事。

print_response() 是个便捷方法，它会把模型的回复直接打印到终端，格式化好的，适合调试和交互式使用。

稍微正经一点的 Agent

光有模型还不够，一个好的 Agent 得有名字、有人设。就像你不会直接把 ChatGPT 扔给用户一样，你会告诉它”你是谁、该怎么说话”。

from agno.agent import Agent
from agno.models.openai import OpenAIChat

agent = Agent(
    name="小助手",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个友好的中文助手，回答要简洁明了",
    markdown=True,
)
agent.print_response("Python 和 JavaScript 哪个更适合初学者？")

多了三个参数：

name – Agent 的名字，主要是给你自己看的，日志和调试的时候有用
instructions – 系统指令，也就是你给 Agent 的”人设”。这东西会塞到 system prompt 里，模型每次回答都会参考它
markdown=True – 让 print_response() 按 Markdown 格式渲染输出，表格、代码块这些都会好看很多

instructions 是你控制 Agent 行为最直接的手段。写得好，Agent 就听话；写得烂，Agent 就放飞自我。这个后面会专门聊。

流式输出

如果你用过 OpenAI 的 API，你肯定知道流式输出（streaming）是什么 – 模型一边生成一边往外吐字，而不是等全部生成完再一次性返回。用户体验好很多，特别是回答比较长的时候。

在 Agno 里，一个参数搞定：

from agno.agent import Agent
from agno.models.openai import OpenAIChat

agent = Agent(
    name="小助手",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个友好的中文助手",
    markdown=True,
)
agent.print_response("给我讲一个关于程序员的笑话", stream=True)

加上 stream=True，你会看到文字一个一个蹦出来，而不是干等半天突然刷一屏。

用 run() 代替 print_response()

print_response() 适合你在终端里玩，但真正写程序的时候，你需要拿到返回值做后续处理。这时候用 run()：

from agno.agent import Agent
from agno.models.openai import OpenAIChat

agent = Agent(
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="回答要简洁，不超过20个字",
)

response = agent.run("1+1等于几？")
print(response.content)

run() 返回一个 RunOutput 对象，里面有很多有用的东西，但最常用的就是 response.content – 模型回复的文本内容。

简单理一下这两个方法的区别：

方法	用途	返回值
`print_response()`	交互式调试，直接看结果	None（直接打印到终端）
`run()`	程序化调用，拿结果做后续处理	RunOutput 对象

90% 的场景你会用 run()，因为你总得对返回结果做点什么。print_response() 更多是开发调试的时候用。

完整示例：把上面的串起来

来一个稍微完整点的例子，把今天学的东西都用上：

from agno.agent import Agent
from agno.models.openai import OpenAIChat

# 创建一个有人设的 Agent
agent = Agent(
    name="代码顾问",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions=[
        "你是一个资深的编程顾问",
        "回答要简洁实用，给出具体建议",
        "如果问题太宽泛，先帮用户缩小范围",
    ],
    markdown=True,
)

# 方式1：直接打印（调试用）
print("--- 直接打印 ---")
agent.print_response("新手学 Python 应该从哪里开始？", stream=True)

# 方式2：拿到返回值（写程序用）
print("\n--- 程序化调用 ---")
response = agent.run("Python 最常用的 Web 框架是哪个？")
print(f"Agent 的回答：{response.content}")

注意 instructions 这里传了一个列表而不是字符串 – 两种写法都行。传列表的好处是每条指令更清晰，Agno 会自动帮你拼起来。

今天学了什么

回顾一下关键概念：

Agent 是 Agno 的核心单元，最简单的公式是：Agent = 模型 + 指令（后面还会加上工具、知识库等）
OpenAIChat 是模型的包装类，通过 id 参数指定具体用哪个模型
print_response() 直接打印结果，适合调试；run() 返回结果对象，适合写程序
stream=True 开启流式输出，体验更好
instructions 是你给 Agent 下达的系统指令，决定了它的行为风格

现在的 Agent 只能聊天，跟直接调 OpenAI API 没什么本质区别。那 Agno 的价值在哪里？答案在下一篇。

下一篇预告

02 - 给 Agent 装上工具：让它不只是聊天

光说不练假把式。下一篇我们给 Agent 接上工具（Tools），让它能搜网页、查天气、算数学题 – 从一个只会动嘴的聊天机器人，变成一个真正能干活的 Agent。这才是 Agent 框架的真正价值所在。

下一篇给 Agent 装上工具：从"只会聊天"到"能干活"