Dibi8 + 提交工具

lang: zh slug: agno title: ‘Agno：40K+ Stars — 轻量级 AI 代理框架深度探究 vs’ description: ‘Agno 是一款轻量级开源 Python SDK，用于构建具有 40K+ GitHub star 的 AI 代理平台。 支持 OpenAI、Anthropic、Ollama、Docker、AWS。 涵盖安装、多代理系统、基准测试、生产强化以及与 CrewAI、AutoGen 和 LangChain 的比较。’ tags: [“ai-agent”, “automation”, “cli”, “efficiency”, “lightweight”, “open-source”] date: 2026-05-19 00:00:00+08:00 lastmod: 2026-05-19 00:00:00+08:00 tech_stack: [] application_domain: Llm Frameworks source_version: ’' licensing_model: Open Source license_type: MIT file_size: ’' file_md5: ’' download_url: ’' backup_url: ’' github_repo: ‘https://github.com/agno-agi/agno' last_maintained: ‘2026-05-19’ draft: false categories: [’llm-frameworks’] featureImage: /images/articles/e877e4a0-agno-stars-lightweight-agent-framework.png aliases:- /帖子/agno/ 常见问题解答：

  • 问：“Agno 是什么？它以前叫什么？” a：‘Agno 是一个开源 Python SDK，用于构建、运行和管理 AI 代理平台。 它最初以 Phidata 名义推出，并于 2024 年底更名为 Agno，然后在 Apache-2.0 下重新获得许可。
  • q：“与 LangGraph 相比，Agno 代理使用多少内存？” a: ‘Agno 代理使用大约 6.5 KiB 内存并在大约 3 微秒内初始化。 使用 Agno 运行 1,000 个并发代理会话大约消耗 6.5 MiB，而使用 LangGraph 则消耗大约 2.8 GiB，相差 400 倍。
  • q: ‘Agno 只能运行本地模型吗？’ ‘是的。 Agno 与 Ollama、LM Studio 和任何与 OpenAI 兼容的本地端点集成。 Ollama 模型提供程序可让您使用 Llama 3、Qwen3 或 Mistral 等模型完全离线运行，无需 API 密钥或云依赖项。
  • q: ‘Agno 支持哪些数据库进行会话存储？ a: ‘Agno 通过 SqliteDb、PostgresDb 和 LanceDb 类支持 SQLite、PostgreSQL、MySQL 和 LanceDB 用于会话存储和内存。 对于 RAG 知识库，支持的向量数据库包括 ChromaDB、LanceDB 和 pgvector。
  • q: ‘什么是 AgentOS？没有它可以使用 Agno 吗？’ a：“AgentOS 是 Agno”的无状态 FastAPI 运行时，将代理作为 REST API 提供服务，具有会话存储、RBAC、调度和 OpenTelemetry 跟踪。 它是可选的； SDK 层完全独立，因此您可以将代理作为独立脚本运行，或将它们嵌入现有的 FastAPI、Django 或 Flask 应用程序中。 特征图片：/images/articles/resources-llm-frameworks-agno.jpg— ——{{< 资源信息 >}}在 2026 年选择人工智能代理框架就像是在雷区中航行。 在过去的 18 个月里，出现了数十个库，承诺“简化”代理开发，但大多数引入的抽象多于价值。 团队报告说，他们花了几周的时间学习基于图形的编排语义，结果发现他们的用例只需要一个轻量级的工具调用循环。 Agno（以前称为 Phidata）以运行时优先的理念消除了这种噪音：快速构建代理，将它们作为服务提供，并拥有整个堆栈。 凭借 40,233 GitHub star、452 贡献者 和新的 Apache-2.0 许可证，它已成为交付生产代理系统的 Python 团队的首选框架。 本指南是 2026 年实用的 agno 教程，详细介绍了 agno 设置、架构、真实代码示例、agno 与cruwai 辩论中的基准，以及这个 轻量级人工智能框架 的不足之处。
    Agno 框架横幅
    ## Agno 是什么？Agno 是一个开源 Python SDK，用于构建、运行和管理 AI 代理平台。 该项目最初以 Phidata 名义推出，于 2024 年末更名为 Agno，并在 Apache-2.0 下重新获得许可。 Agno 的核心提供了三个集成层：用于定义代理和多代理团队的 Python SDK、用于生产部署的名为 AgentOS 的无状态 FastAPI 运行时，以及用于监控、会话管理和团队操作的控制平面 UI。Agno 的价值主张很简单：您可以使用简单的 Python 类构建代理，从包含 100 多个预构建集成的库中附加工具，并将它们部署为 API 服务，而无需学习图形 DSL 或基于角色的抽象。 该框架支持23+ LLM 提供商，包括 OpenAI、Anthropic Claude、Google Gemini、Cohere 以及通过 Ollama 的本地模型。 代理初始化大约需要 3 微秒，内存使用量约为 每个代理 6.5 KiB — 开销比同类框架少大约 50 倍。## Agno 的工作原理### 架构概述Agno 的架构将关注点分为三个不同的层，每个层都可以独立替换：┌──────────────────────────────────────────────────────────────┐ │ 控制平面 (AgentOS UI) │ │ 聊天 · 痕迹检查 · 会话管理 │ ├──────────────────────────────────────────────────────────────┤ │ 运行时 (AgentOS API) │ │ FastAPI · 会话存储 · RBAC · 调度 · 身份验证 │ ├──────────────────────────────────────────────────────────────┤ │ SDK层 │ │ 代理·团队·工具·记忆·知识·护栏│ ├──────────────────────────────────────────────────────────────┤ │ 模型提供者（支持 23+） │ │ OpenAI · Anthropic · Gemini · Ollama · Cohere · Grok ... │ └──────────────────────────────────────────────────────────────┘
    Agno AgentOS 仪表板
    AgentOS 控制平面提供开箱即用的聊天、跟踪检查和会话管理。### 核心概念代理：基本单位。 Agno 代理将 LLM 调用与模型、工具、指令、内存和知识库包装在一起。 代理是没有隐藏状态的普通 Python 对象。团队：共享内存、工具和知识的代理的集合。 团队无需图形定义即可实现多代理编排 - 代理通过共享上下文进行通信。Tools: 100+ pre-built tool integrations including web search (DuckDuckGo, Google), file operations (PDF, CSV, DOCX), APIs, databases, and MCP (Model Context Protocol) servers.内存和知识：一流的持久存储系统。 用户记忆、会话状态和 RAG 知识库存储在您的数据库中 - Agno 不会将您的数据劫持在托管服务中。AgentOS 运行时：无状态 FastAPI 后端，将代理作为 REST API 提供服务。 自动处理会话读/写、上下文注入、人工审批循环和 OpenTelemetry 跟踪。## 安装和设置 — Agno 在 5 分钟内完成设置遵循此 agno 设置 指南，您将在两分钟内拥有一个工作代理，并且除了 Python 3.10+ 之外，其外部依赖项为零。### 第 1 步：创建虚拟环境```` bas h
使用 uv（推荐） #

卷曲-LsSf https://astral.sh/uv/install.sh | 嘘 uv venv –python 3.12 源 .venv/bin/activate# 或者使用标准 venv python3 -m venv ~/.venvs/agno 来源 ~/.venvs/agno/bin/activate ### 步骤 2：安装 Agno bas h

最小安装 #

uv pip install -U agno# With OpenAI support uv pip install -U agno openai# 使用常用工具完全安装 uv pip install -U agno openai duckduckgo-search chromadb ### Step 3: Verify Installation bas h python -c“导入agno；打印（agno.version）”

预期：2.6.8 或更高版本 #

### 步骤 4：运行您的第一个代理创建“basic_agent.py”：蟒蛇 从agno.agent导入代理代理人 = 代理人（ 型号=“openai：gpt-4o”， description=“You are a helpful coding assistant.”, 降价=真， ）agent.print_response(“解释一下区别``` bas h

使用 uv（推荐） #

卷曲-LsSf https://astral.sh/uv/install.sh | 嘘 uv venv –python 3.12 源 .venv/bin/activate

或者使用标准 venv #

python3 -m venv ~/.venvs/agno 来源 ~/.venvs/agno/bin/activate ``离子，无需仪式。## 与 OpenAI、Anthropic、Ollama、Docker 和 AWS 集成### OpenAI Integration````蟒蛇 从agno.agent导入代理 从 agno.models.openai 导入 OpenAIChat代理人 = 代理人（ model=OpenAIChat(id=“gpt-4o”),

bas
h
# 最小安装
uv pip install -U agno

# With OpenAI support
uv pip install -U agno openai

# 使用常用工具完全安装
uv pip install -U agno openai duckduckgo-search chromadb
```
ro
m
agno.agent import Agent
from agno.models.anthropic import Claude代理人 = 代理人（
模型=克劳德（id =“克劳德-sonnet-4-20250514”），
description="您是一名专门研究市场趋势的研究分析师。",
markdown=```
bas
h
python -c“导入agno；打印（agno.__version__）”
# 预期：2.6.8 或更高版本
``````### Ollama 集成（本地模型）````蟒蛇
从agno.agent导入代理
从agno.models.ollama导入Ollama代理人 = 代理人（
m```
pytho
n
从agno.agent导入代理

代理人 = 代理人（
型号=“openai：gpt-4o”，
description="你是一位有用的编码助手。",
降价=真，
)

agent.print_response("解释一下Python中asyncio和线程的区别。",stream=True)
```
all
.sh | 嘘# Pull a model
ollama pull qwen3# Run
python ollama_agent.py
```### Docker Deployment```
dockerfil
e
来自 python:3.12-slim工作目录/应用程序
复制requirements.txt。 
运行 pip install --no-cache-dir -rrequirements.txt复制 。 .
曝光 8000CMD ["```
bas
h
导出 OPENAI_API_KEY="sk-your-key-here"
python basic_agent.py
```
services
:
agentos:
构建： .
端口：
- “8000:8000”
环境：
- OPENAI_API_KEY=${OPENAI_API_KEY}
- AGNO_ENV=production
卷：
- ./data:/app/data
restart: unless-stopped
```### AWS 部署（带 Fargate 的 ECS）````蟒蛇
从agno.agent导入代理
从 agno.models.openai 导入 OpenAIChat

代理人 = 代理人（
model=OpenAIChat(id="gpt-4o"),
tools=[DuckDuckGoTools()],
show_tool_calls=True,
降价=真，
)

agent.print_response("量子计算最新消息",stream=True)
```-agent:latest
docker 推送 $AWS_ACCOUNT_ID.dkr.ecr.us-east-1.amazonaws.com/agno-agent:latest# 部署到 Fargate
aws ecs 创建服务 \
--集群 agno-生产 \
--服务名称代理服务 \
--任务定义 agno-task:1 \
--所需计数 2 \
--发射类型 FARGATE
````## 基准测试 / 真实世界 ```
pytho
n
从agno.agent导入代理
从 agno.models.anthropic 导入克劳德

代理人 = 代理人（
模型=克劳德（id =“克劳德-sonnet-4-20250514”），
description="您是一名专门研究市场趋势的研究分析师。",
降价=真，
)

agent.print_response("分析东南亚电动汽车市场。",stream=True)
公制 Agno CrewAI AutoGen 郎图
Agent initialization ~3 μs ~12 ms ~45 毫秒 〜150 毫秒
Memory per agent ~6.5 KiB ~320 KiB ~1.2 MiB ~2.8 MiB
Cold start (local) 45 ms 890 ms 2.1 秒 4.5 秒
支持的 LLM 提供商 23+ 8+ 12+ 15+
Built-in tools 100+ 2```蟒蛇
从agno.agent导入代理
从agno.models.ollama导入Ollama

代理人 = 代理人（ 型号=Ollama(id=“qwen3”), description=“你是一个完全离线运行的本地AI助手。”, 降价=真， )

agent.print_response(“用Python示例解释递归。",stream=True) 用例**Data Labeling Pipelines**: ML teams use Agno to label text, image, audio, and video datasets. The multi-modal input support means a single agent pipeline can handle mixed media without framework switching.**产品副驾驶**：团队将 Agno 代理直接嵌入到他们的产品中bash

安装奥拉玛 #

卷曲-fsSL https://ollama.com/install.sh | 嘘

拉取模型 #

奥拉马拉qwen3

运行 #

python llama_agent.py 通过 ChromaDB、LanceDB 或 PostgreSQL 矢量存储进行混合 RAG 搜索的代理处理法律合同、医疗记录和财务报告。**合成``` dockerfil e 来自 python:3.12-slim

工作目录/应用程序 复制requirements.txt。 运行 pip install –no-cache-dir -rrequirements.txt

复制。 。 曝光 8000

CMD [“python”，“workbench.py”] ``高频淬火### 多代理系统Agno 团队允许您在没有图形定义的情况下组成代理组：````蟒蛇 从agno.agent导入代理 来自 agno.models.openai 我``` yam l

docker-compose.yml #

版本：‘3.8’ 服务： 代理： 构建： . 端口：

  • “8000:8000” 环境：
  • OPENAI_API_KEY=${OPENAI_API_KEY}
  • AGNO_ENV=生产 卷：
  • ./data:/应用程序/数据 重新启动：除非停止
）# 作家代理
作家=经纪人（
名称=“作家”，
模型=OpenAIChat(id="gpt-4o"),
描述 =“根据研究笔记撰写精美的文章。”，
）# 组建团队
团队 = 团队（
name=“内容团队”，
成员=[研究员、作家],
instructions="协作```
bas
h
# 构建并推送到 ECR
aws ecr get-login-password --region us-east-1 | aws ecr get-login-password --region us-east-1 | docker登录--用户名AWS--密码-stdin $AWS_ACCOUNT_ID.dkr.ecr.us-east-1.amazonaws.com

docker build -t agno-agent 。 
docker 标签 agno-agent:最新 $AWS_ACCOUNT_ID.dkr.ecr.us-east-1.amazonaws.com/agno-agent:latest
docker 推送 $AWS_ACCOUNT_ID.dkr.ecr.us-east-1.amazonaws.com/agno-agent:latest

# 部署到 Fargate
aws ecs 创建服务 \
--集群 agno-生产 \
--服务名称代理服务 \
--任务定义 agno-task:1 \
--所需计数 2 \
--发射类型 FARGATE

ercient _client=True, search_type=搜索类型.hybrid, 嵌入器=GeminiEmbedder(id=“gemini-embedding-001”), ), ）knowledge.insert（url =“https://docs.agno.com/introduction.md”，skip_if_exists = True）代理人 = 代理人（ 型号=Gemini(id=“gemini-3-flash-preview”), 知识=知识， search_knowledge=真， 降价=真， ）agent.print_response(“什么是 Agno？"，stream=True) ```### 带有会话存储的生产服务````蟒蛇 从agno.agent导入代理 从 agno.db.sqlite 导入 SqliteDb 从 agno.os 导入 AgentOS 从 agno.tools.workspace 导入工作区工作台 = 代理( 名称=“工作台”， 型号=“openai：gpt-5.5”， db=SqliteDb(db_file=“workbench.db”), 记忆=真， 工具=[工作空间(root=”./workspace”,允许=[“读取”,“列表”,“搜索”,“外壳”])], instructions=“帮助用户组织和分析他们的工作区文件。”, 降价=真， ）# 作为API AgentOS.agent = 工作台 AgentOS.serve(主机=“0.0.0.0”，端口=8000)

bas
h
# 启动服务
python工作台.py# 通过curl进行测试
卷曲 -X POST http://localhost:8000/v1/agents/workbench/run \
-H“内容类型：application/json”\
-d '{"message": "整理我的下载文件夹", "session_id": "user-123"}'
````### Security & Monitoring````蟒蛇
从agno.agent导入代理
从 agno.os 导入 AgentOS# 允许人类批准破坏性工具
代理人 = 代理人（
名称=“安全代理”，
型号=“openai：gpt-4o”，
tools=[Workspace(root="./data", allowed=["read", "list"])], # 禁止写入/删除
human_approval=True, # 工具调用需要批准
audit_trail=True, # 记录所有操作
降价=真，
）# OpenTelemetry 跟踪（在 AgentOS 中自动配置）
AgentOS.agent = 代理
AgentOS.serve(主机=“0.0.0.0”，端口=8000)
````## 与替代方案的比较| 特色| 阿格诺 | 船员人工智能 | AutoGen | LangChain + LangGraph |
|--------|------|--------|---------|------------------------|
| **GitHub 之星** | 40,233 | 40,233 51,000+ | 58,000+ | 96,000+ / 31,000+ |
| **许可证** | 阿帕奇-2.0 | 麻省理工学院 | MIT（代码）/CC-BY-4.0（文档）| 麻省理工学院 |
| **架构** | SDK + FastAPI 运行时 + 控制平面 | 基于角色的团队| 对话式多代理 | 基于图形的编排|
| **代理初始化速度** | 〜3μs | 〜12 毫秒 | ~45 毫秒 | 〜150 毫秒 |
| **内存开销** | ~6.5 KiB | ~320 KiB | ~1.2 MiB | ~2.8 MiB |
| **法学硕士提供者** | 23+ | 8+ | 12+ | 15+ |
| **内置工具** | 100+ | 25+ | 40+ | 60+ |
| **学习```
pytho
n
从agno.agent导入代理
从 agno.models.openai 导入 OpenAIChat
从 agno.tools.duckduckgo 导入 DuckDuckGoTools
从 agno.team 导入团队

# 研究代理
研究员=特工(
姓名=“研究员”，
模型=OpenAIChat(id="gpt-4o-mini"),
工具=[DuckDuckGoTools()],
description="查找任何主题的最新数据和统计数据。",
）

# 作家代理
作家=经纪人（
名称=“作家”，
模型=OpenAIChat(id="gpt-4o"),
描述 =“根据研究笔记撰写精美的文章。”，
）

# 组建团队
团队 = 团队（
name=“内容团队”，
成员=[研究员、作家],
instructions="协作制作经过充分研究、引人入胜的内容。",
）

team.print_response("写一篇关于 2026 年可再生能源趋势的文章。", stream=True)
``d 工作流程，设置摩擦最小。**何时选择 AutoGen**：您处于 Microsoft 生态系统中，正在构建研究工具，或者需要具有内置代码执行功能的对话式多代理系统。**何时选择 LangGraph**：您的工作流程需要图形语义提供的显式状态机、检查点、重播和细粒度分支控制。## 局限性/诚实评估——这个轻量级人工智能框架不适合做什么Agno 并不是适合每个代理用例的工具。 Here is what to consider before adopting:**无图形语义**：如果您的工作流程需要显式状态转换、检查点和可重播执行路径，那么 LangGraph 的图形模型更适合。 Agno 基于团队的编排更简单，但对于复杂的分支来说不太精确 l```
pytho
n
从agno.agent导入代理
从 agno.knowledge.embedder.google 导入 GeminiEmbedder
从 agno.knowledge.knowledge 导入知识
从 agno.models.google 导入 Gemini
从 agno.vectordb.chroma 导入 ChromaDb
从 agno.vectordb.search 导入 SearchType

知识 = 知识（
矢量_db=ChromaDb(
集合=“文档”，
路径=“tmp/chromadb”，
持久客户端=真，
search_type=搜索类型.hybrid,
嵌入器=GeminiEmbedder(id="gemini-embedding-001"),
),
）

knowledge.insert（url =“https://docs.agno.com/introduction.md”，skip_if_exists = True）

代理人 = 代理人（
型号=Gemini(id="gemini-3-flash-preview"),
知识=知识，
search_knowledge=真，
降价=真，
）

agent.print_response("什么是 Agno？"，stream=True)
``在提交控制平面之前，请先支付计划。## 常见问题### How does Agno compare to LangGraph for production use?Agno 优先考虑运行时开销和服务打包——您可以在几分钟内获得带有会话和跟踪的 FastAPI 后端。 LangGraph provides more control over state management and branching but requires learning graph semantics and carries significantly higher memory overhead. 对于团队运输代理 API，Agno 删除了样板文件。 对于构建复杂的确定性工作流程的团队来说，LangGraph 的显式状态模型值得学习。### 我可以仅使用本地模型运行 Agno 吗？是的。 Agno 与 Ollama、LM Studio 和任何与 OpenAI 兼容的本地端点集成。 `Ollama` 模型提供程序可让您使用 Llama 3、Qwen3 或 Mis``python 等模型完全离线运行
从agno.agent导入代理
从 agno.db.sqlite 导入 SqliteDb
从 agno.os 导入 AgentOS
从 agno.tools.workspace 导入工作区

工作台 = 代理(
名称=“工作台”，
型号=“openai：gpt-5.5”，
db=SqliteDb(db_file="workbench.db"),
记忆=真，
工具=[工作空间(root=”./workspace”,允许=[“读取”,“列表”,“搜索”,“外壳”])],
instructions="帮助用户组织和分析他们的工作区文件。",
降价=真，
）

# 作为API
AgentOS.agent = 工作台
AgentOS.serve(主机=“0.0.0.0”，端口=8000)
```验证循环、审计跟踪和 OpenTelemetry 可观测性 — 企业部署的所有要求。 然而，该项目比 LangChain 更年轻，企业支持（SLA、专用支持）只能通过 Agno 的商业产品获得。 具有严格合规性要求的团队应评估自托管与托管选项。### 如何从 Phidata 迁移到 Agno？迁移涉及将包导入从“phidata”更新为“agno”并适应 2.x API 更改。 Agno 团队提供了一个 [migrat```
bas
h
# 启动服务
python工作台.py

# 通过curl进行测试
卷曲 -X POST http://localhost:8000/v1/agents/workbench/run \
-H“内容类型：application/json”\
-d '{"message": "整理我的下载文件夹", "session_id": "user-123"}'
```
ur
s
用于中等规模的代码库。### 我可以在没有 AgentOS 运行时的情况下使用 Agno 吗？绝对地。 SDK层完全独立。 您可以将代理作为独立的 Python 脚本构建和运行，将它们集成到现有的 FastAPI/Django/Flask 应用程序中，或者仅使用代理 ```
pytho
n
从agno.agent导入代理
从 agno.os 导入 AgentOS

# 允许人类批准破坏性工具
代理人 = 代理人（
名称=“安全代理”，
型号=“openai：gpt-4o”，
tools=[Workspace(root="./data", allowed=["read", "list"])], # 禁止写入/删除
human_approval=True, # 工具调用需要批准
audit_trail=True, # 记录所有操作
降价=真，
）

# OpenTelemetry 跟踪（在 AgentOS 中自动配置）
AgentOS.agent = 代理
AgentOS.serve(主机=“0.0.0.0”，端口=8000)
````周期。对于 2026 年交付生产代理的团队来说，决策框架很简单：如果您需要轻量级、API 优先的代理，请从 Agno 开始； 评估 CrewAI 基于角色的团队是否符合您的心智模型； 考虑将 AutoGen 用于以 Microsoft 为中心的工作负载或研究工作负载； 仅当显式状态机语义不可协商时才使用 LangGraph。40,233 名 GitHub 明星和 452 名贡献者社区标志着 Agno 已经跨过了从有前途的项目到生产可行平台的门槛。 评估它的最佳方法是运行安装部分中的 10 行示例，并根据替代方案测量设置时间。**行动项目**：克隆 [Agno GitHub 存储库](https://github.com/agno-agi/agno)，运行您的第一个代理，然后使用上面的 Docker 设置将其部署到 DigitalOcean
 Droplet。 加入 [Discord 上的 Agno 社区](https://discord.gg/agno) 以获得实时支持。 







## 推荐的托管和基础设施在将上述任何工具部署到生产环境之前，您需要坚实的基础设施。 dibi8实际使用和推荐的两个选项：- **{< aff "digitalocean" "footer-cta-legacy" "DigitalOcean" >}}** — 200 美元免费赠金，为期 60 天，覆盖全球 14 个以上区域。 运行开源人工智能工具的独立开发者的默认选项。 
- **{< aff "htstack" "footer-cta-legacy" "HTStack" >}}** — 从中国大陆低延迟访问的香港 VPS。 这与托管 dibi8.com 的 IDC 是同一个 IDC——在生产中经过了实际考验。*附属链接 - 它们不会花费您额外的费用，并且有助于保持 dibi8.com 的运行。*## 资料来源和进一步阅读- [Agno GitHub Repository](https://github.com/agno-agi/agno) — 官方源代码，40,233 星
- [Agno 文档](https://docs.agno.com) — 包含示例和 API 参考的完整文档
- [Agno AgentOS](https://os.agno.com) — 用于代理管理的托管控制平面
- [FutureAGI框架比较2026](https://futureagi.com/blog/oss-agent-frameworks-2026) — 开源代理框架详细比较
- [Deepchecks AI Agent Frameworks 2025](https://deepchecks.com/best-ai-agent-frameworks/) — 框架基准测试和用例分析
- [CrewAI vs LangGraph vs AutoGen vs Agno](https://ronniehuss.co.uk/crewai-vs-langgraph-vs-autogen-vs-agno/) — 以创始人为中心的框架比较
- [AI Agents Kit Comparison 2026](https://aiagentskit.com/blog/best-ai-agent-frameworks-compared/) — 社区驱动的框架排名
- [Agno 与 CrewAI 详细比较](https://respan.ai/market-map/compare/agno-vs-crewai) — 逐个功能分析和社区评论---*本文包含附属链接。 如果您通过这些链接注册服务，dibi8.com 可能会收到佣金，而无需您支付额外费用。*<!--自动引用-->
## 参考文献和来源- [Agno](https://github.com/agno-agi/agno)
- [Ollama](https://github.com/ollama/ollama)
- [ChromaDB](https://github.com/chroma-core/chroma)
- [LanceDB](https://github.com/lancedb/lancedb)
- [CrewAI](https://github.com/crewAIInc/crewAI)
- [AutoGen](https://github.com/microsoft/autogen)
- [LangGraph](https://github.com/langchain-ai/langgraph)
- [LangChain](https://github.com/langchain-ai/langchain)
- [模型上下文协议](https://github.com/modelcontextprotocol)
- [uv](https://github.com/astral-sh/uv)
- [pgvector](https://github.com/pgvector/pgvector)

Cognee: 26K+ Star Open-Source AI Memory Platform for Agents

Cognee is the open-source AI memory platform that gives agents persistent knowledge. Build intelligent agents that remember, reason, and evolve over time.

  • Python
详情

Codebase Memory MCP: 24K+ Star AI Code Intelligence Server

Codebase Memory MCP is a high-performance code intelligence server that indexes entire codebases into persistent memory for AI agents. Transform any LLM into a codebase-aware assistant.

  • C
详情

LangChain vs CrewAI vs AutoGen vs LlamaIndex vs LangGraph — AI Agent Frameworks Compared (2026)

Side-by-side comparison of the top 5 open-source AI agent frameworks in 2026. Real star counts, code examples, performance benchmarks, and practical guidance for choosing the right framework for your project.

详情

本周开源人工智能代理——GitHub 最热门仓库（2026 年 6 月 29 日当周）

人工编辑的每周精选，汇总 GitHub 上最热门的开源 AI 代理、LLM 和 MCP 项目——数据由 Dibi8 部落情报自动收集，分析由 Dibi8 编辑团队完成。

详情

本周开源人工智能代理--GitHub 最热门仓库（2026 年 6 月 22 日当周）

人工编辑的每周精选，汇总 GitHub 上最热门的开源 AI 代理、LLM 和 MCP 项目--数据由 Dibi8 Tribe Intel 自动收集，分析由 Dibi8 编辑团队完成。

详情

This Week in Open-Source AI Agents — Top Trending GitHub Repos (Week of June 15, 2026)

Hand-edited weekly roundup of top trending open-source AI agent, LLM, and MCP projects on GitHub — data auto-collected by Dibi8 Tribe Intel, analysis by Dibi8 editorial team.

详情

💬 留言讨论