什么是Agno？
Agno是一个用于构建多智能体系统（Multi-Agent Systems）的全栈Python框架。它的名字源于希腊语"ἁγνὸ"（agno），意为"纯粹"，体现了其设计理念：追求简单、极致性能和真正的模型无关性
架构和设计理念
Agno 的架构可以从两个不同的维度来理解：一个是面向能力成长的**"渐进式五级架构"** ，另一个是面向生产环境的**"全栈三层架构"**。它们共同勾勒出 Agno 从简单智能体到生产级系统的完整蓝图。
渐进式五级架构
Agno采用渐进式增强模型，它将智能体的能力从简单到复杂划分为五个清晰的等级。可以像升级一样，从 Level 1 开始，根据需求逐步叠加能力，而无需重写已有代码
┌─────────────────────────────────────────────────────────────┐
│ Level 5: 确定性智能体工作流 │
│ (Agentic Workflows) │
│ 用 Workflow 编排 Agent/Team/函数， │
│ 支持顺序、并行、循环，流程确定且状态可追踪 │
├─────────────────────────────────────────────────────────────┤
│ Level 4: 多智能体团队协作 │
│ (Agent Teams) │
│ 领导 + 成员模式，多种协作策略： │
│ coordinate / route / collaborate / tasks │
├─────────────────────────────────────────────────────────────┤
│ Level 3: 智能体 + 记忆 + 推理 │
│ (Memory & Reasoning) │
│ 长期记忆（用户偏好、历史），思维链 (CoT) 推理 │
├─────────────────────────────────────────────────────────────┤
│ Level 2: 智能体 + 知识库 + 存储 │
│ (Knowledge & Storage) │
│ 外挂知识库 + 向量数据库 (RAG)，支持多种文档格式 │
├─────────────────────────────────────────────────────────────┤
│ Level 1: 基础智能体 + 工具 │
│ (Agents with Tools & Instructions) │
│ 核心智能体 + 指令 + 工具调用 │
└─────────────────────────────────────────────────────────────┘
▲ ▲ ▲ ▲ ▲
│ │ │ │ │
└───┴───┴───┴───┘ (能力逐层叠加)Level 1: 基础工具型智能体 (Agents with Tools & Instructions)
核心：一个能调用工具来执行具体任务的"行动派"。
-
能力画像 ：通过指令 (Instructions) 指导行为，并配备工具 (Tools) 与外部世界交互。
-
适用场景：执行单一、明确的任务，如查询天气、搜索信息、调用 API 等。
Level 2: 知识增强型智能体 (Agents with Knowledge & Storage)
核心 ：一个拥有"外挂大脑"------知识库 (Knowledge) 的专家。
-
能力画像 ：在 Level 1 的基础上，引入了知识库 (Knowledge) 和存储 (Storage)。通过 RAG（检索增强生成）技术，智能体可以访问外部文档、数据库等，实现基于特定知识库的问答。
-
适用场景：企业知识库问答、基于私有文档的客服机器人、法律/医疗文档检索等。
-
核心组件 ：
Knowledge+VectorDb(如 PgVector, Pinecone)
Level 3: 记忆推理型智能体 (Agents with Memory & Reasoning)
核心：一个拥有"长期记忆"并能进行"深度思考"的智者。
-
能力画像 ：在 Level 2 的基础上，增加了记忆 (Memory) 和推理 (Reasoning) 能力。记忆让智能体能在多轮对话中记住用户偏好和历史；推理（如思维链 CoT）则使其能处理更复杂的逻辑问题。
-
适用场景：需要上下文理解的个人助理、需要分步解决的复杂问题（如数学推理、逻辑分析）等。
Level 4: 多智能体团队 (Agent Teams)
核心：一个由多个各有所长的"专家"组成的协作团队。
-
能力画像 ：引入团队 (Team) 概念，由"领导"智能体协调多个"成员"智能体分工协作。Agno 提供了
coordinate(协调)、route(路由)、collaborate(协作) 和tasks(任务) 等多种团队协作模式。 -
适用场景：需要多领域知识或步骤的复杂任务，如撰写包含研究、分析和撰写的综合报告
Level 5: 确定性工作流 (Agentic Workflows)
核心 ：一个将智能体能力封装在确定性流程中的"自动化产线"。
-
能力画像 ：引入工作流 (Workflow) ，通过预定义的步骤（Step）来编排智能体、团队和函数，确保流程的状态性 和确定性。它支持顺序、并行、循环等复杂逻辑。
-
适用场景：需要严格流程控制的自动化任务，如定期生成报告的数据流水线、需要多步审批的自动化流程等。
全栈三层架构
如果说五级架构是"深度"，那么三层架构就是"广度"。它从软件工程的角度，展示了 Agno 如何将一个智能体应用从"能用"推向"用好"和"生产可用"。
┌─────────────────────────────────────────────────────────────┐
│ Layer 3: 生产层 (Production Layer) │
│ ─── 解决 "如何生产可用" │
│ 审计、治理、合规、人机回环 (HITL)、实时监控 (agno.com) │
│ 提供工具级 / 工作流级 / 审批级三层人工介入 │
├─────────────────────────────────────────────────────────────┤
│ Layer 2: 运行时层 (Runtime - AgentOS) │
│ ─── 解决 "如何执行" │
│ 高性能执行引擎、会话管理、状态持久化、异步支持 │
│ 实现微秒级实例化、超低内存占用 │
├─────────────────────────────────────────────────────────────┤
│ Layer 1: 框架层 (Framework) │
│ ─── 解决 "如何构建" │
│ Agent / Team / Workflow 原语 │
│ 工具、记忆、知识、模型、存储等模块化组件 │
└─────────────────────────────────────────────────────────────┘Layer 1: 框架层 (Framework)
-
目标 ：解决"如何构建 (How to build)"智能体的问题。
-
内容 ：提供构建智能体的核心抽象，如
Agent、Team、Workflow等原语，以及工具调用、记忆、知识检索等基础能力。 -
价值：让开发者无需从零开始，能够快速搭建智能体的核心逻辑。
Layer 2: 运行时层 (Runtime - AgentOS)
-
目标 ：解决智能体"如何执行 (How to execute)"的问题。
-
内容 ：即 AgentOS，一个高性能的运行时环境，负责处理智能体的执行、会话管理、状态存储等核心基础设施。
-
价值 ：确保智能体能以极致的性能和可靠性运行，是 Agno 实现微秒级实例化和低内存占用的关键。
Layer 3: 生产层 (Production Layer)
-
目标 ：解决智能体"如何生产可用 (How to run in production)"的问题。
-
内容 ：这是 Agno v2.5 补齐的最后一环，涵盖了治理、审计、合规等生产环境必需的能力。例如，内置的人机回环 (HITL) 机制提供工具级、工作流级和审批级三层控制；可选的编排模式 将架构决策从代码中解耦；以及通过 agno.com 提供的实时监控 (Monitoring) 功能。
-
价值：填补了从"构建智能体"到"将其作为业务能力运行"之间的鸿沟，让企业能够安全、合规地大规模部署智能体。
核心组件
Agno 是一个用于构建多智能体系统的 Python SDK。其核心组件可以分为两个层面：最基础的三大原语 (Primitives) ，以及可以附加在这些原语上的丰富能力 (Capabilities)
| 原语 (Primitive) | 核心概念 | 关键能力 | 最佳实践 |
|---|---|---|---|
| Agent (智能体) | 单兵作战的专家。一个能够进行推理、使用工具并维护状态的AI程序。 | 围绕大模型构建有状态的控制循环；可附加记忆、知识、存储等能力。 | 任务单一、领域明确时。例如，一个专门负责撰写邮件的助手。 |
| Team (团队) | 各司其职的委员会。由"领导"智能体协调多个"成员"智能体（或子团队）分工协作。 | 专业化分工 ：每个成员精通特定领域。 并行处理 ：独立子任务可同时进行。 多种协作模式 ：如 coordinate (协调)、route (路由)、broadcast (广播)、tasks (任务)。 |
任务复杂、跨越多个领域时。例如，撰写一份需要市场调研、数据分析和内容创作的研究报告。 |
| Workflow (工作流) | 标准化的流水线。通过预定义的步骤（Step）来编排 Agent、Team 和函数，实现确定性的流程。 | 确定性 ：流程和步骤是预先定义好的。 丰富模式 ：支持顺序 (Sequential)、并行 (Parallel)、条件 (Condition)、循环 (Loop) 和动态路由 (Router)。 |
需要严格流程控制的自动化任务。例如，一个定期执行的"数据提取-分析-生成报告"流水线。 |
Agno 提供了大量的可选"能力"模块，你可以根据需求将它们"安装"到 Agent、Team 或 Workflow 上。这些能力可以分为四大类：
-
模型与工具 (Model & Tools)
-
Models : 提供统一的 API，可接入 30 多种模型提供商。
-
Tools : 提供 100 多种内置工具（如网络搜索、文件操作、API 调用），并支持轻松创建自定义工具。
-
Skills: 可组合的能力，能以结构化指令的形式附加给智能体。
-
Multimodal: 支持图像、音频、视频等多模态数据的输入和输出。
-
Structured I/O: 使用 Pydantic 模型实现类型安全的输入和输出。
-
-
记忆与上下文 (Memory & Context)
-
Storage: 提供会话、记忆等数据的持久化存储。
-
Sessions: 管理多轮对话，包含摘要、历史和指标。
-
Memory: 支持按用户和按会话的记忆，让智能体"记住"过去。
-
Knowledge : 知识库，支持对文档、URL、数据库等进行检索增强生成 (RAG)。
-
Learning: 让智能体通过经验不断改进和学习。
-
Compression: 压缩上下文，确保长会话不超出模型窗口限制。
-
-
控制与安全 (Control & Safety)
-
Guardrails: 对输入和输出进行校验，确保行为符合预期。
-
Hooks: 生命周期钩子，可在特定节点注入自定义逻辑。
-
Human-in-the-Loop (HITL) : 人机回环，可暂停运行以等待人工审批、输入或外部执行。
-
-
运维与可观测性 (Operations & Observability)
-
Background execution: 支持长时间运行的后台任务。
-
Evals: 用于评估智能体的准确性、性能和可靠性。
-
Observability: 集成 Langfuse、Logfire 等 12 多种追踪工具。
-
Scheduler: 支持按计划定时运行 Agent。
-
智能体构建
环境搭建
#0.安装python，建议Python3.10+最好3.12+
#1.新建项目文件夹agno-learn
#2.进入项目文件夹，使用uv初始化项目
uv init
#3.安装依赖
uv add agno openai pycountry baidusearch
#4.环境变量配置，新建.env文件，配置如下
DEEPSEEK_API_KEY=xxx
QWEN_API_KEY=xxx
#5.新建src文件夹作为代码目录
版本：
(agno-learn) apple@localhost agno-learn % uv pip list
Package Version
------------------ ---------
agno 2.6.22
annotated-doc 0.0.4
annotated-types 0.7.0
anyio 4.14.1
baidusearch 1.0.3
beautifulsoup4 4.15.0
certifi 2026.6.17
charset-normalizer 3.4.7
distro 1.9.0
docstring-parser 0.18.0
gitdb 4.0.12
gitpython 3.1.50
h11 0.16.0
h2 4.3.0
hpack 4.2.0
httpcore 1.0.9
httpx 0.28.1
hyperframe 6.1.0
idna 3.18
jiter 0.16.0
lxml 6.1.1
markdown-it-py 4.2.0
mdurl 0.1.2
openai 2.44.0
packaging 26.2
pycountry 26.2.16
pydantic 2.13.4
pydantic-core 2.46.4
pydantic-settings 2.14.2
pygments 2.20.0
python-dotenv 1.2.2
python-multipart 0.0.32
pyyaml 6.0.3
requests 2.34.2
rich 15.0.0
shellingham 1.5.4
smmap 5.0.3
sniffio 1.3.1
soupsieve 2.8.4
tqdm 4.68.3
typer 0.26.8
typing-extensions 4.16.0
typing-inspection 0.4.2
urllib3 2.7.0构建智能体
简单的智能体：
from agno.agent import Agent
from agno.models.deepseek import DeepSeek
from dotenv import load_dotenv
load_dotenv()
deepseek = DeepSeek(id="deepseek-chat")
# 创建智能体
agent = Agent(
name="助手",
model=deepseek,
instructions=["你是一个智能助手"],
markdown=True
)
# 运行智能体
agent.print_response("你好，请介绍一下自己", stream=True)调用工具的智能体：
from agno.agent import Agent
from agno.models.deepseek import DeepSeek
from agno.tools.baidusearch import BaiduSearchTools
from dotenv import load_dotenv
load_dotenv()
deepseek = DeepSeek(id="deepseek-chat")
agent = Agent(
name="网络搜索助手",
model=deepseek,
tools=[BaiduSearchTools()],
instructions=["你是一个智能助手，可以调用工具来执行操作。"],
)
resp = agent.run("搜索一下agno教程")
print(resp.content)代码结构详解
Agent参数说明：
1. 核心标识与模型
| 参数 | 类型 | 说明 |
|---|---|---|
model |
Optional[Union[Model, str]] |
主语言模型实例或标识符 |
fallback_models |
Optional[List[Union[Model, str]]] |
备用模型列表（主模型失败时尝试） |
fallback_config |
Optional[FallbackConfig] |
精细降级策略配置 |
name |
Optional[str] |
Agent 名称 |
id |
Optional[str] |
Agent 唯一 ID（自动生成） |
2. 用户与会话
| 参数 | 说明 |
|---|---|
user_id |
当前用户 ID |
session_id |
会话 ID（跨运行保持上下文） |
session_state |
会话状态字典（持久化） |
add_session_state_to_context |
是否将 session_state 注入上下文 |
overwrite_db_session_state |
是否覆盖数据库中的状态（默认合并） |
enable_agentic_state |
是否提供工具让 Agent 动态更新 session_state |
cache_session |
是否在内存中缓存会话 |
search_past_sessions |
是否允许搜索历史会话 |
num_past_sessions_to_search |
最多搜索的历史会话数 |
num_past_session_runs_in_search |
每个历史会话中读取的运行数 |
3. 记忆与摘要
| 参数 | 说明 |
|---|---|
memory_manager |
记忆管理器实例 |
enable_agentic_memory |
是否允许 Agent 自主管理用户记忆 |
update_memory_on_run |
运行结束后是否更新用户记忆 |
enable_user_memories |
（已弃用）用上面替代 |
add_memories_to_context |
是否将记忆注入上下文 |
enable_session_summaries |
是否生成会话摘要 |
session_summary_manager |
摘要管理器 |
add_session_summary_to_context |
是否将会话摘要注入上下文 |
4. 数据库与存储
| 参数 | 说明 |
|---|---|
db |
数据库连接（BaseDb 或 AsyncBaseDb） |
checkpoint |
检查点策略（"runs" / "tool-batch" / "tools"） |
5. 历史消息
| 参数 | 说明 |
|---|---|
add_history_to_context |
是否将历史消息添加到当前上下文 |
num_history_runs |
包含的历史运行数 |
num_history_messages |
包含的历史消息数（与 runs 二选一） |
max_tool_calls_from_history |
从历史中提取的工具调用数量上限 |
6. 知识库（Knowledge & RAG）
| 参数 | 说明 |
|---|---|
knowledge |
知识库实例（或返回知识库的工厂） |
knowledge_filters |
检索时的过滤条件 |
enable_agentic_knowledge_filters |
是否允许 Agent 自主调整过滤器 |
add_knowledge_to_context |
是否将检索到的知识注入上下文 |
knowledge_retriever |
自定义检索函数（替代默认） |
references_format |
引用格式（"json" / "yaml"） |
7. 技能（Skills）
| 参数 | 说明 |
|---|---|
skills |
Skills 实例（结构化指令、参考文档等） |
8. 工具与调用
| 参数 | 说明 |
|---|---|
tools |
工具列表或返回工具列表的可调用工厂 |
tool_call_limit |
单次运行最大工具调用次数 |
tool_choice |
控制工具选择（"auto"/"none"/指定函数） |
tool_hooks |
工具调用前后的钩子函数 |
9. 钩子（Hooks）
| 参数 | 说明 |
|---|---|
pre_hooks |
运行前执行的钩子（含护栏、评估） |
post_hooks |
运行后执行的钩子 |
10. 推理（Reasoning）
| 参数 | 说明 |
|---|---|
reasoning |
是否启用逐步推理（CoT） |
reasoning_model |
推理专用模型 |
reasoning_agent |
自定义推理 Agent |
reasoning_min_steps |
最少推理步骤 |
reasoning_max_steps |
最多推理步骤 |
11. 默认工具
| 参数 | 说明 |
|---|---|
read_chat_history |
是否添加"读取聊天历史"工具 |
search_knowledge |
是否添加"搜索知识库"工具（Agentic RAG） |
add_search_knowledge_instructions |
是否在系统提示中添加搜索指令 |
update_knowledge |
是否添加"更新知识库"工具 |
read_tool_call_history |
是否添加"读取工具调用历史"工具 |
send_media_to_model |
是否将媒体（图片等）传给模型 |
store_media |
是否在运行输出中存储媒体 |
store_tool_messages |
是否存储工具调用消息 |
store_history_messages |
是否存储完整历史消息（默认仅当前运行） |
12. 系统消息与指令
| 参数 | 说明 |
|---|---|
system_message |
直接提供系统消息（字符串/函数/Message） |
system_message_role |
系统消息角色（默认 "system"） |
introduction |
Agent 的第一条自我介绍消息 |
build_context |
是否自动构建上下文 |
description |
Agent 简短描述（添加到系统提示） |
instructions |
指令（字符串/列表/函数） |
use_instruction_tags |
是否用 <instructions> 标签包裹指令 |
expected_output |
对输出的描述 |
additional_context |
额外上下文（追加到系统提示末尾） |
markdown |
是否要求模型输出 Markdown |
add_name_to_context |
是否将 Agent 名称加入系统提示 |
add_datetime_to_context |
是否加入当前日期时间 |
add_location_to_context |
是否加入位置信息 |
datetime_format |
自定义日期时间格式 |
timezone_identifier |
时区标识符 |
resolve_in_context |
是否解析上下文中的占位符（如 session_state） |
13. 学习（Learning）
| 参数 | 说明 |
|---|---|
learning |
学习机器实例或布尔值（启用学习） |
add_learnings_to_context |
是否将学习内容加入上下文 |
14. 额外消息与用户消息
| 参数 | 说明 |
|---|---|
additional_input |
在系统消息后插入的额外消息（few-shot） |
user_message_role |
用户消息角色（默认 "user"） |
build_user_context |
是否构建用户上下文 |
15. 重试与输出解析
| 参数 | 说明 |
|---|---|
retries |
失败重试次数 |
delay_between_retries |
重试间隔（秒） |
exponential_backoff |
是否指数退避 |
parser_model |
用于解析主模型输出的辅助模型 |
parser_model_prompt |
解析模型的提示词 |
input_schema |
输入验证的 Pydantic 模型 |
output_schema |
强制输出符合的 Pydantic 模型或 JSON Schema |
parse_response |
是否自动解析为 output_schema |
output_model |
用于生成最终输出的模型 |
output_model_prompt |
输出模型的提示词 |
structured_outputs |
是否使用模型原生结构化输出 |
use_json_mode |
是否强制 JSON 输出（通过提示） |
save_response_to_file |
将响应保存到文件路径 |
16. 后续追问（Follow-ups）
| 参数 | 说明 |
|---|---|
followups |
是否生成后续追问 |
num_followups |
追问数量 |
followup_model |
用于生成追问的模型 |
17. 流式与事件
| 参数 | 说明 |
|---|---|
stream |
是否启用流式响应 |
stream_events |
是否发送中间事件 |
store_events |
是否在 RunOutput 中存储事件 |
events_to_skip |
跳过的事件类型列表 |
18. 团队/工作流集成
| 参数 | 说明 |
|---|---|
role |
作为团队成员时的角色 |
team_id |
所属团队 ID |
workflow_id |
所属工作流 ID |
19. 元数据与实验特性
| 参数 | 说明 |
|---|---|
metadata |
任意元数据字典 |
culture_manager |
文化知识管理器 |
enable_agentic_culture |
是否允许 Agent 管理文化知识 |
update_cultural_knowledge |
是否自动更新文化知识 |
add_culture_to_context |
是否将文化知识注入上下文 |
compress_tool_results |
是否压缩工具结果（节省上下文） |
compression_manager |
压缩管理器 |
20. 调试与工厂缓存
| 参数 | 说明 |
|---|---|
debug_mode |
是否开启调试日志 |
debug_level |
调试详细程度（1/2） |
telemetry |
是否发送匿名使用统计 |
cache_callables |
是否缓存工厂返回结果 |
callable_tools_cache_key |
自定义工具缓存键函数 |
callable_knowledge_cache_key |
自定义知识缓存键函数 |
方法及说明
1. 核心执行（运行）
| 方法 | 说明 |
|---|---|
run(input, ...) |
同步运行 ，返回 RunOutput 或流式迭代器。支持工具调用、知识检索等完整流程。 |
arun(input, ...) |
异步运行 ，返回 Coroutine[RunOutput] 或异步迭代器。 |
continue_run(run_response, ...) |
恢复中断的运行 （用于 HITL）。可从指定 run_id 或 RunOutput 继续。 |
acontinue_run(...) |
异步版本。 |
cancel_run(run_id) |
静态方法，取消正在运行的运行（同步）。 |
acancel_run(run_id) |
异步取消。 |
2. CLI 交互
| 方法 | 说明 |
|---|---|
print_response(input, ...) |
在控制台以美观格式打印响应（支持流式、Markdown）。 |
aprint_response(...) |
异步版本。 |
cli_app(input, ...) |
启动交互式命令行对话应用。 |
acli_app(...) |
异步版本。 |
3. 会话管理
| 方法 | 说明 |
|---|---|
get_session(session_id, user_id) |
获取会话对象（AgentSession）。 |
aget_session(...) |
异步版本。 |
save_session(session) |
保存会话到数据库。 |
asave_session(session) |
异步版本。 |
rename(name, session_id) |
重命名会话。 |
set_session_name(session_id, autogenerate, session_name) |
设置会话名称（可自动生成）。 |
aset_session_name(...) |
异步版本。 |
generate_session_name(session) |
使用 LLM 生成会话名称。 |
get_session_name(session_id) |
获取会话名称。 |
aget_session_name(...) |
异步版本。 |
get_session_state(session_id) |
获取会话状态字典。 |
aget_session_state(...) |
异步版本。 |
update_session_state(session_state_updates, session_id) |
更新会话状态（合并）。 |
aupdate_session_state(...) |
异步版本。 |
get_session_metrics(session_id) |
获取会话指标（运行次数、耗时等）。 |
aget_session_metrics(...) |
异步版本。 |
delete_session(session_id, user_id) |
删除会话。 |
adelete_session(...) |
异步版本。 |
get_session_messages(...) |
获取会话中的历史消息（可过滤）。 |
aget_session_messages(...) |
异步版本。 |
get_chat_history(session_id, last_n_runs) |
获取对话历史（用户+助手消息）。 |
aget_chat_history(...) |
异步版本。 |
get_session_summary(session_id) |
获取会话摘要。 |
aget_session_summary(...) |
异步版本。 |
fork_session(source_session_id, user_id) |
复制一个现有会话到新会话（深拷贝），返回新 session_id。 |
afork_session(...) |
异步版本。 |
4. 运行结果读取
| 方法 | 说明 |
|---|---|
get_run_output(run_id, session_id, user_id) |
根据 run_id 获取某次运行的输出。 |
aget_run_output(...) |
异步版本。 |
get_last_run_output(session_id) |
获取会话最后一次运行的输出。 |
aget_last_run_output(...) |
异步版本。 |
5. 记忆与文化知识
| 方法 | 说明 |
|---|---|
get_user_memories(user_id) |
获取当前用户的长期记忆。 |
aget_user_memories(...) |
异步版本。 |
get_culture_knowledge() |
获取文化知识列表。 |
aget_culture_knowledge() |
异步版本。 |
6. 工具与知识操作
| 方法 | 说明 |
|---|---|
add_tool(tool) |
动态添加一个工具。 |
set_tools(tools) |
替换整个工具列表。 |
get_tools(run_response, run_context, session, user_id) |
运行时获取工具列表（处理工厂缓存）。 |
aget_tools(...) |
异步版本。 |
add_to_knowledge(query, result) |
将内容添加到知识库（若 update_knowledge=True）。 |
get_relevant_docs_from_knowledge(query, ...) |
从知识库检索相关文档。 |
aget_relevant_docs_from_knowledge(...) |
异步版本。 |
clear_callable_cache(kind, close) |
清除工具或知识的工厂缓存。 |
aclear_callable_cache(...) |
异步版本。 |
7. 系统消息构建
| 方法 | 说明 |
|---|---|
get_system_message(session, run_context, tools, ...) |
构建系统消息（整合 description、instructions 等）。 |
aget_system_message(...) |
异步版本。 |
8. 持久化与序列化
| 方法 | 说明 |
|---|---|
to_dict() |
将 Agent 配置序列化为字典。 |
from_dict(cls, data, registry) |
类方法，从字典反序列化创建 Agent。 |
save(db, stage, label, notes) |
将 Agent 配置保存到数据库。 |
load(cls, id, db, registry, label, version) |
类方法，从数据库加载 Agent。 |
delete(db, hard_delete) |
从数据库删除 Agent 配置。 |
9. 初始化与工具
| 方法 | 说明 |
|---|---|
set_id() |
生成唯一 ID（若未提供）。 |
initialize_agent(debug_mode) |
初始化 Agent 内部状态（模型、工具等）。 |
deep_copy(update) |
创建 Agent 的深度副本（可更新部分属性）。 |
save_run_response_to_file(...) |
将运行输出保存到文件。 |
scrub_run_output_for_storage(run_response) |
清理运行输出中的敏感/冗余信息（存储前）。 |
10. 其他辅助
| 方法 | 说明 |
|---|---|
background_executor（属性） |
返回后台线程池执行器（用于异步任务）。 |
cached_session（属性） |
返回缓存的会话对象。 |
learning_machine（属性） |
返回学习机器实例（惰性初始化）。 |