Agno

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

Agno ist ein Python-Framework für KI-Agenten, das auf wenig Code und schnellen Start ausgelegt ist. Ein Agent bekommt Modell, Anweisungen und Werkzeuge. Gesprächsverläufe, Erinnerungen an Benutzer und Zusammenfassungen speichert Agno auf Wunsch gleich in einer Datenbank, etwa SQLite oder PostgreSQL. Mit AgentOS lassen sich Agenten außerdem als Webdienst betreiben.

Vorbemerkungen

  • Viele Anbieter: Agno bindet über 20 Anbieter an, darunter OpenAI, Anthropic, Google und Ollama. Diese Anleitung verwendet ein lokales Modell über Ollama. Es fallen also keine Kosten an und keine Daten verlassen den Rechner.
  • Voraussetzung: Ein laufendes Ollama mit dem Modell qwen3:4b-instruct. Es kann Werkzeuge aufrufen.
  • Telemetrie: Agno sendet ab Werk bei jedem Lauf eines Agenten ein Ereignis an den Hersteller (os-api.agno.com). Die Beispiele schalten das mit telemetry=False ab. Für alle Programme auf einmal geht es mit der Umgebungsvariable AGNO_TELEMETRY=false.
  • Pakete zusammensuchen: Der Kern agno bringt die Anbindungen nicht mit. Für Ollama braucht es die Pakete ollama und openai, für SQLite sqlalchemy, aiosqlite und greenlet. Schritt 7 installiert alles auf einmal. Im Test reichte das Extra agno[ollama] allein nicht, und SQLAlchemy 2.1 installiert greenlet nicht mehr selbst.
  • Installation über pip: Agno ist nicht in den Ubuntu-Paketquellen enthalten. Es wird mit pip in eine virtuelle Umgebung installiert, rund 170 MB.
  • Version: Getestet mit agno 3.0.11, ollama 0.6, openai 3.19 und SQLAlchemy 2.1 unter Python 3.14 aus Ubuntu 26.04.

Installation

1. Paketlisten aktualisieren

Damit apt die aktuellen Versionen kennt.

sudo apt update

2. Unterstützung für virtuelle Umgebungen installieren

Ist das Paket schon vorhanden, meldet apt das nur.

sudo apt install python3-venv

3. Projektordner anlegen

mkdir ~/agent-agno

4. In den Projektordner wechseln

Alle weiteren Befehle werden hier ausgeführt.

cd ~/agent-agno

5. Virtuelle Umgebung anlegen

Legt eine eigene Python-Umgebung für dieses Projekt im Unterordner .venv an. Ubuntu verhindert absichtlich, dass pip Pakete systemweit installiert.

python3 -m venv .venv

6. Virtuelle Umgebung aktivieren

Danach verwenden python und pip die Umgebung. Die Eingabezeile beginnt mit (.venv). In jedem neuen Terminal muss die Umgebung erneut aktiviert werden.

source .venv/bin/activate

7. Agno mit Ollama- und SQLite-Anbindung installieren

  • agno[ollama,openai,sqlite] – Agno samt den Bibliotheken ollama, openai, sqlalchemy und aiosqlite
  • sqlalchemy[asyncio] – ergänzt greenlet, ohne das die SQLite-Speicherung mit einem ImportError abbricht

Die Anführungszeichen verhindern, dass die Shell die eckigen Klammern auswertet.

pip install "agno[ollama,openai,sqlite]" "sqlalchemy[asyncio]"

Prüfen: Die Liste enthält agno 3.0.11 (oder neuer), ollama, openai, SQLAlchemy, aiosqlite und greenlet.

pip list

Beispiel 1: Ein Agent mit Werkzeug

8. Programm anlegen

nano agent.py

Füge diesen Inhalt ein (Strg+Umschalt+V):

from agno.agent import Agent
from agno.models.ollama import Ollama

HAUPTSTAEDTE = {
    "schleswig-holstein": "Kiel",
    "hamburg": "Hamburg",
    "niedersachsen": "Hannover",
    "bayern": "München",
}


def landeshauptstadt(bundesland: str) -> str:
    """Liefert die Landeshauptstadt eines deutschen Bundeslands.

    Args:
        bundesland: Name des Bundeslands, z. B. Bayern.
    """
    return HAUPTSTAEDTE.get(bundesland.lower(), "unbekannt")


agent = Agent(
    model=Ollama(id="qwen3:4b-instruct"),
    instructions="Du beantwortest Fragen zu deutschen Bundesländern kurz auf Deutsch. "
    "Nutze für Landeshauptstädte immer das Werkzeug landeshauptstadt.",
    tools=[landeshauptstadt],
    # Keine Nutzungsdaten an Agno senden
    telemetry=False,
)

agent.print_response("Was ist die Hauptstadt von Schleswig-Holstein und von Bayern?", show_tool_calls=True)
  • Modell: Ollama(id=…) spricht Ollama unter http://localhost:11434 an. Läuft Ollama woanders, gibt man host="http://…" mit.
  • Werkzeug: Jede normale Python-Funktion in tools ist ein Werkzeug. Name, Typangaben und Docstring gehen als Beschreibung an das Modell.
  • Ausgabe: print_response zeigt Frage, Werkzeugaufrufe und Antwort in Kästen im Terminal an. Im eigenen Programm verwendet man stattdessen ergebnis = agent.run("…") und liest die Antwort aus ergebnis.content.

Speichere mit Strg+O und Enter und beende nano mit Strg+X.

9. Programm ausführen

python agent.py

Prüfen: Nach einigen Sekunden erscheinen drei Kästen: „Message“ mit der Frage, „Tool Calls“ mit landeshauptstadt(bundesland=Schleswig-Holstein) und landeshauptstadt(bundesland=Bayern) und „Response“ mit der Antwort:

Die Hauptstadt von Schleswig-Holstein ist Kiel und die Hauptstadt von Bayern ist München.

Beispiel 2: Gedächtnis in einer Datenbank

10. Programm anlegen

Der Agent soll sich an ein Gespräch erinnern, auch wenn das Programm zwischendurch beendet wird. Dafür speichert Agno jede Runde in einer SQLite-Datei. Die Frage kommt als Argument beim Aufruf.

nano gedaechtnis.py

Füge diesen Inhalt ein:

import sys

from agno.agent import Agent
from agno.db.sqlite import SqliteDb
from agno.models.ollama import Ollama

agent = Agent(
    model=Ollama(id="qwen3:4b-instruct"),
    instructions="Du bist ein freundlicher Assistent. Antworte kurz auf Deutsch.",
    # Gespräche und Erinnerungen in einer SQLite-Datei speichern
    db=SqliteDb(db_file="agent.db"),
    user_id="thorsten",
    session_id="erstes-gespraech",
    # Die letzten Runden des Gesprächs bei jeder Frage mitschicken
    add_history_to_context=True,
    num_history_runs=5,
    telemetry=False,
)

frage = " ".join(sys.argv[1:]) or "Hallo!"
agent.print_response(frage)
  • db=SqliteDb(…) – Agno legt die Datei agent.db an und speichert darin Sitzungen und Läufe.
  • user_id und session_id – ordnen das Gespräch einem Benutzer und einer Sitzung zu. Eine andere session_id beginnt ein neues Gespräch.
  • add_history_to_context – schickt die letzten Runden (hier höchstens 5) bei jeder Frage an das Modell mit. Ohne diese Einstellung würde Agno zwar speichern, das Modell sähe den Verlauf aber nicht.

Speichere mit Strg+O und Enter und beende nano mit Strg+X.

11. Etwas erzählen

python gedaechtnis.py Ich heiße Thorsten und wohne in Ahrensburg.

Prüfen: Der Agent begrüßt dich mit Namen. Im Ordner liegt jetzt die Datei agent.db.

12. Nachfragen in einem neuen Aufruf

Das Programm läuft jetzt neu, der Verlauf kommt aus der Datenbank.

python gedaechtnis.py In welchem Bundesland liegt mein Wohnort?
python gedaechtnis.py Wie heiße ich?

Prüfen: Der Agent nennt Schleswig-Holstein und den Namen Thorsten. Kleine Modelle wie qwen3:4b-instruct machen dabei Grammatikfehler („in der Bundesländer“) und hängen gern Emojis an. Löschst du agent.db, hat der Agent alles vergessen.

Wie geht es weiter?

  • Erinnerungen an Benutzer: Mit update_memory_on_run=True legt Agno aus Gesprächen dauerhafte Notizen über den Benutzer an, etwa Vorlieben, und bezieht sie in spätere Sitzungen ein.
  • Wissen: Mit einer Wissensbasis und einer Vektordatenbank wie Qdrant durchsucht ein Agent eigene Dokumente, bevor er antwortet.
  • Teams: Team fasst mehrere Agenten zusammen, die sich Aufgaben teilen.
  • AgentOS: Agno kann Agenten als FastAPI-Webdienst bereitstellen. Die Weboberfläche dazu betreibt der Hersteller unter os.agno.com. Das Befehlszeilenwerkzeug agnoctl verbindet Programmier-Assistenten mit einem laufenden AgentOS.
  • Dokumentation: https://docs.agno.com

Deinstallieren

1. Virtuelle Umgebung verlassen

deactivate

2. Projekt entfernen

Löscht den Projektordner samt virtueller Umgebung und der Datenbank agent.db.

rm -rf ~/agent-agno

3. Zwischenspeicher von pip leeren (optional)

pip bewahrt heruntergeladene Pakete in ~/.cache/pip auf. Der Befehl leert den ganzen Speicher. Das betrifft alle Python-Projekte, die ihre Pakete dann beim nächsten Mal wieder aus dem Internet laden.

pip cache purge

Quellen und Lizenz

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

Open Knowledge (Freies Wissen): Alle Texte stehen unter der freien Lizenz Creative Commons Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 International (CC BY-SA 4.0) und können frei gelesen, geteilt und weiterverarbeitet werden.

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

Open Knowledge (Freies Wissen): Alle Texte stehen unter der freien Lizenz Creative Commons Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 International (CC BY-SA 4.0) und können frei gelesen, geteilt und weiterverarbeitet werden.

Autor: Thorsten · Installationsanleitungen für Ubuntu

Alle Anleitungen ohne Gewähr. Befehle mit sudo verändern das System – vorher lesen, dann ausführen.