Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).
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 mittelemetry=Falseab. Für alle Programme auf einmal geht es mit der UmgebungsvariableAGNO_TELEMETRY=false. - Pakete zusammensuchen: Der Kern
agnobringt die Anbindungen nicht mit. Für Ollama braucht es die Paketeollamaundopenai, für SQLitesqlalchemy,aiosqliteundgreenlet. Schritt 7 installiert alles auf einmal. Im Test reichte das Extraagno[ollama]allein nicht, und SQLAlchemy 2.1 installiertgreenletnicht mehr selbst. - Installation über pip: Agno ist nicht in den Ubuntu-Paketquellen enthalten. Es wird mit
pipin 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 Bibliothekenollama,openai,sqlalchemyundaiosqlitesqlalchemy[asyncio]– ergänztgreenlet, ohne das die SQLite-Speicherung mit einemImportErrorabbricht
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 unterhttp://localhost:11434an. Läuft Ollama woanders, gibt manhost="http://…"mit. - Werkzeug: Jede normale Python-Funktion in
toolsist ein Werkzeug. Name, Typangaben und Docstring gehen als Beschreibung an das Modell. - Ausgabe:
print_responsezeigt Frage, Werkzeugaufrufe und Antwort in Kästen im Terminal an. Im eigenen Programm verwendet man stattdessenergebnis = agent.run("…")und liest die Antwort ausergebnis.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 Dateiagent.dban und speichert darin Sitzungen und Läufe.user_idundsession_id– ordnen das Gespräch einem Benutzer und einer Sitzung zu. Eine anderesession_idbeginnt 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=Truelegt 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:
Teamfasst 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 Befehlszeilenwerkzeugagnoctlverbindet 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
- Offizielle Dokumentation: https://docs.agno.com/
- Lizenz: Agno steht unter der Apache-2.0.
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.