Agno — фреймворк и рантайм для агентных платформ на Python

Agno — это Python-фреймворк и рантайм для создания агентных платформ. Проект развивает компания Agno, у репозитория более 42 тысяч звёзд на GitHub. Лицензия — Apache 2.0. Идея простая: не только помочь написать агента, но и дать готовую инфраструктуру, чтобы запускать его как сервис и управлять всем через веб-интерфейс.

Зачем нужен ещё один агентный фреймворк

Авторы Agno формулируют проблему так: каждая компания, которая строит агентов, заново собирает одну и ту же систему. Нужен сервер для запуска агентов — в обычном, потоковом или фоновом режиме. Нужна база данных для сессий, запусков, трассировок и памяти. Нужны аутентификация и разграничение прав через JWT или сервисные токены. Всё это вместе называется агентной платформой.

Agno предлагает собрать эту основу один раз. Дальше каждый новый агент просто подключается к готовому рантайму, хранилищу и коннекторам. Причём всю платформу можно доверить собрать кодинг-агенту — об этом ниже.

Из чего состоит стек

В составе Agno три части:

• Agno SDK — Python-библиотека для описания агентов. Задаёте модель, инструкции, инструменты и память.
• AgentOS — рантайм. Он превращает агентов в работающий сервис с REST API, поддержкой SSE и websockets.
• Control Plane — веб-консоль на os.agno.com. Через неё можно общаться с агентами и смотреть их сессии, трассировки, память и знания.

Главный принцип проекта — владение своим стеком. Данные, память и трассировки лежат в вашей базе данных, а не в облаке вендора. Безопасность построена на JWT и RBAC, есть изоляция пользователей и тенантов.

Быстрый старт: платформу собирает кодинг-агент

Самый быстрый путь описан в README: скопируйте промпт и отдайте его Claude Code, Cursor или Codex.

Help me set up my agent platform.

Clone https://github.com/agno-agi/agentos-railway into a folder called
agent-platform, cd in, read the README, and follow the get started guide.

Кодинг-агент сам склонирует шаблон, развернёт платформу локально через Docker и проверит, что всё работает. На выходе вы получите REST API для агентов, базу Postgres для данных и трассировок, MCP-сервер и панель управления.

Деплоиться не обязательно на Railway. Шаблоны одинаковые, отличаются только скриптами развёртывания. Есть варианты под Docker, AWS, GCP, Azure, Fly, Render, Modal и Kubernetes через Helm. Достаточно поменять репозиторий в промпте.

Первый агент своими руками

Если хочется разобраться самому, начните с руководства в документации. Понадобятся менеджер пакетов uv и API-ключ OpenAI.

mkdir personal_agent && cd personal_agent
uv init --bare --python 3.14
uv add "agno[os,sqlite]" openai
export OPENAI_API_KEY="your-openai-api-key"

Вот компактная версия агента из туториала. Он ведёт личные заметки пользователя: проекты, задачи и решения. Заметки хранятся в файлах, а история разговоров — в SQLite.

from agno.agent import Agent
from agno.db.sqlite import SqliteDb
from agno.fs import FileSystem
from agno.os import AgentOS

db = SqliteDb(db_file="personal_agent.db")
fs = FileSystem(db, namespace="personal-agent/{user_id}")

agent = Agent(
    name="Pip",
    model="openai:gpt-5.6",
    db=db,
    tools=[fs.tools()],
    instructions=[fs.instructions()],
    add_history_to_context=True,
    add_datetime_to_context=True,
)

agent_os = AgentOS(agents=[agent], db=db, tracing=True)
app = agent_os.get_app()

if __name__ == "__main__":
    agent_os.serve(app="personal_agent:app", reload=True)

Запуск занимает одну команду:

uv run personal_agent.py

Агент поднимется на http://localhost:7777. По адресу /docs откроется описание API. Дальше можно подключить Control Plane: на os.agno.com нажмите Connect Existing OS и укажите локальный адрес. Консоль работает из браузера и соединяется с локальным сервисом напрямую. В ней видно сессии, трассировки и вызовы инструментов. Все данные при этом остаются на вашей машине.

Обратите внимание на namespace personal-agent/{user_id}. Он даёт каждому пользователю отдельное файловое пространство. Личность пользователя приходит в запуск через AgentOS.

Ключевые возможности

Полный список возможностей Agno выглядит так:

Отдельно стоит выделить интерфейсы. Один и тот же агент можно открыть в мессенджере, не пиша интеграцию самостоятельно. Поддержка AG-UI даёт готовый протокол для веб-интерфейсов, а A2A — для общения агентов между собой.

Как дать кодинг-агенту доступ к документации

Agno рассчитан на совместную работу с кодинг-агентами. Есть два способа подключить документацию.

Первый и рекомендуемый — добавить документацию как MCP-сервер. Укажите в своём агенте адрес docs.agno.com/mcp. Второй — добавить документы как индексируемый источник. В Cursor это Settings → Indexing & Docs → Add https://docs.agno.com/llms-full.txt. Тот же файл работает в VSCode, Windsurf и других редакторах. Полный гайд лежит на странице Using Coding Agents.

Логика замкнутая: кодинг-агент собирает платформу, читает документацию Agno через MCP, создаёт и улучшает агентов, а платформа хранит его трассировки и результаты evals. Код, логи, тесты и конфигурация живут в одном месте.

Учебный контур

В документации есть и пошаговый план сборки платформы руками: локальный запуск на Docker, создание агента через Claude Code, улучшение агента по логам контейнера, деплой на Railway с включённой аутентификацией и настройка evals. Eval-тесты фиксируют поведение агента и работают как регрессионные проверки. После смены промпта или модели сразу видно, что изменилось и что сломалось.

В README этот подход назван learning loop. Платформа накапливает трассировки, результаты evals и статистику использования. Эти данные снова отдаются кодинг-агенту, и на их основе он делает следующих агентов лучше.

Данные и телеметрия

Agno присылает один telemetry-ивент на каждый запуск агента. Так разработчики узнают, какие провайдеры моделей популярнее. Промпты, сообщения и ответы не отправляются. Телеметрию можно отключить переменной окружения AGNO_TELEMETRY=false.

Резюме

Agno занимает заметную нишу: он закрывает не только слой написания агентов, но и их эксплуатацию. Проект на Python, 42 тысячи звёзд, лицензия Apache 2.0, активное сообщество и вклад в развитие описаны в contributing-гайде.

Фреймворк стоит попробовать, если вы переросли скрипты с одним агентом и хотите полноценную платформу: API, хранилище, права доступа и наблюдаемость в одном рантайме. Быстрее всего — отдать промпт из README своему кодинг-агенту и через десять минут получить работающую платформу локально.