Phidata 和 Agno 是什么关系？

同一项目的两个名字。2025 年初 phidata 整体更名为 Agno，代码库迁至 agno-agi/agno，旧地址自动跳转；新项目应直接安装 agno 包，旧 phidata 包仅作历史兼容看待。

Agno 是免费的吗？商业化部分是什么？

核心框架按 Apache-2.0 协议完全开源，自托管没有授权费；商业模式聚焦企业级托管与增值能力。个人与中小团队可免费用框架层、基础设施自理。

Agno 和 LangChain、CrewAI 相比应该怎么选？

关键看是否需要运行时：纯编排原型三家都胜任；若要把智能体当长期在线服务运维，涉及鉴权、多租户、追踪审计与人工审批，Agno 出厂即含这些能力，另两家需自行拼装。

Agno 必须搭配 OpenAI 模型吗？能用本地模型吗？

不绑定单一厂商。官方适配覆盖 Anthropic、Google、Mistral、Groq、Ollama、vLLM 等数十种模型源；本地推理可用 Ollama 或 LM Studio，国产模型一般经 LiteLLM 或 OpenAI 兼容网关接入。

Agno 宣传的微秒级实例化性能可信吗？

数字出自官方基准，方向上可信，其实例路径确实做得极轻；但真实延迟大头通常在模型推理与网络往返，建议用自己的业务负载实测后再做架构决策。

Φ→A Phidata / Agno Python开源智能体运行时 访问官网 ↗

AGENT STACK 观察 · 第 07 篇

Phidata 改名 Agno 之后：拆解 41.9k 星标 Python 智能体框架的三层架构野心

在 GitHub 搜索 phidata，你会被带到一个叫 agno-agi/agno 的仓库——这不是搜索出了错，而是这个项目两年里最关键的一次转身。Phidata 是一个用 Python 构建 AI 智能体的开源框架，靠「给大模型配上工具、知识与记忆」这套简洁抽象在开发者社区迅速蹿红；2025 年初，项目整体更名为 Agno，并从单一框架升级为「框架 + 运行时 + 控制台」的完整智能体平台方案^[1]。截至本文定稿，其主仓库星标已突破 4.1 万、复刻数接近六千^[1]，新一代 agno 3.0.0 也已于 2026 年 8 月 24 日登陆 PyPI^[3]。

这篇长文不复述官方 README，而是回答三个更实际的问题：这次改名到底改掉了什么？三层架构分别替工程师省了哪些事？以及，当团队在 Agno、LangChain 与 CrewAI 之间摇摆时，什么信号出现才值得押注前者。

演进主线：五个决定命运的时间节点

理解 Agno 的最好方式不是读功能列表，而是看它在几个关键路口怎么选的。下面这条时间线上的每个日期都能在公开记录里对上号。

更名之前
以 phidata 之名起步：切入点非常朴素——让大模型能调用数据源和外部工具，做一个「懂数据的助手」。围绕 Agent 单一抽象快速迭代，官方食谱（cookbook）里沉淀了大量即取即用的范例，这也是它早期圈粉的核心资产。
2024 年 8 月
第一笔像样的弹药：据 Dealroom 公司档案收录的记录，公司此间完成一笔约 540 万美元的融资^[4]；Crunchbase 收录的投资方名单里则能看到 Surface Ventures（领投）、GreatPoint Ventures 与 Zero Prime Ventures 的身影^[5]。
2025 年初
改名时刻：PyPI 上 agno 包的首批版本于 1 月底上线，代码库整体迁往 agno-agi 组织，phidatahq/phidata 从此永久跳转到新地址^[3]。创始团队（创始人 Ashpreet Bedi^[4]）把叙事从「帮你造智能体」切换成了「帮你运营智能体平台」。
2025 年 9 月
agno 2.0.0 发布：AgentOS 运行时概念正式登场，框架层重写为更声明式的风格，各家模型的客户端类统一收拢进 agno.models 命名空间^[3]。这一版的 API 断裂面很大，也埋下了后来社区吐槽升级成本的伏笔。
2026 年 8 月
进入平台化阶段：agno 3.0.0 于 8 月 24 日发布，安装包体积约 3.7 MB，附带密密麻麻的可选依赖组——从各家模型厂商到向量数据库、可观测性方案几乎全覆盖^[3]。同月，主仓库星标站上 4.1 万台阶^[1]。

三层底盘：SDK、AgentOS 与控制台各管一段

官方文档把产品切成三层，这个切法比大多数「框架」竞品都更接近操作系统的思路——每一层都可以单独替换或自建^[2]。

L1SDK 构建层

Agent、Team、Workflow 三种核心抽象覆盖单兵、编队与流程三类场景；记忆、知识库、护栏（guardrails）与 100 多个预置工具包（GitHub、Slack、Postgres、金融数据等）都在这一层组装^[2]。工具以函数装饰器的姿势挂载，写起来接近 FastAPI 的体验。

L2AgentOS 运行时

把你写好的智能体跑成一个无状态的 FastAPI 服务：50 多个 REST 端点开箱即用，流式输出走 SSE 与 WebSocket；会话、记忆与追踪数据写进你自己的 Postgres，而不是某个 SaaS 的黑盒；运行时还顺手内置了一个 MCP server^[2]^[6]。

L3Control Plane 控制台

配套的 Web UI 用来盯会话、追踪、内存与用量数据，配合模拟（simulation）与真实使用反馈，把智能体平台变成一条「学习回路」。官方明确强调：数据、内存与安全边界（JWT 鉴权 + RBAC）都留在你自己的栈里^[1]。

生产 API50+ 端点，SSE 与 WebSocket 双通道流式
自有存储会话、记忆、知识、追踪全部落自家数据库
集成工具包GitHub、Slack、Postgres、yfinance 等 100+
上下文提供器接 Slack、Drive、Wiki、MCP 等实时数据源
人工审批运行中途暂停等确认，高危工具需管理员放行
可观测性OpenTelemetry 追踪、运行历史与审计日志^[9]
安全基座JWT + RBAC，多用户、多租户隔离开箱即用
全渠道接口Slack、Telegram、WhatsApp、Discord、AG-UI、A2A
定时任务内置 cron 调度与后台作业，零额外基建
部署自由Docker、Railway、AWS、GCP、Fly、Render、Modal、Helm 任挑^[2]

动手验证：二十行代码跑通第一个智能体

官方文档宣称「20 行代码构建你的第一个智能体」^[2]，下面这段是最接近 phidata 时代教科书案例的现代写法——一个会查股价的分析助手：

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.yfinance import YFinanceTools

agent = Agent(
    model=OpenAIChat(id="gpt-4o-mini"),
    tools=[YFinanceTools(stock_price=True)],
    markdown=True,
)
agent.print_response("特斯拉现在的股价是多少？", stream=True)

三处细节值得一提。其一，模型类从 agno.models 导入是 2.0 之后的规矩，网上大量旧教程还在用 phi. 前缀，照抄必报错。其二，工具包按需安装对应的 extras（比如金融数据组），不必吞下全家桶。其三，协议侧它既能消费外部的 MCP server，也能把自己暴露成 MCP 服务，接入 Claude Desktop 或 Cursor 这类宿主时几乎是声明式的^[7]。模型选择上也相当开放：Anthropic、Google、Mistral、Groq、Ollama、vLLM 等几十个模型源都有官方适配组，国产模型通常经由 LiteLLM 或兼容 OpenAI 接口的网关即可接入^[3]。

同类横评：它在坐标系里的真实位置

维度	Agno	LangChain / LangGraph	CrewAI
技术栈	Python 优先，运行时一体	Python / JS 双线，生态最大	Python，角色化抽象
核心心智	智能体即服务，附操作系统式运行时	链与图的编排，积木最多	一支角色分工的「船员」小队
生产运行时	内置：REST 端点、鉴权、追踪、控制台齐备	依赖 LangServe 及周边拼装	需自行补齐部署与观测设施
性能取向	主打轻量实例化与低资源占用（官方口径）	功能全但抽象层次多、栈偏重	上手快，规模上去后要看调优
更适合谁	要把智能体当长期在线服务运维的工程团队	需要海量现成集成与链式自由的团队	想几天内验证多角色协作玩法的团队

一句话总结选型逻辑：如果你只是做原型演示，三家差距不大；一旦需求里出现「租户」「审计」「灰度」「值班告警」这类词，Agno 的三层底盘就开始兑现价值——因为它从一开始就是按「运行别人家的生产负载」设计的，而不是按「跑通一个 demo」设计的^[2]。

升级与避坑：改名潮里的四个现实问题

两个包千万别混装：PyPI 上 phidata 与 agno 同时存在，旧教程 import phi、新教程 import agno，环境里同时残留两者会出现各种难查的导入冲突。升级第一步永远是干净卸载旧包再装新包。
大版本破坏性变更是常态：1.x 到 2.x 挪了模型类的位置，2.x 到 3.x 又调整了运行时接口。生产环境务必锁定版本、读 changelog、留回归测试，别追着 latest 标签自动升级。
默认开启遥测：每次智能体运行会上报一条遥测事件用于改进模型优先级，官方声明提示词与输出内容不在上报范围；合规敏感的环境请直接设置 AGNO_TELEMETRY=false 关闭^[1]。
性能数字别照单全收：微秒级实例化、极低内存这类宣传口径来自官方基准测试，方向上可信（确实轻量），但真实收益高度依赖你的负载形态。拿自己最典型的任务压测一遍，再做架构决策。

高频问答

Phidata 和 Agno 到底是什么关系？老项目还维护吗？

同一项目的两个名字。2025 年初 phidata 整体更名为 Agno，代码库迁至 agno-agi/agno，旧地址会自动跳转过去^[1]。开发火力已全面转向 agno 包，新项目请直接安装 agno，旧 phidata 包仅作历史兼容看待。

它是免费的吗？商业化部分藏在哪？

核心框架按 Apache-2.0 协议完全开源，自托管没有任何授权费^[8]。商业模式聚焦在企业级托管与增值能力上；对个人与中小团队而言，典型姿势是免费用框架层、基础设施自理，成本主要落在模型调用与大促期间的算力账单。

和 LangChain、CrewAI 相比应该怎么选？

判断标准就一条：要不要「运行时」。纯做编排原型，三家都胜任；一旦要把智能体当长期在线服务运维——涉及鉴权、多租户、追踪审计、人工审批——Agno 这些都是出厂件，另两家则需要围绕框架自行拼装运维设施^[2]。

必须用 OpenAI 的模型吗？本地模型行不行？

不绑定任何单一厂商。官方可选依赖覆盖 Anthropic、Google、Mistral、Groq、Ollama、vLLM、AWS Bedrock、Azure 等数十种模型源^[3]；本地推理用 Ollama 或 LM Studio 即可离线跑，国产模型一般通过 LiteLLM 或 OpenAI 兼容网关接入。

宣传中的微秒级性能优势可信吗？

数字出自官方基准，量级上有参考意义——它的实例路径确实刻意做得极轻。但你真实的延迟大头几乎总在模型推理与网络往返上，框架开销占比很小；建议用自己的业务负载实测，别让营销数字替你做决策。

部署到自己的服务器复杂吗？

不复杂。AgentOS 本质是一个 FastAPI 应用^[6]，官方为 Docker、Railway、AWS、GCP、Azure、Fly、Render、Modal、Kubernetes 各准备了启动模板，模板之间只差部署脚本；有容器经验的团队半天内可以打通最小闭环^[2]。

参考资料

来源：GitHub 官方仓库 agno-agi/agno（原 phidatahq/phidata，含 README 与许可证）： https://github.com/agno-agi/agno
来源：Agno 官方文档（SDK、AgentOS 运行时与部署指南）： https://docs.agno.com
来源：PyPI · agno 发行页（版本历史、依赖组与 Python 版本要求）： https://pypi.org/project/agno/
来源：Dealroom · Phidata/Agno 公司档案（融资记录与创始团队）： https://app.dealroom.co/companies/phidata
来源：Crunchbase · Agno 公司档案（种子轮投资方信息）： https://www.crunchbase.com/organization/phidata
来源：FastAPI 官方文档（AgentOS 运行时所基于的 Web 框架）： https://fastapi.tiangolo.com/
来源：Model Context Protocol 官方站点（MCP 协议规范）： https://modelcontextprotocol.io
来源：Apache Software Foundation · Apache-2.0 许可证全文： https://www.apache.org/licenses/LICENSE-2.0
来源：OpenTelemetry 官方站点（可观测性行业标准）： https://opentelemetry.io