Agno

Agno هو إطار عمل Python مفتوح المصدر لبناء وتشغيل وإدارة أنظمة الذكاء الاصطناعي متعددة الوكلاء. تم إنشاؤه بواسطة Ashpreet Bedi تحت اسم Phidata قبل إعادة تسميته إلى Agno في 29 يناير 2025. أدت إعادة التسمية إلى تحويل هوية المشروع من مكتبة أدوات بيانات عامة إلى بيئة تشغيل مخصصة للوكلاء، مع اسم جديد مستمد من الكلمة اليونانية التي تعني "نقي"، مما يعكس مبدأ تصميم إطار العمل: لا توجد رسوم بيانية، ولا سلاسل، ولا تجريدات معقدة، فقط لغة Python خالصة. اعتباراً من أبريل 2026، حصد المشروع ما يقرب من 40,000 نجمة على GitHub ويصدر تحديثات إصدارات متعددة أسبوعياً. وهو مرخص بموجب Apache 2.0.

يوفر إطار العمل طبقتين رئيسيتين. تتيح مكتبة Python مفتوحة المصدر للمطورين تحديد الوكلاء بذاكرة، وقواعد معرفية، واستدعاء للأدوات، وحواجز حماية، ومدخلات متعددة الوسائط باستخدام واجهة برمجة تطبيقات (API) مبسطة: يتطلب الوكيل الأساسي حوالي خمسة أسطر من كود Python. أما طبقة AgentOS فهي واجهة خلفية FastAPI عديمة الحالة (stateless) تحتوي على أكثر من 50 نقطة نهاية (endpoint)، وبث SSE و WebSocket، وتحكم في الوصول المستند إلى الأدوار عبر JWT، وعزل الجلسات متعددة المستأجرين، وتتبع OpenTelemetry. يمكن نشر AgentOS على Docker أو Railway أو AWS أو GCP، ويوفر واجهات لـ Slack و Telegram و Discord و WhatsApp. تشمل النماذج المدعومة كل مزود رئيسي: OpenAI و Anthropic و Gemini و Mistral و Groq، والنماذج المحلية عبر Ollama، وأي نقطة نهاية متوافقة مع OpenAI.

ما الذي يفعله Agno فعلياً في أبريل 2026

في جوهره، يُشغّل Agno حلقة تفكير منطقي: يتلقى الوكيل مهمة، ويقرر الإجراء الذي يجب اتخاذه (استدعاء أداة، أو الاستعلام من قاعدة معرفية، أو تفويض وكيل فرعي)، وينفذ الإجراء، ويراقب النتيجة، ثم يكرر العملية حتى تكتمل المهمة أو يتم الوصول إلى الحد الأقصى للخطوات. يحدد المطورون الوكلاء باستخدام فئات Python عادية مع وظائف أدوات محددة النوع. يتعامل Agno مع هندسة التلقين (prompt engineering)، والبث، وتوجيه الأدوات، واستمرارية الجلسة تلقائياً. على عكس LangGraph، لا توجد حاجة لتحديد مخطط حالة مسبقاً أو رسم رسم بياني موجه قبل تشغيل وكيلك الأول.

تُعد فرق الوكلاء ميزة أساسية. يمكن للوكيل القائد تفويض المهام إلى وكلاء فرعيين متخصصين، لكل منهم نموذجه وأدواته ومصادر معرفته الخاصة. يستخدم تنسيق الفريق البث غير المتزامن (async streaming)، بحيث يعمل الوكلاء الفرعيون بشكل متزامن ويبثون النتائج مرة أخرى إلى قائد الفريق. قدم إعلان إعادة التسمية في يناير 2025 وخارطة الطريق اللاحقة مسارات عمل الموافقة التي تتضمن تدخلاً بشرياً (HITL)، والتي أصبحت ميزة إنتاجية في سلسلة إصدارات 2.5.x، استجابةً مباشرة لطلبات المجتمع. يتيح نظام HITL للمراجعين البشريين الموافقة على إجراءات الوكيل قبل التنفيذ، وهو أمر بالغ الأهمية لأي وكيل لديه صلاحية الكتابة في أنظمة خارجية مثل Jira أو Salesforce أو البريد الإلكتروني.

يُعد نظام القاعدة المعرفية أحد أبرز نقاط قوة Agno. يتضمن إطار العمل تكاملات من الدرجة الأولى لمستندات PDF، وقواعد البيانات، وواجهات برمجة التطبيقات (APIs)، ومخازن المتجهات (PgVector و Qdrant و Weaviate و Milvus و Pinecone)، مع إمكانات مدمجة للتقسيم (chunking) والتضمين (embedding) والاسترجاع. هذا يجعل Agno خياراً طبيعياً لأنظمة RAG القائمة على الوكلاء: مثل البحث في المستندات القانونية، أو تحليل التقارير المالية، أو استرجاع المعرفة الطبية، أو تجميع الأبحاث الأكاديمية. على عكس أطر العمل التي يتم فيها إضافة الاسترجاع كأداة منفصلة، يتعامل Agno مع القاعدة المعرفية كجزء أصيل من بنية الوكيل. غالباً ما يدمج المطورون Agno مع LlamaIndex لمسارات معالجة مستندات أكثر تقدماً، أو مع أدوات LangChain، والتي يقبلها Agno بشكل أصلي.

قدم الإصدار 2.6.0 (23 أبريل 2025) دعماً لأطر عمل متعددة، مما يسمح للمطورين بتغليف الوكلاء الحاليين المبنيين في LangGraph أو DSPy داخل بيئة تشغيل AgentOS الخاصة بـ Agno. أضاف نفس الإصدار مجموعة أدوات Workspace التي تمنح الوكلاء صلاحية القراءة/الكتابة على الجهاز المحلي والوصول إلى سطر الأوامر (shell) مع بوابات تأكيد تتطلب تدخلاً بشرياً، بالإضافة إلى واجهة برمجة تطبيقات "Factories" لإنشاء الوكلاء ديناميكياً على نطاق واسع. بحلول الإصدار v2.6.4 (28 أبريل 2026)، دمجت المنصة WikiContextProvider، وأدوات Salesforce CRM، ومعالجة مستندات Docling، ودعم النماذج الاحتياطية، حيث يتحول الوكيل تلقائياً إلى نموذج احتياطي إذا أرجع المزود الأساسي أخطاء.

"أنا أحب Agno. إنه سهل الاستخدام لدرجة أنني، على الرغم من معرفتي البرمجية المحدودة، تمكنت من بناء وكلاء أقوياء. لقد نجحت في بناء مُنشئ RSA ووكيل لـ Google Ads." - Alfred Simon، Product Hunt، أبريل 2025

موقع Agno مقارنةً بـ CrewAI و LangGraph

أطر العمل الثلاثة الأكثر مقارنةً بـ Agno هي CrewAI، و LangGraph، وبدرجة أقل smolagents و Mastra. يمثل كل منها فلسفة معمارية مختلفة لأنظمة الوكلاء المتعددين.

يستخدم CrewAI تجريداً قائماً على الأدوار. يتم تعيين دور وهدف وخلفية درامية للوكلاء، ويعملون ضمن "طاقم" ينفذ المهام بشكل تسلسلي أو هرمي. هذه الاستعارة تجعل النموذج الأولي يعمل بسرعة؛ يُشار باستمرار إلى CrewAI باعتباره المسار الأقل تعقيداً للوصول إلى سير عمل تجاري فعال. نموذج الذاكرة الخاص به ثلاثي الطبقات: ذاكرة قصيرة المدى مشتركة بين جميع الوكلاء في تشغيل واحد، وذاكرة طويلة المدى مخزنة في قاعدة بيانات SQLite محلية، وذاكرة كيانات تتتبع موضوعات محددة عبر الجلسات. المقايضة هنا هي أن تصميم CrewAI الصارم يصبح مقيداً مع نمو المتطلبات؛ حيث تبلغ الفرق بانتظام عن الاصطدام بهذا السقف بعد 6-12 شهراً من الإنتاج، مما يتطلب إعادة كتابة الكود باستخدام إطار عمل أكثر مرونة. يتجنب Agno هذا السقف من خلال الحفاظ على أساسياته في مستوى أدنى، ولكن هذا يعني المزيد من الربط اليدوي لحالات الاستخدام البسيطة. من حيث عدد النجوم، يتصدر CrewAI بحوالي 44,300 نجمة مقابل 40,000 لـ Agno، لكن 5.2 مليون تنزيل شهري على PyPI لـ CrewAI مقابل قاعدة تنزيلات Agno الأصغر بكثير يشير إلى أن CrewAI لا يزال يمتلك عمليات نشر إنتاجية أكثر نشاطاً.

يُعد LangGraph الرائد في الاستخدام الإنتاجي من حيث حجم التنزيلات الخام، بحوالي 34.5 مليون تنزيل شهري على PyPI. تجبر بنيته القائمة على الرسم البياني الموجه المطورين على تحديد كل انتقال حالة كحافة مسماة، مع مخططات حالة صريحة واستمرارية محددة النوع. تؤتي هذه الإجراءات ثمارها في مسارات العمل المعقدة: منطق التفرع، ومعالجة إعادة المحاولة، ونقاط الحفظ في منتصف التشغيل، وبوابات الموافقة التي تتطلب تدخلاً بشرياً، كلها ميزات أساسية. عيب LangGraph هو منحنى التعلم الأكثر حدة، حيث يلاحظ النقاد الوثائق المجزأة والتعقيد الموروث من نظام LangChain البيئي. يتطلب سير عمل LangGraph الأساسي أكثر من 60 سطراً من التعليمات البرمجية مقارنة بخمسة أسطر في Agno. فيما يتعلق بسرعة التهيئة، تُظهر معايير Agno أنه أسرع بـ 529 مرة من LangGraph، وهو أمر مهم عند إنشاء مئات الوكلاء قصار العمر في الثانية. كما أن LangGraph أثقل بكثير في استهلاك الذاكرة لكل مثيل وكيل. بالنسبة للفرق التي تحتاج إلى تحكم دقيق على مستوى الرسم البياني في مسارات العمل طويلة الأمد ذات الحالة (stateful)، يظل LangGraph الخيار الإنتاجي الأكثر أماناً. أما بالنسبة للفرق التي تبني وكلاء يعتمدون بكثافة على المعرفة ويحتاجون إلى نماذج أولية سريعة ولا يتطلبون آلات حالة صريحة، فإن Agno يُعد خياراً أكثر سلاسة.

مقارنةً بـ smolagents (إطار عمل Hugging Face المبسط الذي يركز على الكود أولاً)، يُعد Agno أكثر صرامة فيما يتعلق بطبقة بيئة التشغيل الإنتاجية ولكنه أقل صرامة بشأن نموذج عمل الوكيل. يُنشئ smolagents كود Python كإجراءات؛ بينما يستخدم Agno استدعاء الأدوات القياسي مع توجيه JSON. يحافظ smolagents على نواته بالكامل في حوالي 1,000 سطر وهو غير مقيد عمداً بشأن النشر، في حين يوفر Agno حزمة إنتاجية كاملة. مقارنةً بـ AutoGen (إطار عمل Microsoft متعدد الوكلاء القائم على المحادثة)، يُعد نموذج ذاكرة الجلسة في Agno أكثر تنظيماً ولكن AutoGen يمتلك مجتمعاً بحثياً أكبر وسجلاً أطول في المعايير الأكاديمية. يختلف نموذج تمرير الرسائل في AutoGen، حيث يتناوب الوكلاء على المساهمة في سلاسل المحادثات، اختلافاً جوهرياً عن نموذج توجيه الأدوات في Agno؛ فكلاهما يحل مشاكل متداخلة ولكنها متميزة.

"Agno خفيف الوزن وسريع. إنه لا يجبرك على بنية رسم بياني ثقيلة عندما تحتاج فقط إلى وكيل ذكي." - نظرة عامة لمطور تم الاستشهاد بها في بحث مقارنة أطر العمل، 2025

كيف يبدو واقع حلقة الوكيل

من الناحية العملية، يبدأ البناء باستخدام Agno بتثبيت الحزمة وتحديد الأدوات كوظائف Python محددة النوع. يستنتج إطار العمل مخطط الأداة من التعليقات التوضيحية للأنواع. تعني إضافة الذاكرة تمرير مخزن ذاكرة (SQLite أو PostgreSQL أو MongoDB) إلى مُنشئ الوكيل (Agent constructor). وتعني إضافة قاعدة معرفية توجيه الوكيل إلى مخزن متجهات واستدعاء agent.knowledge.load(). تُظهر لوحة معلومات المراقبة في app.agno.com كل عملية تشغيل، وكل استدعاء أداة، وكل عدد رموز (token count)، وكل استجابة نموذج في الوقت الفعلي. بالنسبة للتطوير المحلي، تُشغّل بيئة الاختبار المدمجة واجهة Next.js على المضيف المحلي (localhost) تتيح لك الدردشة مع أي وكيل وفحص خطوات تفكيره المنطقي.

تُعد زاوية المراقبة أكثر أهمية مما توحي به النصوص التسويقية. يتم تسجيل كل عملية تشغيل للوكيل مع تتبعات كاملة لاستدعاء الأدوات، وزمن الانتقال لكل خطوة، وعدد الرموز لكل استدعاء نموذج، والمدخلات والمخرجات الدقيقة التي يتم تمريرها بين الوكلاء في الفريق. عندما يحدث خطأ ما في مسار عمل متعدد الوكلاء (وسيحدث ذلك أثناء التطوير)، تُظهر لك لوحة التحكم بالضبط أي وكيل اتخذ القرار الخاطئ وما هو السياق الذي كان يعمل به. يختلف هذا نوعياً عن تصحيح الأخطاء عن طريق قراءة عبارات الطباعة (print statements) في سير عمل LangChain. تفيد الفرق التي تبني وكلاء داخليين للشؤون المالية أو القانونية أو العمليات أن طبقة قابلية المراقبة هذه وحدها تبرر اعتماد Agno بدلاً من بناء نظام التنسيق الخاص بهم.

يستحق سير عمل HITL ذكراً خاصاً لأنه الميزة الأكثر طلباً قبل إطلاقها. عندما يكون الوكيل على وشك استدعاء أداة إتلافية (مثل إرسال بريد إلكتروني، أو إنشاء تذكرة Jira، أو تعديل سجل قاعدة بيانات)، يتوقف التشغيل مؤقتاً ويُظهر طلب موافقة من خلال واجهة برمجة تطبيقات AgentOS. يوافق الإنسان أو يرفض. ثم يستأنف الوكيل عمله أو يُنهيه بشكل نظيف. تم دمج هذا النمط الآن في كل من الوكلاء الفرديين وفرق الوكلاء، على الرغم من أن مناقشات المجتمع تُظهر أن الموافقات المتوقفة مؤقتاً والمتزامنة عبر أعضاء فريق متعددين يمكن أن تتسبب في حالة توقف تام (deadlock) إذا لم يتم تصميمها بعناية.

يعالج دعم النماذج الاحتياطية الذي تمت إضافته في الإصدار v2.5.14 (أبريل 2025) نقطة ألم حقيقية في الإنتاج: إذا تعطل مزود النموذج الأساسي الخاص بك (على سبيل المثال، OpenAI) في منتصف التشغيل، يتحول الوكيل تلقائياً إلى نموذج احتياطي محدد. هذا هو نوع الميزات التشغيلية التي تفصل أطر العمل المصممة للإنتاج عن تلك المصممة للعروض التوضيحية.

لمن تم بناء Agno

يناسب Agno مطوري Python الذين يبنون وكلاء يعتمدون بكثافة على المعرفة حيث تكون المهمة الأساسية هي التفكير المنطقي عبر مجموعات مستندات كبيرة ومنظمة: مثل البحث القانوني، والتحليل المالي، واسترجاع المستندات الطبية، وإدارة المعرفة المؤسسية، ودعم العملاء مع تكامل عميق مع أنظمة إدارة علاقات العملاء (CRM). البنية المستقلة عن النماذج تجعله خياراً منطقياً للفرق التي لا تستطيع تحمل قيود الاحتكار الخاصة بـ OpenAI، أو التي ترغب في تشغيل الاستدلال على نماذج محلية لأسباب تتعلق بالخصوصية أو التكلفة.

إنه مناسب جداً للفرق الهندسية التي ترغب في إنشاء نماذج أولية بسرعة ثم نشرها على بنيتها التحتية الخاصة مع قابلية مراقبة حقيقية. قصة نشر AgentOS المكونة من 20 سطراً من التعليمات البرمجية حقيقية: ستحصل على واجهة خلفية FastAPI مع أكثر من 50 نقطة نهاية، وإدارة الجلسات، والمصادقة، ولوحة تحكم دون كتابة تلك البنية التحتية بنفسك.

لا يُعد Agno الأداة المناسبة للفرق التي تحتاج إلى تحكم على مستوى الرسم البياني في آلات الحالة المعقدة مع منطق التفرع، ودلالات إعادة المحاولة، ونقاط الحفظ الصريحة. يتعامل LangGraph مع هذه المتطلبات بشكل أفضل. كما أنه غير مصمم للمستخدمين غير التقنيين الذين يبنون وكلاء من خلال واجهة مرئية؛ فعلى الرغم من "Agent Studio" المذكور في إعلان يناير 2025، يظل إطار العمل يعتمد على الكود أولاً. يجب على الفرق الحساسة لتغيرات التبعيات ملاحظة أن وتيرة الإصدارات سريعة جداً، مع إصدارات متعددة أسبوعياً، وقد ظهرت تغييرات جذرية (breaking changes) في استيرادات إعادة الترتيب (reranker)، وتوافق a2a-sdk، وترقيات واجهة برمجة تطبيقات الذاكرة.

بالنسبة للمطورين الذين يستكشفون هذا المجال جنباً إلى جنب مع Agno، يظل LangChain هو النظام البيئي الذي يتمتع بأكبر اتساع في الأدوات، بينما يقدم LlamaIndex خيارات أعمق لاستيعاب المستندات والتي تتوافق بشكل جيد مع طبقة القاعدة المعرفية في Agno.