Agno

Agno est un framework Python open-source conçu pour créer, exécuter et gérer des systèmes d'IA multi-agents. Il a été créé par Ashpreet Bedi sous le nom de Phidata avant d'être rebaptisé Agno le 29 janvier 2025. Ce changement de nom a fait évoluer l'identité du projet, passant d'une bibliothèque d'outils de données généraliste à un environnement d'exécution agentique dédié, avec un nouveau nom tiré du mot grec signifiant « pur », reflétant le principe de conception du framework : pas de graphes, pas de chaînes, pas d'abstractions complexes, juste du Python pur. En avril 2026, le projet compte près de 40 000 étoiles sur GitHub et publie plusieurs mises à jour par semaine. Il est sous licence Apache 2.0.

Le framework propose deux couches principales. La bibliothèque Python open-source permet aux développeurs de définir des agents dotés de mémoire, de bases de connaissances, d'appels d'outils, de garde-fous et d'entrées multimodales à l'aide d'une API minimaliste : un agent de base nécessite environ cinq lignes de Python. La couche AgentOS est un backend FastAPI sans état (stateless) comprenant plus de 50 points de terminaison, le streaming SSE et WebSocket, un contrôle d'accès basé sur les rôles par JWT, une isolation des sessions multi-locataires et le traçage OpenTelemetry. AgentOS se déploie sur Docker, Railway, AWS ou GCP et expose des interfaces pour Slack, Telegram, Discord et WhatsApp. Les modèles pris en charge incluent tous les fournisseurs majeurs : OpenAI, Anthropic, Gemini, Mistral, Groq, des modèles locaux via Ollama, ainsi que tout point de terminaison compatible avec OpenAI.

Ce que fait réellement Agno en avril 2026

Fondamentalement, Agno exécute une boucle de raisonnement : l'agent reçoit une tâche, décide de l'action à entreprendre (appeler un outil, interroger une base de connaissances, déléguer à un sous-agent), exécute l'action, observe le résultat et répète l'opération jusqu'à ce que la tâche soit terminée ou qu'une limite d'étapes soit atteinte. Les développeurs définissent les agents à l'aide de classes Python standard avec des fonctions d'outils typées. Agno gère automatiquement l'ingénierie des prompts, le streaming, la distribution des outils et la persistance des sessions. Contrairement à LangGraph, il n'est pas nécessaire de prédéfinir un schéma d'état ou de dessiner un graphe orienté avant d'exécuter votre premier agent.

Les équipes d'agents constituent une fonctionnalité de premier plan. Un agent principal peut déléguer des tâches à des sous-agents spécialisés, chacun disposant de son propre modèle, de ses outils et de ses sources de connaissances. La coordination de l'équipe utilise le streaming asynchrone, de sorte que les sous-agents s'exécutent simultanément et renvoient les résultats en continu au chef d'équipe. L'annonce du changement de nom en janvier 2025 et la feuille de route qui a suivi ont introduit des flux d'approbation avec intervention humaine (HITL - human-in-the-loop), devenus une fonctionnalité de production dans la série de versions 2.5.x, répondant ainsi directement aux demandes de la communauté. Le système HITL permet à des réviseurs humains d'approuver les actions de l'agent avant leur exécution, ce qui est crucial pour tout agent disposant d'un accès en écriture à des systèmes externes tels que Jira, Salesforce ou des e-mails.

Le système de base de connaissances est l'un des atouts les plus évidents d'Agno. Le framework inclut des intégrations de premier ordre pour les documents PDF, les bases de données, les API et les bases de données vectorielles (PgVector, Qdrant, Weaviate, Milvus, Pinecone), avec des fonctionnalités intégrées de découpage (chunking), de vectorisation (embedding) et de récupération (retrieval). Cela fait d'Agno un choix naturel pour les systèmes RAG agentiques : recherche de documents juridiques, analyse de rapports financiers, récupération de connaissances médicales ou agrégation de recherches académiques. Contrairement aux frameworks où la récupération est ajoutée comme un simple outil, Agno traite la base de connaissances comme une partie native de l'architecture de l'agent. Les développeurs associent souvent Agno à LlamaIndex pour des pipelines de traitement de documents plus avancés, ou aux outils LangChain, qu'Agno accepte nativement.

La version 2.6.0 (23 avril 2025) a introduit la prise en charge multi-frameworks, permettant aux développeurs d'encapsuler des agents existants créés avec LangGraph ou DSPy dans l'environnement d'exécution AgentOS d'Agno. Cette même version a ajouté une boîte à outils Workspace offrant aux agents un accès en lecture/écriture et au shell de la machine locale avec des barrières de confirmation par intervention humaine, ainsi qu'une API « Factories » pour la création dynamique d'agents à grande échelle. Avec la version 2.6.4 (28 avril 2026), la plateforme a intégré WikiContextProvider, les outils CRM Salesforce, le traitement de documents Docling et la prise en charge de modèles de secours (fallback), où un agent bascule automatiquement vers un modèle de remplacement si le fournisseur principal renvoie des erreurs.

« J'adore Agno. C'est tellement simple à utiliser que même avec mes faibles connaissances en développement, je peux créer des agents puissants. J'ai réussi à créer un générateur RSA et un agent Google Ads. » - Alfred Simon, Product Hunt, avril 2025

Où se situe Agno par rapport à CrewAI et LangGraph

Les trois frameworks les plus souvent comparés à Agno sont CrewAI, LangGraph, et dans une moindre mesure smolagents et Mastra. Chacun représente une philosophie architecturale différente pour les systèmes multi-agents.

CrewAI utilise une abstraction basée sur les rôles. Les agents se voient attribuer un rôle, un objectif et un historique, et ils opèrent au sein d'une « équipe » (crew) qui exécute les tâches de manière séquentielle ou hiérarchique. Cette métaphore permet de lancer rapidement un prototype ; CrewAI est constamment cité comme la voie la plus fluide vers un flux de travail métier fonctionnel. Son modèle de mémoire comporte trois couches : une mémoire à court terme partagée entre tous les agents lors d'une seule exécution, une mémoire à long terme stockée dans une base de données SQLite locale, et une mémoire d'entité qui suit des sujets spécifiques d'une session à l'autre. Le compromis est que la conception très orientée de CrewAI devient contraignante à mesure que les exigences augmentent ; les équipes signalent régulièrement atteindre ce plafond 6 à 12 mois après la mise en production, ce qui nécessite une réécriture vers un framework plus flexible. Agno évite ce plafond en conservant des primitives de plus bas niveau, mais cela implique un câblage plus manuel pour les cas d'usage simples. En termes d'étoiles, CrewAI est en tête avec environ 44 300 contre 40 000 pour Agno, mais les 5,2 millions de téléchargements mensuels sur PyPI pour CrewAI par rapport à la base de téléchargements nettement plus restreinte d'Agno suggèrent que CrewAI compte encore davantage de déploiements actifs en production.

LangGraph est le leader de l'utilisation en production en termes de volume brut de téléchargements, avec environ 34,5 millions de téléchargements mensuels sur PyPI. Son architecture en graphe orienté oblige les développeurs à définir chaque transition d'état comme une arête nommée, avec des schémas d'état explicites et une persistance typée. Ce formalisme s'avère payant pour les flux de travail complexes : la logique de branchement, la gestion des tentatives, la création de points de contrôle (checkpointing) en cours d'exécution et les barrières d'approbation par intervention humaine sont toutes des fonctionnalités de premier plan. L'inconvénient de LangGraph réside dans sa courbe d'apprentissage plus abrupte, les critiques soulignant une documentation fragmentée et la complexité héritée de l'écosystème LangChain. Un flux de travail LangGraph de base nécessite plus de 60 lignes de code, contre cinq pour Agno. En ce qui concerne la vitesse d'instanciation, les benchmarks d'Agno montrent qu'il est 529 fois plus rapide que LangGraph, ce qui est crucial lors de la création de centaines d'agents éphémères par seconde. LangGraph est également nettement plus gourmand en mémoire par instance d'agent. Pour les équipes nécessitant un contrôle précis au niveau du graphe sur des flux de travail avec état de longue durée, LangGraph reste le choix de production le plus sûr. Pour les équipes créant des agents axés sur la connaissance qui ont besoin d'un prototypage rapide et ne nécessitent pas de machines à états explicites, Agno est plus ergonomique.

Par rapport à smolagents (le framework minimaliste orienté code de Hugging Face), Agno est plus directif concernant la couche d'exécution en production, mais moins directif sur le modèle d'action de l'agent. smolagents génère du code Python en tant qu'actions ; Agno utilise l'appel d'outils standard avec une distribution JSON. smolagents maintient l'intégralité de son noyau à environ 1 000 lignes et est délibérément non directif quant au déploiement, tandis qu'Agno fournit une pile de production complète. Par rapport à AutoGen (le framework multi-agents basé sur la conversation de Microsoft), le modèle de mémoire de session d'Agno est plus structuré, mais AutoGen dispose d'une communauté de recherche plus vaste et d'un historique plus long dans les benchmarks académiques. Le modèle de transmission de messages d'AutoGen, où les agents contribuent à tour de rôle aux fils de discussion, est fondamentalement différent du modèle de distribution d'outils d'Agno ; les deux résolvent des problèmes qui se chevauchent mais restent distincts.

« Agno est léger et rapide. Il ne vous impose pas une architecture de graphe lourde lorsque vous avez simplement besoin d'un agent intelligent. » - Aperçu de développeur cité dans une recherche comparative de frameworks, 2025

À quoi ressemble la réalité de la boucle d'agent

En pratique, développer avec Agno commence par l'installation du package et la définition des outils sous forme de fonctions Python typées. Le framework déduit le schéma de l'outil à partir des annotations de type. Ajouter de la mémoire implique de passer un magasin de mémoire (SQLite, PostgreSQL ou MongoDB) au constructeur de l'Agent. Ajouter une base de connaissances consiste à pointer l'agent vers une base de données vectorielle et à appeler agent.knowledge.load(). Le tableau de bord de surveillance sur app.agno.com affiche chaque exécution, chaque appel d'outil, chaque décompte de jetons et chaque réponse du modèle en temps réel. Pour le développement local, le terrain de jeu (playground) intégré exécute une interface Next.js sur localhost qui vous permet de discuter avec n'importe quel agent et d'inspecter ses étapes de raisonnement.

L'aspect surveillance a plus d'importance que ne le suggère le discours marketing. Chaque exécution d'agent est journalisée avec des traces complètes d'appels d'outils, la latence par étape, le nombre de jetons par appel de modèle, ainsi que les entrées et sorties exactes transmises entre les agents d'une équipe. Lorsque quelque chose tourne mal dans un pipeline multi-agents (et cela arrivera pendant le développement), le plan de contrôle vous montre exactement quel agent a pris la mauvaise décision et avec quel contexte il travaillait. C'est qualitativement différent du débogage par la lecture d'instructions print dans un flux de travail LangChain. Les équipes créant des agents internes pour la finance, le juridique ou les opérations signalent que cette couche d'observabilité justifie à elle seule l'adoption d'Agno plutôt que de développer leur propre orchestration.

Le flux de travail HITL mérite une mention spécifique car c'est la fonctionnalité qui a été la plus demandée avant son lancement. Lorsqu'un agent est sur le point d'appeler un outil destructeur (envoyer un e-mail, créer un ticket Jira, modifier un enregistrement de base de données), l'exécution se met en pause et fait remonter une demande d'approbation via l'API AgentOS. Un humain approuve ou rejette. L'agent reprend ou se termine proprement. Ce modèle est désormais intégré à la fois aux agents individuels et aux équipes d'agents, bien que les discussions de la communauté montrent que des approbations simultanées en pause sur plusieurs membres de l'équipe peuvent provoquer un blocage (deadlock) si l'architecture n'est pas conçue avec soin.

La prise en charge des modèles de secours ajoutée dans la version 2.5.14 (avril 2025) répond à un véritable point de douleur en production : si votre fournisseur de modèle principal (par exemple, OpenAI) tombe en panne en cours d'exécution, l'agent bascule automatiquement vers un modèle de secours désigné. C'est le genre de fonctionnalité opérationnelle qui distingue les frameworks conçus pour la production de ceux conçus pour les démonstrations.

À qui s'adresse Agno

Agno convient aux développeurs Python qui créent des agents axés sur la connaissance dont la tâche principale est de raisonner sur de vastes ensembles de documents structurés : recherche juridique, analyse financière, récupération de documents médicaux, gestion des connaissances d'entreprise et support client avec une intégration CRM approfondie. L'architecture agnostique en matière de modèles en fait un choix judicieux pour les équipes qui ne peuvent pas se permettre d'être dépendantes du fournisseur OpenAI, ou qui souhaitent exécuter l'inférence sur des modèles locaux pour des raisons de confidentialité ou de coût.

Il est particulièrement adapté aux équipes d'ingénierie qui souhaitent prototyper rapidement puis déployer sur leur propre infrastructure avec une véritable observabilité. La promesse de déploiement d'AgentOS en 20 lignes de code est bien réelle : vous obtenez un backend FastAPI avec plus de 50 points de terminaison, la gestion des sessions, l'authentification et un plan de contrôle sans avoir à écrire cette infrastructure vous-même.

Agno n'est pas l'outil approprié pour les équipes qui ont besoin d'un contrôle au niveau du graphe sur des machines à états complexes avec une logique de branchement, une sémantique de tentatives et des points de contrôle explicites. LangGraph gère mieux ces exigences. Il n'est pas non plus conçu pour les utilisateurs non techniques qui créent des agents via une interface visuelle ; malgré l'« Agent Studio » mentionné dans l'annonce de janvier 2025, le framework reste orienté code. Les équipes sensibles à l'instabilité des dépendances doivent noter que le rythme de publication est agressif, avec plusieurs versions par semaine, et que des changements majeurs (breaking changes) sont apparus dans les imports de reranker, la compatibilité a2a-sdk et les mises à niveau de l'API de mémoire.

Pour les développeurs explorant cet espace aux côtés d'Agno, LangChain reste l'écosystème offrant la plus grande étendue d'outils, tandis que LlamaIndex propose des options d'ingestion de documents plus approfondies qui se marient bien avec la couche de base de connaissances d'Agno.