> ## Documentation Index
> Fetch the complete documentation index at: https://speshu.ai/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# Agno AI: как собрать собственного ИИ-агента для Slack, данных и автоматизации

> Обзор Agno AI: агенты, AgentOS, tools, memory, knowledge и пример OpenAI-compatible подключения к SpeShu.AI.

Agno AI — open-source framework для построения, запуска и управления agent platforms. Он вырос из идеи простых LLM-агентов и сейчас фокусируется на AgentOS, tools, knowledge, memory, teams и интерфейсах для production-сценариев.

О Agno говорят потому, что рынок движется от одиночных чат-ботов к агентам, которые умеют помнить контекст, работать с инструментами, подключаться к данным и запускаться как сервис.

В статье разберём, как устроен Agno и как подключить SpeShu.AI через OpenAI-compatible модель.

## Что такое agno ai

Agno AI — Python-фреймворк для создания AI-агентов. Базовая сущность — `Agent`: у него есть модель, инструкции, инструменты, knowledge base, память и параметры вывода.

Agno нужен разработчикам, которые хотят собрать не просто prompt-скрипт, а полноценного ассистента: для Slack, web-интерфейса, аналитики, поиска по данным или automation workflow.

Он подходит для команд, которым важен быстрый Python-старт и возможность постепенно добавлять storage, AgentOS и tools.

## Как работает agno ai

В простом варианте агент получает model provider и инструкции. В более сложном варианте к нему добавляются:

* tools для внешних действий;
* knowledge base с embeddings;
* storage для сессий;
* memory для пользовательских предпочтений;
* AgentOS для запуска как приложения.

В коде Agno есть `OpenAIChat` и `OpenAILike`. Для OpenAI-compatible endpoint удобно использовать `OpenAILike` или `OpenAIChat` с параметрами `base_url` и `api_key`.

## Что умеет agno ai

* создавать одиночных агентов;
* добавлять tools;
* подключать knowledge и vector DB;
* хранить историю и память;
* запускать AgentOS;
* строить команды агентов;
* делать web/API интерфейсы поверх агента.

Мини-кейсы: Slack-ассистент, агент по внутренней базе знаний, аналитик по таблицам, помощник разработчика, автоматизация повторяющихся запросов.

## agno ai на практике

Пример ниже создаёт простого агента с моделью через SpeShu.AI. Он использует официальный стиль Agno: `Agent` + OpenAI-compatible model.

```python theme={null} theme={null}
import os
from agno.agent import Agent
from agno.models.openai.like import OpenAILike

agent = Agent(
    name="Support Assistant",
    model=OpenAILike(
        id="openai/gpt-5.5",
        api_key=os.environ["SPESHU_AI_API_KEY"],
        base_url="https://speshu.ai/api/v1",
    ),
    instructions=[
        "Отвечай кратко.",
        "Если данных недостаточно, попроси уточнение.",
    ],
    markdown=True,
)

agent.print_response(
    "Составь план RAG-бота для базы знаний службы поддержки.",
    stream=True,
)
```

Дальше можно добавить tools: поиск по базе, чтение CRM, создание задач, отправку сообщений в Slack. Для knowledge-сценария используйте embeddings `text-embedding-3-large` и подходящий vector store.

## Преимущества и недостатки agno ai

Плюсы:

* простой Python API;
* есть AgentOS и интерфейсы;
* поддерживаются tools, memory и knowledge;
* можно использовать OpenAI-compatible модели.

Минусы:

* экосистема меняется, нужно сверяться с актуальными docs;
* для простого RAG иногда проще LlamaIndex или LangChain;
* production-паттерны требуют аккуратного проектирования storage и прав доступа.

## agno ai vs альтернативы

Agno AI vs CrewAI: CrewAI удобен для ролевых multi-agent workflow. Agno лучше смотрится как платформа для агентов с памятью, tools и интерфейсами.

Agno AI vs LangGraph: LangGraph даёт более явный контроль графа состояний. Agno быстрее стартует с agent abstraction.

Agno AI vs Mastra: Agno — Python-first. Mastra — TypeScript-first.

## Кому подойдёт agno ai

Agno подойдёт Python-разработчикам, AI-стартапам, командам автоматизации, разработчикам внутренних ассистентов и тем, кто хочет собрать agent service вокруг своих данных.

Если ваша команда пишет backend на Python и хочет быстро перейти от скрипта к агенту с интерфейсом, Agno стоит попробовать.

## Как попробовать agno ai через SpeShu.AI

SpeShu.AI даёт быстрый доступ к моделям для OpenAI-compatible сценариев:

* не нужен VPN;
* не нужна зарубежная карта;
* можно выбирать модели под разные задачи;
* один API-ключ для прототипов;
* быстрый старт через [speshu.ai/profile](https://speshu.ai/profile).

Используйте `base_url="https://speshu.ai/api/v1"` и модель из [каталога](/docs/api-reference/models/list).

## Заключение

Agno AI стоит рассмотреть, если вы строите агента как сервис, а не просто один prompt. Главный инсайт: ценность Agno появляется, когда вы добавляете tools, память и данные.

Начните с одного агента, одной модели и понятной задачи. Затем добавляйте knowledge, storage и интерфейс.

***

<Card title="Подключить API" icon="plug" type="tip" href="https://speshu.ai/profile">
  Запустите интеграцию через SpeShu.AI: единый доступ к AI-моделям, без VPN и зарубежной карты
</Card>