夜雨聆风先说一个反直觉的事实：Agno 没有用任何黑科技来提速。
没有 Rust 重写核心，没有 SIMD 指令集优化，没有 JIT 编译。它只做对了一件事——不写多余的代码。
上次贴了那个对比：Agent 实例化，LangChain 要花 300ms，Agno 只要 2μs。差距 10000 倍。很多人不信，觉得是 benchmark 作弊，或者测了一个玩具场景。今天拆开 Agno 的源码，仔细解释这个差距到底从哪来的。
一个 Agent 实例化时到底发生了什么
先说 LangChain。创建一个能用的 Agent，初始化链路是这样的：
AgentExecutor.__init__()
→ BaseMultiActionAgent.__init__()
→ BaseCallbackHandler.__init__() # 注册回调管理器
→ create_model_wrapper() # 包装 LLM
→ ChatOpenAI.__init__()
→ BaseChatModel.__init__()
→ BaseLanguageModel.__init__()
→ Pydantic BaseModel.__init__() # Pydantic v2 schema 验证
→ PromptTemplate.__init__() # 模板解析、编译
→ 正则匹配变量占位符 + f-string 编译
→ OutputParser.__init__() # 输出解析器
→ ConversationBufferMemory.__init__() # 历史对话管理完整的初始化链走下来，一个 LangChain Agent 触发了超过 150 个 Python 对象的创建。每一步都经过 Pydantic v2 的 model 验证——类型检查、默认值填充、序列化schema 构建。这些开销在前端感觉不到（总共才 300ms），但当你需要创建 100 个 Agent、或者在 API 服务器每次请求都初始化一个时，这就变成了真实瓶颈。
再看 Agno 的 Agent：
class Agent:
def __init__(self, model, instructions, tools=None, ...):
self.model = model # 字符串或 Model 对象
self.instructions = instructions
self.tools = tools or [] # 列表，可以为空
# 就这些。没有其他东西了。一个 plain Python class，没有继承任何框架基类，没有任何 Pydantic 验证，没有回调注册，没有序列化元数据。__init__ 只做一件事——属性赋值。对象数量：1 个。
这就是 10000 倍差距的根本原因。不是 Agno 做了什么优化，是 LangChain 做了太多多余的事。
核心设计哲学：三个原语足够
拆开 Agno 的代码仓库之后，核心真的只有三个类。每个都短到你可以一小时内看完。
Agent——万物皆参数
class Agent:
model: Union[Model, str] # 字符串也行
instructions: Optional[str] # system prompt
tools: List[Union[Tool, Callable]] # 可以直接传 Python 函数
team: Optional["Team"] # 可选：属于哪个 team
db: Optional[BaseDb] # 可选：持久记忆
knowledge: Optional[KnowledgeBase] # 可选：RAG 能力三个最有代表性的设计取舍：
第一，model 可以是字符串 "openai:gpt-4o"。框架在内部自动解析 provider 和 model name，创建对应的客户端。你不需要先 import OpenAI、创建 client、再传给 Agent。一个字符串搞定。
第二，tools 直接接受 Python Callable。你传一个普通的 async 函数，Agno 自动读取函数的 docstring、type hints 和参数签名，动态生成 OpenAI function calling 的 JSON Schema。不需要定义 BaseTool 子类，不需要手写 schema。
第三，没有强制依赖。记忆、RAG、多模态这些高级能力都是可选参数。你不用就不加载，内存和启动时间都为零。
Team——500 行搞定多 Agent
class Team:
members: List[Agent]
model: Optional[Union[Model, str]]
mode: Literal["route", "coordinate", "tasks"]三种协作模式，核心逻辑都在一个文件里：
- •
route——根据消息内容语义路由到最合适的成员 Agent，适合「万能助手」场景 - •
coordinate——Team Leader 先理解任务，再分发给成员，然后汇总所有人的结果 - •
tasks——预定义流程，每个步骤交给特定成员，没有 AI 自主决策开销
没有复杂的路由策略接口，没有消息总线，没有事件系统。500 行纯 Python。
Workflow——纯编排，零 AI 开销
class Workflow:
steps: List[Union[Agent, "Workflow"]] # 可以嵌套 Workflow
mode: Literal["sequential", "parallel", "conditional"]Workflow 不是 Agent，不调用 LLM。它就是按照你定义的步骤一步步执行。sequential 顺序走，parallel 同时走，conditional 按条件分支。跑 100 步和跑 1 步的时间差只来自你实际调用的 Agent——框架本身没有额外开销。
调试对比：一行日志 vs 穿透五层
这是我最想强调的差异。当你的 Agent 给出了奇怪的回答，你要排查原因：
LangChain 下你需要排查五个东西：
- 1. Prompt 模板有没有被污染？变量有没有被错误填充？
- 2. OutputParser 有没有把模型的输出错误解析了？
- 3. Memory 有没有注入了不相关或者过期的历史对话？
- 4. Retriever 有没有检索了无关的文档片段导致模型跑偏？
- 5. 某个 Callback 中间件有没有修改了输入或者输出？
你需要穿透 5-6 层抽象，才能看到真正发给 OpenAI/Anthropic 的原始 API 请求。而每一层都有自己的日志格式、自己的数据结构。
Agno 下你只需要看模型的 messages 列表——就是发给 API 的那个 list of dict。一行 print(agent.run_history.messages) 就能看到所有上下文。简单，直接，不隐藏任何东西。
这个差异在日常使用中比 benchmark 数字重要得多。
内存占用的秘密
创建 100 个相同的 Agent，对比内存占用：
| LangChain | Agno | 倍数 | |
|---|---|---|---|
| 100 实例总内存 | ~1600 MB | ~1 MB | 1600x |
| 单实例 | ~16 MB | ~0.01 MB | 1600x |
| Python 对象总数 | ~15000 个 | 100 个 | 150x |
差距来源有三：
- 1. Pydantic BaseModel 元数据：每个 LangChain 对象都带
__fields_set__、__private_attributes__、model_config、JSON Schema 缓存等，这些元数据比实际数据大得多 - 2. 全局回调系统：LangChain 的 CallbackManager 是全局注册的，每个 Agent 实例都带完整的回调链
- 3. 序列化能力：每个 LangChain 对象都支持
save/load/dumpd/loadd，维护序列化路径和版本信息需要额外内存
Agno 的 Agent 本质上就是一个 dict 的薄包装。没有序列化要求，没有回调系统，没有 Pydantic 验证开销。
run() 的执行流程差异
处理一次带工具调用的对话，两个框架的路径：
LangChain：AgentExecutor._call() → _take_next_step() → Agent.plan() → ChatOpenAI._generate() → ToolExecutor.execute() → _handle_tool_error() → _call_after_agents() → OutputParser.parse() → Memory.save_context()，一次工具调用走 15-20 个函数。
Agno：Agent._run() → Model.response(messages) → Tool.execute() → loop_until_no_tool_call，3-5 个函数。
如果一个任务需要 5 轮工具调用（这在 Agent 场景很常见——搜索、读文件、写代码、跑测试、修 bug），LangChain 多走 50+ 个函数。函数调用开销本身不大，但每个函数里都可能做额外的数据拷贝、格式转换、日志记录。累积起来就明显了。
代价是什么
Agno 不是没有取舍：
- 1. 模型可移植性：LangChain 让你写一套代码，切换 OpenAI / Anthropic / Gemini 只需要改模型名字。因为它在所有模型上面都盖了一层统一抽象。Agno 的模型适配是独立的，切换时你需要确认参数名兼容、确认 message format 差异
- 2. 生态集成广度：LangChain 有 800+ 现成的工具集成和向量数据库集成。Agno 目前只有几十个。如果你需要接一个非常小众的向量数据库，大概率要自己写适配
- 3. 深度自定义限制：如果你需要自定义 Memory 的存储策略（比如按时间衰减）、自定义 Retriever 的检索算法（比如混合检索+重排序），LangChain 给了完整的接口体系。Agno 目前只能「用内置的」
但对于 90% 的场景，你要的不是一套可以自定义一切的框架。你要的是一个能让你快速把 Agent 写出来、跑起来、部署出去的工具。用更少的代码做事。代码越少，bug 越少，维护越容易。
快速判断用哪个
| 你的场景 | 选 Agno | 选 LangChain |
|---|---|---|
| 新项目，快速启动 | ✅ | |
| 多 Agent 协作 | ✅ | |
| 需要接 10+ 种向量数据库 | ✅ | |
| 深度自定义 RAG pipeline | ✅ | |
| 生产环境部署+监控 | ✅ (AgentOS) | |
| 团队有 LangChain 深厚积累 | ✅ | |
| 学习 Agent 编程概念 | ✅ (上手快) |
下一篇：用 Agno 从零构建你的第一个 SaaS AI 产品，从本地脚本到 Docker 部署的完整流程。
关注「八小时之外」，每天一篇 AI 实战干货。
