Agno 프레임워크로 구축하는 가벼운 멀티모달 AI 에이전트

LLM(대규모 언어 모델)을 활용한 AI 에이전트를 개발하는 과정에서 개발자들은 종종 속도, 유연성, 자원 효율성 사이에서 균형을 맞추기 위해 고민합니다. 오늘은 이러한 고민을 해결해 줄 수 있는 새로운 프레임워크인 ‘Agno’를 소개합니다. 이전에 ‘Phi-data’로 알려졌던 Agno는 멀티모달 에이전트를 구축하기 위한 경량 프레임워크로, LangGraph보다 약 10,000배 빠르고 50배 적은 메모리를 사용한다고 주장하고 있습니다. 이러한 성능은 특히 대규모 에이전트 시스템을 구축할 때 중요한 차별점이 될 수 있습니다.

Agno 프레임워크의 핵심 특징

Agno는 성능과 미니멀리즘에 초점을 맞춘 오픈 소스 모델 애그노스틱(model-agnostic) 에이전트 프레임워크입니다. 이는 텍스트, 이미지, 오디오, 비디오를 기본적으로 처리할 수 있는 멀티모달 작업을 위해 설계되었습니다. Agno의 가장 큰 강점은 메모리, 도구, 벡터 저장소와 같은 복잡성을 추가하더라도 매우 가볍고 빠르다는 점입니다.

주요 강점:

초고속 인스턴스화 속도: Agno에서 에이전트 생성은 에이전트당 약 2μs 소요되며, 이는 LangGraph보다 약 10,000배 빠릅니다.
초경량 메모리 사용량: Agno 에이전트는 평균적으로 단 ~3.75KiB의 메모리만 사용하며, 이는 LangGraph 에이전트보다 약 50배 적습니다.
네이티브 멀티모달 지원: 추가 플러그인 없이 다양한 미디어 유형과 원활하게 작동하도록 설계되었습니다.
모델 애그노스틱: OpenAI, Claude, Gemini 또는 오픈소스 LLM 등 어떤 제공자나 모델을 사용하든 관계없이 작동합니다.
실시간 모니터링: Agno.com을 통해 에이전트 세션과 성능을 실시간으로 관찰할 수 있어 디버깅과 최적화가 더 쉬워집니다.

TriSage 에이전트 구축하기

Agno의 작동 방식을 이해하기 위해 ‘TriSage’ 에이전트를 만들어 보겠습니다. 이 예제는 세 가지 주요 기능을 가진 에이전트를 보여줍니다:

웹 검색 – 정보를 찾기 위해 웹을 검색합니다.
콘텐츠 작성 – 검색 결과를 바탕으로 글을 작성합니다.
이미지 생성 – DALL-E를 사용하여 시각적 콘텐츠를 만듭니다.

아래는 이 에이전트를 구현하는 간단한 코드입니다:

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
from agno.tools.googlesearch import GoogleSearchTools
from agno.tools.dalle import DalleTools
from agno.team import Team
from textwrap import dedent

# API 키 설정
from getpass import getpass
OPENAI_KEY = getpass('Enter Open AI API Key: ')

import os
os.environ['OPENAI_API_KEY'] = OPENAI_KEY

# 웹 에이전트 - 웹 검색을 담당
web_agent = Agent(
    name="Web Agent",
    role="Search the web for information on Eiffel tower",
    model=OpenAIChat(id="o3-mini"),
    tools=[DuckDuckGoTools()],
    instructions="Give historical information",
    show_tool_calls=True,
    markdown=True,
)

# 작가 에이전트 - 글 작성을 담당
writer_agent = Agent(
    name="Writer Agent",
    role="Write comprehensive article on the provided topic",
    model=OpenAIChat(id="o3-mini"),
    tools=[GoogleSearchTools()],
    instructions="Use outlines to write articles",
    show_tool_calls=True,
    markdown=True,
)

# 이미지 에이전트 - 시각적 콘텐츠 생성을 담당
image_agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    tools=[DalleTools()],
    description=dedent("""\
        You are an experienced AI artist with expertise in various artistic styles,
        from photorealism to abstract art. You have a deep understanding of composition,
        color theory, and visual storytelling.\
    """),
    instructions=dedent("""\
        As an AI artist, follow these guidelines:
        1. Analyze the user's request carefully to understand the desired style and mood
        2. Before generating, enhance the prompt with artistic details like lighting, perspective, and atmosphere
        3. Use the `create_image` tool with detailed, well-crafted prompts
        4. Provide a brief explanation of the artistic choices made
        5. If the request is unclear, ask for clarification about style preferences

        Always aim to create visually striking and meaningful images that capture the user's vision!\
    """),
    markdown=True,
    show_tool_calls=True,
)

# 에이전트들을 팀으로 결합
agent_team = Agent(
    team=[web_agent, writer_agent, image_agent],
    model=OpenAIChat(id="gpt-4o"),
    instructions=["Give historical information", "Use outlines to write articles","Generate Image"],
    show_tool_calls=True,
    markdown=True,
)

# 실행
agent_team.print_response("Write an article on Eiffel tower and generate image", stream=True)

이 예제에서 볼 수 있듯이, Agno를 사용하면 서로 다른 기능을 가진 여러 에이전트를 팀으로 구성하여 더 복잡한 작업을 처리할 수 있습니다. 각 에이전트는 특정 작업에 집중하며, 함께 작동하여 사용자의 요구사항을 완료합니다.

시장 분석 에이전트 구축하기

이번에는 경제 데이터와 웹 검색을 결합한 시장 분석 에이전트를 만들어 보겠습니다:

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
from agno.tools.yfinance import YFinanceTools
from agno.team import Team

web_agent = Agent(
    name="Web Agent",
    role="Search the web for information",
    model=OpenAIChat(id="o3-mini"),
    tools=[DuckDuckGoTools()],
    instructions="Always include sources",
    show_tool_calls=True,
    markdown=True,
)

finance_agent = Agent(
    name="Finance Agent",
    role="Get financial data",
    model=OpenAIChat(id="o3-mini"),
    tools=[YFinanceTools(stock_price=True, analyst_recommendations=True, company_info=True)],
    instructions="Use tables to display data",
    show_tool_calls=True,
    markdown=True,
)

agent_team = Agent(
    team=[web_agent, finance_agent],
    model=OpenAIChat(id="gpt-4o"),
    instructions=["Always include sources", "Use tables to display data"],
    show_tool_calls=True,
    markdown=True,
)

agent_team.print_response("What's the market outlook and financial performance of top AI companies of the world?", stream=True)

이 에이전트는 웹 검색을 통해 최신 시장 동향 정보를 수집하고, Yahoo Finance의 API를 통해 재무 데이터를 가져와 종합적인 분석을 제공합니다.

Agno vs LangGraph: 성능 비교

지표	Agno	LangGraph	차이
에이전트 인스턴스화 시간	~2μs	~20ms	~10,000배 빠름
에이전트당 메모리 사용량	~3.75 KiB	~137 KiB	~50배 적음

성능 테스트는 Apple M4 MacBook Pro에서 Python의 tracemalloc을 사용하여 메모리 프로파일링을 수행했습니다.
Agno는 1,000회 실행에 걸쳐 평균 인스턴스화 및 메모리 사용량을 측정했으며, 에이전트 코드를 분리하여 깨끗한 비교를 얻었습니다.

이러한 속도와 메모리 효율성은 단순한 숫자 이상의 의미가 있습니다. 실제 에이전트 배포에서 수천 개의 에이전트가 동시에 실행되어야 하는 경우, 모든 밀리초와 킬로바이트가 중요합니다.

LangGraph는 특정 플로우 기반 애플리케이션에 강력하고 더 구조화되어 있지만, 이러한 부하 하에서는 많은 최적화가 필요합니다. 소규모 앱에서는 문제가 되지 않을 수 있지만, 프로덕션 규모의 에이전트를 실행할 때는 비용이 빠르게 증가할 수 있습니다.

Agno가 LangGraph보다 더 나을까?

반드시 그렇지는 않습니다. 무엇을 구축하느냐에 따라 다릅니다:

플로우 기반 에이전트 로직(고수준 제어를 갖춘 단계의 방향 그래프)을 작업하는 경우, LangGraph가 더 표현력 있는 구조를 제공할 수 있습니다.
그러나 초고속, 저용량의 멀티모달 에이전트 실행이 필요한 경우, 특히 고동시성 또는 동적 환경에서는 Agno가 훨씬 유리합니다.

Agno는 확실히 속도와 시스템 수준의 효율성을 중시하는 반면, LangGraph는 구조화된 오케스트레이션과 신뢰성에 중점을 둡니다. 다만, Agno의 개발자들 스스로 정확성과 신뢰성 벤치마크도 중요하다고 인정하며, 현재 이러한 벤치마크가 개발 중입니다. 이러한 벤치마크가 나오기 전까지는 엣지 케이스에서의 정확성이나 복원력에 대해 결론을 내릴 수 없습니다.

실제 활용 사례: 물류 AI 에이전트

Agno 프레임워크로 무엇을 만들 수 있는지 더 잘 이해하기 위해, 물류 분야에서의 활용 사례를 살펴보겠습니다. 아래는 경로 최적화와 배송 추적을 처리하는 지능형 물류 에이전트의 구현 예시입니다:

import re
from itertools import permutations
from agno.agent import Agent
from agno.models.openai import OpenAIChat

# 배송 및 거리 데이터 샘플
tracking_data = {
    "TRK12345": "토론토 유통 센터에서 운송 중",
    "TRK98765": "2025-03-09 10:24에 배송 완료",
    "TRK55555": "배송 중 - 마지막 스캔 위치: 밴쿠버 허브"
}
distance_matrix = {
    "Warehouse": {"A": 10, "B": 15, "C": 20},
    "A": {"Warehouse": 10, "B": 12, "C": 5},
    "B": {"Warehouse": 15, "A": 12, "C": 8},
    "C": {"Warehouse": 20, "A": 5, "B": 8}
}

# 커스텀 도구 정의
class TrackingTool:
    def __init__(self):
        self.name = "TrackingTool"
        self.description = "추적 ID가 주어지면 배송 상태 업데이트를 제공합니다."
    def run(self, query: str) -> str:
        match = re.search(r"\bTRK\d+\b", query.upper())
        if not match:
            return "유효한 추적 ID를 제공해 주세요."
        tid = match.group(0)
        status = tracking_data.get(tid)
        return f"{tid} 상태: {status}" if status else f"{tid}에 대한 정보가 없습니다."

class RouteTool:
    def __init__(self):
        self.name = "RouteTool"
        self.description = "시작점과 목적지가 주어지면 최적의 배송 경로를 계산합니다."
    def run(self, query: str) -> str:
        m = re.search(r"from\s+([\w\s]+)\s+to\s+(.+)", query, re.IGNORECASE)
        if not m:
            return "경로를 'from <출발지> to <목적지1>, <목적지2>, ...'와 같이 지정하세요."
        origin = m.group(1).strip()
        dests = [d.strip() for d in re.split(r",| and ", m.group(2)) if d.strip()]
        if origin not in distance_matrix:
            return f"알 수 없는 출발지: {origin}."
        for loc in dests:
            if loc not in distance_matrix:
                return f"알 수 없는 목적지: {loc}."
        best_distance = float('inf')
        best_order = None
        for perm in permutations(dests):
            total = 0
            cur = origin
            for nxt in perm:
                total += distance_matrix[cur][nxt]
                cur = nxt
            if total < best_distance:
                best_distance = total
                best_order = perm
        route_plan = " -> ".join([origin] + list(best_order)) if best_order else origin
        return f"최적 경로: {route_plan} (총 거리: {best_distance} km)"

# 모델, 지시사항 및 도구로 에이전트 생성
agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    description="물류 전문 지식을 갖춘 물류 어시스턴트입니다.",
    instructions=[
        "사용자가 배송 또는 추적 ID에 대해 물어보면 TrackingTool을 사용하세요.",
        "사용자가 경로 최적화 또는 최적 경로에 대해 물어보면 RouteTool을 사용하세요.",
        "도구에서 얻은 관련 세부 정보를 포함하여 간결하고 명확한 답변을 제공하세요."
    ],
    tools=[TrackingTool(), RouteTool()],
    show_tool_calls=False,  # 깨끗한 출력을 위해 False로 설정 (디버깅을 위해 True)
    markdown=True
)

# 사용 예시
print(agent.run("배송 TRK12345는 어디에 있나요?"))
print(agent.run("창고에서 A, B, C까지의 최적 경로를 찾아주세요"))

이 물류 에이전트는 사용자가 물류 작업에 관련된 질문을 자연어로 할 수 있게 하며, 에이전트는 적절한 도구를 사용하여 응답합니다. 이 패턴은 금융, 고객 서비스 등 다른 도메인에도 쉽게 적용할 수 있습니다.

결론: 실무에서의 Agno

Agno는 실제 워크로드에 준비된 것으로 보이며, 특히 대규모 에이전트 시스템을 구축하는 팀에게 적합합니다. 실시간 성능 모니터링, 구조화된 출력 지원, 메모리 및 벡터 지식을 플러그인할 수 있는 능력은 강력한 애플리케이션을 빠르게 구축할 수 있는 매력적인 플랫폼으로 만듭니다.

LangGraph는 경쟁에서 배제되지 않았습니다. 그 강점은 명확하고 플로우 지향적인 제어 로직에 있습니다. 그러나 규모 확장에 어려움을 겪거나 인프라를 과부하 없이 수천 개의 에이전트를 실행해야 하는 경우, Agno는 진지하게 고려해볼 가치가 있습니다.

AI 에이전트를 개발하는 모든 개발자에게 속도, 효율성, 유연성이 중요합니다. Agno는 이러한 세 가지 모두를 제공하면서 모든 범위의 프로젝트에 더 쉽게 확장할 수 있는 접근 방식을 제시합니다. 비즈니스 요구에 맞는 최적의 도구를 선택하되, 성능이 중요한 경우 Agno를 고려해 보세요.

AI Sparkup

Agno 프레임워크로 구축하는 가벼운 멀티모달 AI 에이전트

Agno 프레임워크의 핵심 특징

TriSage 에이전트 구축하기

시장 분석 에이전트 구축하기

Agno vs LangGraph: 성능 비교

Agno가 LangGraph보다 더 나을까?

실제 활용 사례: 물류 AI 에이전트

결론: 실무에서의 Agno

참고자료:

Awsom GPT에서 더 알아보기

Comments

답글 남기기 응답 취소

More posts

OpenAI, 경쟁사 Anthropic의 모델 컨텍스트 프로토콜(MCP) 도입 발표

제로에서 히어로까지: Hugging Face와 Databricks로 생성형 AI 애플리케이션 구축하기

OpenAI Agents SDK로 구현하는 AI 오디오 투어 가이드 만들기

AI, 웹사이트 트래픽의 0.1%에 불과하지만 클릭만이 전부는 아니다