Phidata — framework de Agents observable y con memoria primero
Phidata (renombrado Agno en 2025) es un framework de Python para construir Agents con memoria, conocimiento y herramientas integradas, más una Agent UI web — diseñado para que veas exactamente qué hacen tus Agents.
Why phidata / agno
La propuesta de Phidata es «Agents que de verdad puedes ver». Cada Agent escribe su memoria, recuperación de conocimiento, llamadas a herramientas y respuestas en un store Postgres o SQLite, y la Agent UI los renderiza como una línea de tiempo en vivo. Depuras Agents haciendo scroll en un dashboard en lugar de grepear logs. En 2025 el proyecto fue renombrado a Agno (ahora en agno.com), conservando la API de Phidata prácticamente intacta.
El soporte multi-Agent en Phidata/Agno es ligero pero práctico. Usa la primitiva Team para coordinar Agents; cada miembro tiene su propio modelo, herramientas e instrucciones, y el equipo tiene un coordinador que enruta tareas. Menos elaborado que los SOPs de CrewAI o los grafos de LangGraph, pero suficiente para la mayoría de pipelines reales.
Donde Phidata destaca es en sus defaults «batteries included»: memoria, conocimiento (wrappers de vector DB), herramientas, UI y un CLI limpio. Eres productivo en una hora, y tu equipo de ops ve qué está pasando sin instrumentación aparte.
Quick Start — Team of Three with Agent UI
Team.mode="coordinate" usa un LLM coordinador para decidir qué miembro responde después. "collaborate" emite la tarea a todos los miembros. "route" elige un único miembro. print_response stream todo el intercambio; persiste configurando storage en los constructores de Agent/Team.
# pip install -U agno openai duckduckgo-search yfinance
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.team import Team
from agno.tools.duckduckgo import DuckDuckGoTools
from agno.tools.yfinance import YFinanceTools
web_agent = Agent(
name="Web Researcher",
model=OpenAIChat(id="gpt-4o-mini"),
tools=[DuckDuckGoTools()],
instructions="Search the web, cite sources.",
)
finance_agent = Agent(
name="Finance Analyst",
model=OpenAIChat(id="gpt-4o-mini"),
tools=[YFinanceTools(stock_price=True, analyst_recommendations=True)],
instructions="Use financial data only. No speculation.",
)
team = Team(
name="Investment Research",
mode="coordinate", # or "collaborate" / "route"
model=OpenAIChat(id="gpt-4o-mini"),
members=[web_agent, finance_agent],
instructions="Produce a crisp investment brief with web + financial data.",
success_criteria="A 2-paragraph brief with at least one web source and one financial figure.",
show_tool_calls=True,
markdown=True,
)
team.print_response("Analyst brief on Anthropic circa 2026", stream=True)
# Launch the Agent UI to watch teams + agents visually
# agno playground start (reads from ~/.agno/settings.yaml)Características clave
Modos Team
coordinate (el coordinador elige el siguiente miembro), collaborate (todos los miembros responden), route (un único miembro). Perillas simples; cubren la mayoría de patrones multi-Agent reales.
Memoria integrada
Memoria a corto plazo (por ejecución) y a largo plazo (entre ejecuciones) lista para usar, sobre SQLite, Postgres o SingleStore. Sin integración aparte de mem0/Zep para casos básicos.
Knowledge (RAG)
Fuentes de conocimiento PDF, URL, texto y CSV con vector DBs enchufables (LanceDB, PgVector, Qdrant, Chroma). Los Agents recuperan automáticamente.
Agent UI
App Next.js que lee el store de Agents y renderiza una línea de tiempo — mensajes, llamadas a herramientas, razonamiento, hits de conocimiento. Hospedada localmente o en tu propio servidor. La razón principal por la que muchos eligen Phidata/Agno.
Catálogo masivo de herramientas
80+ herramientas integradas: búsqueda DuckDuckGo/Tavily, YFinance, Slack, Gmail, GitHub, shell, Python REPL, SQL, PostgresTools y muchas más. El bloat de herramientas es real; selecciona con criterio.
Runtime rápido
Agno enfatiza la instanciación de Agents de bajo coste (microsegundos) y huella de memoria pequeña — importante para Agents concurrentes. Más rápido que CrewAI en bucles simples según sus benchmarks publicados.
Comparación
| Observability Built-in | Multi-Agent Complexity | Learning Curve | Best Fit | |
|---|---|---|---|---|
| phidata / agnoesta | Agent UI out of the box | Low-medium | Low | Observable production agents |
| CrewAI | Via CrewAI Enterprise UI | Medium | Low | Role-based pipelines |
| LangGraph | Via LangGraph Studio + LangSmith | High | Medium | Complex control flow |
| AutoGen | Via Studio + trace logs | Medium | Medium | Research, coding |
Casos de uso
01. Productos mono-Agent observables
Incluso sin necesidades multi-Agent, Phidata/Agno es un framework mono-Agent fuerte gracias a la UI. Para enviar un producto donde ops necesita ver el razonamiento del Agent: empieza aquí.
02. Equipos de investigación (finanzas, legal, analista)
Varios especialistas (web, finanzas, expedientes SEC) coordinados por un team lead. El modo coordinate + show_tool_calls da a los usuarios finales citas transparentes.
03. Asistentes intensivos en conocimiento
El combo de conocimiento + vector DB integrado gestiona RAG sin trabajo de integración extra. Genial para asistentes internos sobre tus docs.
Precios y licencia
Agno (Phidata) OSS: con licencia MIT. Gratuito. pip install -U agno.
Agent UI: dashboard open source. Corre localmente o en un servidor que controlas. Hosting gestionado opcional en agno.com.
Coste de infra: SQLite en dev, Postgres en producción. Vector DB de tu elección. Más costes de API LLM — model=OpenAIChat(...) de Agno abstrae cualquier endpoint compatible con OpenAI.
Activos relacionados en TokRepo
Phidata Assistants — Memory, Knowledge & Tools in One Class
Phidata Assistant glues memory, knowledge bases, tool use into one Python class. Add knowledge with PgVector or Lance, free UI playground included.
Phidata — AI Agents with Memory, Knowledge & Tools
Python framework for building AI agents with built-in memory (PostgreSQL), knowledge bases (RAG), and 50+ tool integrations. Production-ready with monitoring dashboard. 18,000+ GitHub stars.
Phidata — Build & Deploy AI Agents at Scale
Framework for building, running, and managing AI agents at scale. Memory, knowledge, tools, reasoning, and team workflows. Monitoring dashboard included. 39K+ stars.
Preguntas frecuentes
¿Phidata vs Agno — son diferentes?+
Mismo proyecto; rebranding de 2025 de Phidata a Agno. El paquete Python se renombró a agno; los imports cambian de phi.* a agno.*. El repo de phidata redirige a agno-agi/agno en GitHub.
¿Agno vs CrewAI?+
Agno trae una Agent UI de primera clase y una sensación más «batteries included» (memoria, conocimiento, herramientas ya presentes). CrewAI tiene una abstracción de roles/tareas más fuerte y una comunidad mayor. Prueba ambos en un ejemplo pequeño; la preferencia suele ser inmediata.
¿Agno soporta modelos locales?+
Sí. agno.models.ollama, LM Studio, vLLM, Together, LiteLLM y cualquier endpoint compatible con OpenAI. Cambia el argumento model=; el resto se mantiene idéntico.
¿Agent UI está listo para producción?+
Usado en producción por varios equipos en 2025-2026. Trátalo como herramienta ops interna (protégelo con auth, detrás de una VPN) en lugar de como superficie cara al cliente.
¿Cómo escala el rendimiento multi-Agent?+
El coste de instanciación de Agno es bajo (microsegundos), así que miles de Agents concurrentes son viables. El cuello de botella es el throughput de la API LLM, no Agno. Para escala extrema, usa un gateway (LiteLLM, Portkey) delante de tus modelos.