Phidata — framework d’Agents observable, pensé mémoire d’abord
Phidata (renommé Agno en 2025) est un framework Python pour bâtir des Agents avec mémoire, connaissances, outils intégrés et une Agent UI web — conçu pour voir précisément ce que font vos Agents.
Why phidata / agno
L’argument de Phidata, c’est « des Agents qu’on peut vraiment voir ». Chaque Agent écrit sa mémoire, ses récupérations de connaissances, ses appels d’outils et ses réponses dans un store Postgres ou SQLite, et l’Agent UI les affiche en chronologie live. Vous déboguez vos Agents en scrollant un tableau de bord au lieu de greper des logs. En 2025, le projet a été renommé Agno (désormais sur agno.com), en conservant l’API Phidata en grande partie intacte.
Le support multi-Agent de Phidata/Agno est léger mais pratique. Utilisez la primitive Team pour coordonner des Agents ; chaque membre a son propre modèle, ses outils et ses instructions, et l’équipe a un coordinateur qui route les tâches. Moins élaboré que les SOP de CrewAI ou les graphes de LangGraph, mais suffisant pour la plupart des pipelines réels.
Là où Phidata se distingue, c’est dans ses défauts « batteries included » : mémoire, connaissances (wrappers vector DB), outils, UI et CLI propre. Vous êtes productif en une heure, et vos équipes ops voient ce qui se passe sans instrumentation séparée.
Quick Start — Team of Three with Agent UI
Team.mode="coordinate" utilise un LLM coordinateur pour décider quel membre répond ensuite. "collaborate" diffuse la tâche à tous les membres. "route" choisit un seul membre. print_response streame tout l’échange ; persistez-le en réglant storage dans les constructeurs 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)Fonctionnalités clés
Modes Team
coordinate (le coordinateur choisit le membre suivant), collaborate (tous les membres répondent), route (un seul membre). Boutons simples ; couvrent la plupart des patterns multi-Agent réels.
Mémoire intégrée
Mémoire court terme (par exécution) et long terme (entre exécutions) prête à l’emploi, sur SQLite, Postgres ou SingleStore. Pas besoin d’intégration mem0/Zep séparée pour les cas basiques.
Connaissance (RAG)
Sources de connaissances PDF, URL, texte et CSV avec vector DB pluggables (LanceDB, PgVector, Qdrant, Chroma). Les Agents récupèrent automatiquement.
Agent UI
Appli Next.js qui lit le store des Agents et affiche une chronologie — messages, appels d’outils, raisonnement, hits de connaissances. Hébergée localement ou sur votre propre serveur. La principale raison pour laquelle beaucoup choisissent Phidata/Agno.
Catalogue d’outils massif
80+ outils intégrés : recherche DuckDuckGo/Tavily, YFinance, Slack, Gmail, GitHub, shell, Python REPL, SQL, PostgresTools et bien d’autres. Le bloat d’outils est réel ; faites votre marché.
Runtime rapide
Agno met l’accent sur une instanciation d’Agent à faible coût (microsecondes) et une empreinte mémoire réduite — important pour les Agents concurrents. Plus rapide que CrewAI sur des boucles simples selon leurs benchmarks publiés.
Comparaison
| Observability Built-in | Multi-Agent Complexity | Learning Curve | Best Fit | |
|---|---|---|---|---|
| phidata / agnocelui-ci | 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 |
Cas d'usage
01. Produits mono-Agent observables
Même sans besoin multi-Agent, Phidata/Agno est un framework mono-Agent solide grâce à son UI. Pour livrer un produit où les ops doivent voir le raisonnement de l’Agent : commencez ici.
02. Équipes de recherche (finance, juridique, analyste)
Plusieurs spécialistes (web, finance, dépôts SEC) coordonnés par un team lead. Le mode coordinate + show_tool_calls donne aux utilisateurs finaux des citations transparentes.
03. Assistants à forte composante connaissances
Le combo connaissances + vector DB intégré gère le RAG sans travail d’intégration supplémentaire. Idéal pour des assistants internes au-dessus de vos docs.
Tarification et licence
Agno (Phidata) OSS : sous licence MIT. Gratuit. pip install -U agno.
Agent UI : dashboard open source. Tourne localement ou sur un serveur que vous contrôlez. Hébergement managé optionnel sur agno.com.
Coût d’infra : SQLite en dev, Postgres en production. Vector DB de votre choix. Plus les coûts d’API LLM — model=OpenAIChat(...) d’Agno abstrait tout endpoint compatible OpenAI.
Assets associés sur 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.
Questions fréquentes
Phidata vs Agno — sont-ils différents ?+
Même projet ; rebranding de 2025 de Phidata vers Agno. Le paquet Python a été renommé en agno ; les imports passent de phi.* à agno.*. Le repo phidata redirige vers agno-agi/agno sur GitHub.
Agno vs CrewAI ?+
Agno arrive avec une Agent UI de première classe et un feeling « batteries included » plus lourd (mémoire, connaissances, outils déjà présents). CrewAI a une abstraction rôles/tâches plus forte et une plus grande communauté. Essayez les deux sur un petit exemple ; la préférence est généralement immédiate.
Agno supporte-t-il les modèles locaux ?+
Oui. agno.models.ollama, LM Studio, vLLM, Together, LiteLLM et tout endpoint compatible OpenAI. Changez l’argument model= ; le reste reste identique.
Agent UI est-il prêt pour la production ?+
Utilisé en production par plusieurs équipes en 2025-2026. Traitez-le comme un outil ops interne (protégez-le par auth, derrière un VPN) plutôt que comme une surface grand public.
Comment scale la performance multi-Agent ?+
Le coût d’instanciation d’Agno est faible (microsecondes), donc des milliers d’Agents concurrents sont viables. Le goulot d’étranglement est le débit de l’API LLM, pas Agno. Pour une échelle extrême, utilisez une gateway (LiteLLM, Portkey) devant vos modèles.