Agno définit un agent comme une boucle autour d’un modèle, d’instructions et d’outils. Le modèle peut choisir d’appeler une fonction, observer son résultat puis construire la réponse finale. Pour un premier essai, utilisez un outil local sans effet irréversible.
Préparer l’environnement
python -m venv .venv
source .venv/bin/activate
pip install -U agno openai
export OPENAI_API_KEY="votre-cle"Ne stockez jamais une clé réelle dans le code ou le dépôt. Verrouillez également la version d’Agno : la version 2 a introduit des changements importants d’architecture.
Définir un outil
Une fonction typée et documentée peut devenir un outil. Gardez sa portée étroite et validez ses paramètres :
from typing import Literal
def etat_service(service: Literal["api", "web"]) -> str:
"Retourne l’état simulé d’un service autorisé."
etats = {"api": "opérationnel", "web": "maintenance planifiée"}
return etats[service]Construire l’agent
from agno.agent import Agent
agent = Agent(
name="Assistant exploitation",
model="openai:gpt-5-mini",
tools=[etat_service],
instructions="Utilise l’outil uniquement pour api ou web. Réponds en français.",
)
agent.print_response("Quel est l’état du site web ?")L’identifiant du modèle doit correspondre à votre fournisseur et à vos droits. Les instructions améliorent le comportement, mais le contrôle réel doit rester dans la fonction : liste d’arguments autorisés, délais, journalisation et gestion des erreurs.
Ajouter des garde-fous
Testez une demande valide, une valeur inconnue et une tentative de détourner l’outil. Pour toute écriture, suppression, dépense ou communication externe, ajoutez une confirmation humaine avant l’exécution.
Agno peut ensuite persister des sessions, ajouter une mémoire, produire des sorties Pydantic et tracer les appels. Activez ces capacités progressivement. Commencez par mesurer le taux de bons appels, les arguments invalides, la latence et le coût. Un agent fiable dépend davantage de ses autorisations et de ses tests que de la quantité d’outils disponibles.