Erstellen von AI-Agenten mit Bright Data in Agno

In diesem Artikel werden Sie Folgendes sehen:

• Was Agno ist und was es als KI-Agenten-Framework besonders macht.
• Warum die Integration mit Datenabfragetools Ihre KI-Agenten deutlich leistungsfähiger macht.
• Wie man Agno mit Bright Data-Tools kombiniert, um Agenten zu erstellen, die Daten live abrufen können.

Lasst uns eintauchen!

Was ist Agno?

Agno ist ein quelloffenes Python-Framework zur Entwicklung von leichtgewichtigen KI-Agenten und Multi-Agenten-Systemen. Es bietet integrierte Unterstützung für Speicher, Wissensintegration, fortgeschrittene Argumentation und mehr.

Was Agno einzigartig macht, sind die folgenden Aspekte:

• Modellunabhängig: Bietet eine einheitliche Schnittstelle zu 23+ LLM-Anbietern.
• Hohe Leistung: Agenten werden in ca. 3 Mikrosekunden instanziiert, wobei im Durchschnitt nur ~6,5 KiB Speicherplatz benötigt werden.
• Logisches Denken als Bürger erster Klasse: Der Schwerpunkt liegt auf dem Reasoning, um die Zuverlässigkeit der Agenten zu verbessern und schwierige Aufgaben zu bewältigen. Es unterstützt drei Reasoning-Ansätze : Reasoning-Modelle, Reasoning-Tools und benutzerdefinierte Chain-of-Thought-Pipelines.
• Native Multimodalität: Agenten können Text, Bilder, Audio und Video sofort verarbeiten und erzeugen.
• Unterstützung für Multi-Agenten-Szenarien: Aufbau kollaborativer Teams von Agenten mit gemeinsamem Speicher, Kontext und koordiniertem Denken.
• Integrierte agentische Suche: Agenten können über 20+ Vektordatenbanken zur Laufzeit durchsuchen, um moderne agentenbasierte RAG-Workflows zu ermöglichen.
• Integrierter Speicher und Sitzungsspeicher: Agenten verfügen über integrierte Speicher- und Speichertreiber, die einen Langzeitspeicher und eine dauerhafte Sitzungsverfolgung ermöglichen.
• Strukturierte Ausgaben: Gibt vollständig typisierte Antworten zurück.

Darüber hinaus bietet Agno integrierte Unterstützung für über 50 Drittanbieter von KI-Tools. Das bedeutet, dass mit Agno erstellte KI-Agenten problemlos mit einigen der besten KI-Lösungen auf dem Markt integriert werden können.

KI-Agenten brauchen Zugang zu Webdaten, um genau und effektiv zu sein

Jedes KI-Agenten-Framework erbt wichtige Einschränkungen von den LLMs, auf denen es aufbaut. Da die meisten LLMs auf statischen Datensätzen vortrainiert sind, fehlt ihnen das Echtzeitbewusstsein und sie können nicht zuverlässig auf Live-Webinhalte zugreifen.

Dies führt oft zu veralteten Antworten oder sogar zu Halluzinationen. Um diese Einschränkungen zu überwinden, benötigen Agenten (und, bei Erweiterungen, die LLMs, auf die sie sich verlassen) Zugang zu vertrauenswürdigen Webdaten. Warum gerade Webdaten? Weil das Internet die umfassendste verfügbare Informationsquelle ist.

Ein effektiver Weg, dies zu erreichen, besteht darin, Agno-Agenten die Möglichkeit zu geben, Live-Suchanfragen durchzuführen und Inhalte von jeder beliebigen Webseite zu scrapen. Das ist mit den Bright Data Tools von Agno möglich!

Diese Tools sind nativ in Agno integriert und ermöglichen Agenten den Zugriff auf eine umfangreiche Suite von KI-fähigen Webdaten-Tools. Zu den Funktionen gehören Web Scraping, SERP-Datenabfrage, Screenshot-Funktionen und Zugriff auf Datenfeeds im JSON-Format von über 40 bekannten Websites.

Wie man Bright Data Scraping Tools in einen Agno-Agenten integriert

In diesem Abschnitt erfahren Sie, wie Sie mit Agno einen Python-KI-Agenten erstellen, der mit Bright Data-Tools verbunden werden kann. Mit diesen Tools kann Ihr Agent Daten von jeder beliebigen Seite scrapen und aktuelle Suchmaschinenergebnisse abrufen.

Folgen Sie den nachstehenden Schritten, um Ihren Bright Data-gestützten KI-Agenten in Agno zu erstellen!

Voraussetzungen

Um dieser Anleitung folgen zu können, benötigen Sie folgende Voraussetzungen:

• Python 3.7 oder höher lokal installiert (die neueste Version wird empfohlen).
• Ein Bright Data-API-Schlüssel.
• Ein API-Schlüssel für einen unterstützten LLM-Anbieter (wir verwenden hier OpenAI, aber jeder unterstützte Anbieter funktioniert).

Machen Sie sich keine Sorgen, wenn Sie noch keinen Bright Data-API-Schlüssel haben. Wir werden Sie in den nächsten Schritten durch die Erstellung eines solchen Schlüssels führen.

Schritt 1: Projekt einrichten

Öffnen Sie ein Terminal und erstellen Sie einen neuen Ordner für Ihren Agno AI-Agenten mit Bright Data-gestützter Datenabfrage:

mkdir agno-bright-data-agent

Der Ordner agno-bright-data-agent wird den gesamten Python-Code für Ihren KI-Agenten enthalten.

Navigieren Sie dann zu dem Projektordner und erstellen Sie darin eine virtuelle Umgebung:

cd agno-bright-data-agent
python -m venv venv

Öffnen Sie nun den Projektordner in Ihrer bevorzugten Python-IDE. Wir empfehlen Visual Studio Code (mit der Python-Erweiterung) oder PyCharm Community Edition.

Erstellen Sie eine neue Datei namens agent.py im Projektordner. Ihre Projektstruktur sollte nun wie folgt aussehen:

agno-bright-data-agent/
├── venv/
└── agent.py

Aktivieren Sie die virtuelle Umgebung in Ihrem Terminal. Unter Linux oder macOS führen Sie diesen Befehl aus:

source venv/bin/activate

Starten Sie unter Windows die entsprechende Funktion:

venv/Scripts/activate

In den nächsten Schritten werden Sie durch die Installation der erforderlichen Abhängigkeiten geführt. Wenn Sie lieber gleich alles installieren möchten, führen Sie den folgenden Befehl in der aktivierten virtuellen Umgebung aus:

pip install agno python-dotenv openai requests 

Hinweis: Wir installieren openai, weil dieses Tutorial OpenAI als LLM-Anbieter verwendet. Wenn Sie einen anderen LLM verwenden möchten, installieren Sie stattdessen die entsprechende Bibliothek für diesen Anbieter.

Sie sind bereit! Sie verfügen nun über eine Python-Entwicklungsumgebung, um einen KI-Agenten mit den Tools von Agno und Bright Data zu erstellen.

Schritt #2: Einrichten von Umgebungsvariablen Lesen

Ihr Agno-Agent interagiert mit Diensten von Drittanbietern wie OpenAI und Bright Data über eine API-Integration. Um dies auf sichere Weise zu tun, sollten Sie API-Schlüssel nicht direkt in Ihren Python-Code einfügen. Speichern Sie sie stattdessen als Umgebungsvariablen.

Um das Laden von Umgebungsvariablen zu vereinfachen, nutzen Sie die python-dotenv-Bibliothek. Wenn Ihre virtuelle Umgebung aktiviert ist, installieren Sie sie, indem Sie sie ausführen:

pip install python-dotenv

Dann importieren Sie in Ihrer agent.py-Datei die Bibliothek und laden die Umgebungsvariablen mit load_dotenv():

from dotenv import load_dotenv

load_dotenv()

Diese Funktion ermöglicht es Ihrem Skript, Variablen aus einer lokalen .env-Datei zu lesen. Erstellen Sie eine .env-Datei im Stammverzeichnis Ihres Projektordners:

agno-bright-data-agent/
├── venv/
├── .env # <-------------
└── agent.py

Großartig! Sie sind nun in der Lage, die Integrationsgeheimnisse von Drittanbietern mithilfe von Umgebungsvariablen sicher zu verwalten.

Schritt Nr. 3: Mit Bright Data loslegen

Ab diesem Zeitpunkt bieten die in Agno integrierten Bright Data-Tools Zugang zu diesen Lösungen:

• SERP-API: Eine API, die Echtzeit-Suchergebnisse von allen großen Suchmaschinen liefert.
• Web Unlocker API: Eine fortschrittliche Scraping-API, die ausgeklügelte Bot-Schutzmechanismen umgeht und Ihnen Zugriff auf jede beliebige Webseite gewährt (im Markdown-Format, das für die KI-Nutzung optimiert ist).
• Web Scraper APIs: Spezielle Scraping-Endpunkte für die ethische Extraktion von frischen, strukturierten Webdaten aus verschiedenen beliebten Domains.

Um die oben genannten Tools zu integrieren, müssen Sie Folgendes tun:

1. Konfigurieren Sie die Lösungen SERP API und Web Unlocker in Ihrem Bright Data-Konto.
2. Rufen Sie Ihr Bright Data-API-Token ab, um auf diese Services zuzugreifen.

Folgen Sie den nachstehenden Anweisungen, um beides zu tun!

Wenn Sie noch kein Bright Data-Konto haben, sollten Sie zunächst eines erstellen. Wenn Sie bereits ein Konto haben, melden Sie sich an und öffnen Sie Ihr Dashboard:

Klicken Sie auf die Schaltfläche “Proxy-Produkte erhalten”, die Sie zur Seite “Proxies & Scraping-Infrastruktur” führt:

In diesem Fall können Sie sehen, dass sowohl die SERP API als auch die Web Unlocker API bereits aktiviert und einsatzbereit sind. Ihre Zonennamen lauten serp bzw. unblocker.

Wenn das bei Ihnen nicht der Fall ist, müssen Sie sie einrichten. Wir zeigen Ihnen, wie Sie eine Web Unlocker API-Zone erstellen, aber der Prozess ist ähnlich wie bei der Erstellung einer SERP API-Zone.

Scrollen Sie nach unten und klicken Sie auf “Zone erstellen” auf der Karte “Web Unlocker API”:

Geben Sie Ihrer Zone einen Namen (z. B. "Unlocker"), aktivieren Sie die erweiterten Funktionen für maximale Effektivität, und drücken Sie auf “Hinzufügen”:

Sie werden dann auf die Zonenseite weitergeleitet, die wie folgt aussieht:

Vergewissern Sie sich, dass der Aktivierungsschalter auf “Aktiv” steht, da dies bedeutet, dass Ihre Zone korrekt eingerichtet und einsatzbereit ist.

Folgen Sie anschließend der offiziellen Bright Data-Anleitung, um Ihren API-Schlüssel zu generieren. Fügen Sie ihn anschließend wie folgt zu Ihrer .env-Datei hinzu:

BRIGHT_DATA_API_KEY="<YOUR_BRIGHT_DATA_API_KEY>"

Ersetzen Sie den Platzhalter durch Ihren tatsächlichen API-Schlüsselwert.

Wunderbar! Es ist an der Zeit, Bright Data-Tools in Ihr Agno-Agentenskript zu integrieren.

Schritt #4: Installieren und Konfigurieren der Agno Bright Data Tools

Installieren Sie Agno in Ihrem Projektordner bei aktivierter virtueller Umgebung, indem Sie Agno ausführen:

pip install agno

Hinweis: Das agno-Paket enthält bereits integrierte Unterstützung für Bright Data-Tools, so dass für diese Einrichtung keine integrationsspezifischen Pakete erforderlich sind.

Da die Bright Data-Tools auf die Python-Anforderungsbibliothek angewiesen sind, sollten Sie diese ebenfalls installieren:

pip install requests

Importieren Sie in Ihrer agent.py-Datei die Bright Data-Tools von Agno:

from agno.tools.brightdata import BrightDataTools

Initialisieren Sie dann die Werkzeuge auf diese Weise:

bright_data_tools = BrightDataTools(
    serp_zone="YOUR_SERP_ZONE_NAME",
    web_unlocker_zone="YOUR_UNLOCKER_ZONE_NAME"
)

Ersetzen Sie "YOUR_SERP_ZONE_NAME" und "YOUR_UNLOCKER_ZONE_NAME" durch die Namen der Bright Data-Zonen, die Sie zuvor konfiguriert haben. Wenn Ihre Zonen z. B. ” serp" und "unlocker" heißen, würde der Code wie folgt aussehen:

bright_data_tools = BrightDataTools(
    serp_zone="serp",
    web_unlocker_zone="unlocker"
)

Beachten Sie, dass Sie die Zonennamen auch nicht direkt im Code übergeben können. Verwenden Sie stattdessen die folgenden Umgebungsvariablen in Ihrer .env-Datei:

BRIGHT_DATA_WEB_UNLOCKER_ZONE="<YOUR_BRIGHT_DATA_WEB_UNLOCKER_ZONE>"
BRIGHT_DATA_SERP_ZONE="<YOUR_BRIGHT_DATA_SERP_ZONE>"

Ersetzen Sie die Platzhalter durch die tatsächlichen Namen Ihrer Bright Data-Zonen. Entfernen Sie dann die Argumente serp_zone und web_unlocker_zone in BrightDataTools,

Hinweis: Um eine Verbindung zu den Bright Data-Lösungen herzustellen, benötigt BrightDataTools die Umgebungsvariable BRIGHT_DATA_API_KEY. Insbesondere wird erwartet, dass die BRIGHT_DATA_API_KEY-Umgebungsvariable Ihren Bright Data-API-Schlüssel enthält. Aus diesem Grund haben wir sie im vorherigen Schritt zur .env-Datei hinzugefügt.

Erstaunlich! Die nächste Integration ist die mit dem LLM.

Schritt #5: Einrichten des LLM-Modells

Um eine Verbindung zu OpenAI – dem in diesem Tutorial verwendeten LLM-Anbieter – herzustellen, installieren Sie zunächst die erforderliche OpenAI-Abhängigkeit:

pip install openai

Dann importieren Sie die OpenAI-Integrationsklasse von Agno:

from agno.models.openai import OpenAIChat

Initialisieren Sie nun Ihr LLM-Modell wie unten beschrieben:

llm_model = OpenAIChat(id="gpt-4o-mini")

Oben ist "gpt-4o-mini" der Name des in diesem Leitfaden verwendeten OpenAI-Modells. Sie können dies bei Bedarf in jedes andere unterstützte OpenAI-Modell ändern.

Hinter den Kulissen erwartet OpenAIChat, dass Ihr OpenAI API-Schlüssel in einer Umgebungsvariablen namens OPENAI_API_KEY definiert ist. Um sie einzurichten, fügen Sie die folgende Zeile in Ihre .env-Datei ein:

OPENAI_API_KEY="<YOUR_OPENAI_API_KEY>"

Ersetzen Sie den Platzhalter durch Ihren tatsächlichen OpenAI-API-Schlüssel.

Hinweis: Wenn Sie es vorziehen, eine Verbindung zu einem anderen von Agno unterstützten LLM herzustellen, finden Sie in der offiziellen Dokumentation entsprechende Anweisungen.

Gut gemacht! Sie haben nun alle Bausteine, um einen Agno-Agenten mit Web-Datenabfrage-Funktionen zu erstellen.

Schritt #6: Erstellen Sie den Agenten

Definieren Sie in Ihrer agent.py-Datei Ihren Agenten:

agent = Agent(
    tools=[bright_data_tools],
    show_tool_calls=True,
    model=llm_model,
)

Dadurch wird ein Agno-Agent erstellt, der das konfigurierte LLM-Modell zur Verarbeitung von Benutzereingaben verwendet und Zugriff auf die Bright Data-Tools für den Datenabruf hat. Die Option show_tool_calls=True ist hilfreich, um zu verstehen, was vor sich geht, da sie anzeigt, welche Tools der Agent zur Bearbeitung der Anfrage verwendet.

Vergessen Sie nicht, die Klasse Agent von Agno zu importieren:

from agno.agent import Agent

Fantastisch! Die Integration von Agno und Bright Data ist abgeschlossen. Jetzt müssen Sie nur noch eine Anfrage an Ihren Agenten senden, um sie in Aktion zu sehen.

Schritt Nr. 7: Abfrage des Agenten Powered by Bright Data Tools

Mit den folgenden zwei Codezeilen können Sie nun mit Ihrem Agno AI-Agenten interagieren:

prompt = "Search for AAPL news"
agent.print_response(prompt, markdown=True)

Die erste Zeile definiert die Eingabeaufforderung, die die Aufgabe oder Frage beschreibt, die Ihr Agent bearbeiten soll. Die zweite Zeile führt sie aus und druckt ihre Ausgabe.

Die Option markdown=True stellt sicher, dass die Antwort in Markdown formatiert wird, was ideal für eine lesbare, KI-freundliche Ausgabe ist.

Hinweis: Sie können jede beliebige Eingabeaufforderung ausprobieren, aber “Search for AAPL news” ist ein guter Ausgangspunkt, um die SERP-Datenabfragefunktion zu testen.

Schritt #8: Alles zusammenfügen

Dies sollte der endgültige Code Ihrer agent.py-Datei sein:

from dotenv import load_dotenv
from agno.tools.brightdata import BrightDataTools
from agno.models.openai import OpenAIChat
from agno.agent import Agent

# Load the environment variables from the .env file
load_dotenv()

# Configure the Bright Data tools for Agno integration
bright_data_tools = BrightDataTools(
    serp_zone="serp", # Replace with your SERP API zone name
    web_unlocker_zone="unlocker" # Replace with your Web Unlocker API zone name
)

# The LLM that will be used by the AI agent
llm_model = OpenAIChat(id="gpt-4o-mini")

# The definition of your Agno agent, with Bright Data tools
agent = Agent(
    tools=[bright_data_tools],
    show_tool_calls=True, # Useful for understanding what happens behind the scenes
    model=llm_model,
)

# Run a task in the AI agent
prompt = "Search for AAPL news"
agent.print_response(prompt, markdown=True)

In weniger als 30 Zeilen Code haben Sie soeben einen KI-Agenten erstellt, der Daten von jeder beliebigen Webseite scrapen und Echtzeit-Suchen in den wichtigsten Suchmaschinen durchführen kann. Das ist die Stärke von Agno als Full-Stack-Framework für die Entwicklung von KI-Agenten!

Schritt #9: Starten Sie Ihren Agno-Agenten

Nun ist es an der Zeit, Ihren Agno-KI-Agenten in Aktion zu erleben. Starten Sie ihn in Ihrem Terminal mit:

python agent.py

Sie sehen eine animierte Ausgabe im Terminal, die anzeigt, dass der Agent die Aufforderung “Suche nach AAPL-Nachrichten” verarbeitet. Sobald die Suche abgeschlossen ist, wird der Agent ein Ergebnis wie dieses liefern:

Die Ausgabe umfasst:

1. Die von Ihnen eingereichte Aufforderung.
2. Das Tool, das der Agent zur Erfüllung der Aufgabe verwendet hat. In diesem Fall wurde die Funktion search_engine() aus den Bright Data-Tools verwendet, um über die SERP-API auf Google zuzugreifen und Echtzeit-Nachrichten über die AAPL-Aktie abzurufen.
3. Eine Antwort im Markdown-Format, die vom OpenAI-Modell auf der Grundlage der abgerufenen Daten erzeugt wird.

Hinweis: Das Ergebnis enthält dank der Markdown-Formatierung aktuelle Nachrichteninhalte mit anklickbaren Links. Außerdem sind einige der Nachrichten sehr aktuell und wurden nur wenige Stunden vor der Eingabeaufforderung veröffentlicht.

Gehen wir nun einen Schritt weiter. Angenommen, Sie möchten eine Zusammenfassung eines der abgerufenen Nachrichtenartikel. Sie können die Eingabeaufforderung einfach aktualisieren:

prompt = """
Give me a summary of the following news in around 150 words.

NEWS URL:
https://www.msn.com/en-us/money/other/apple-inc-aapl-to-introduce-new-parental-controls-to-protect-kids-and-teens-online/ar-AA1HdVd6
"""
agent.print_response(prompt, markdown=True)

Diesmal wird die Ausgabe etwa so aussehen:

In diesem Fall verwendete der Agent ein anderes Tool: scrape_as_markdown(), das mit der Web Unlocker API verbunden ist. Dieses Tool holt den Inhalt der Webseite im Markdown-Format ab und übergibt ihn zur Zusammenfassung an den LLM.

Et voilà! Sie haben soeben die nahtlose Datenabfrage und -verarbeitung in Ihrem KI-Agenten erlebt, unterstützt von Bright Data-Tools und Agno.

Nächste Schritte

Der KI-Agent, den Sie in diesem Lernprogramm mit Agno erstellt haben, ist nur ein Ausgangspunkt. Im Detail haben wir nur an der Oberfläche dessen gekratzt, was möglich ist. Um Ihr Projekt voranzutreiben, sollten Sie die folgenden Schritte in Betracht ziehen:

• Fügen Sie einen Wissensspeicher hinzu: Verbessern Sie Ihren Agenten, indem Sie Webdaten mit Bright Data-Tools abrufen und in Agnos integrierter Vektordatenbank speichern. Dies ermöglicht ein Langzeitgedächtnis und unterstützt agentische RAG.
• Aktivieren Sie das Gedächtnis und das logische Denken des Agenten: Statten Sie Ihren Agenten mit einem Gedächtnis und einem mehrstufigen Denkprozess aus, damit er lernen, reflektieren und fundierte Entscheidungen treffen kann. Dies ermöglicht die Implementierung fortschrittlicher Muster, wie z. B. der beliebten ReAct (Reasoning + Acting) Agentenarchitektur.
• Erstellen Sie eine Benutzeroberfläche für eine vereinfachte Interaktion: Fügen Sie eine Benutzeroberfläche hinzu, um ein ChatGPT-ähnliches Erlebnis zu bieten, das die Tür zu natürlicheren Unterhaltungen mit Ihrem KI-Agenten öffnet.

Für weitere Ideen und fortgeschrittene Integrationen werfen Sie einen Blick in die offizielle Agno-Dokumentation.

Schlussfolgerung

In diesem Artikel haben Sie gelernt, wie Sie mit Agno einen KI-Agenten mit Echtzeit-Datenabfragefunktionen unter Verwendung von Bright Data-Tools erstellen können. Diese Integration ermöglicht Ihrem Agenten den Zugriff auf öffentliche Webinhalte von Websites und Suchmaschinen.

Vergessen Sie nicht, dass das, was Sie hier gesehen haben, nur ein einfaches Beispiel ist. Wenn Sie fortschrittlichere Agenten erstellen möchten, benötigen Sie Lösungen zum Abrufen, Validieren und Umwandeln von Live-Webdaten. Genau das können Sie in der KI-Infrastruktur von Bright Data finden.

Erstellen Sie ein kostenloses Bright Data-Konto und experimentieren Sie mit unseren KI-fähigen Datentools!