- https://github.com/phidatahq/phidata

- https://docs.phidata.com/

- https://github.com/BrainBlend-AI/atomic-agents

## phidata

```

conda create -n phidata python=3.12  -y

conda activate phidata

cd  /data/site/htmltoo.labs/phidata

./scripts/upgrade.sh all

pip install -r requirements.txt

pip install -r requirements-add.txt

pip install -U phidata 'fastapi[standard]' sqlalchemy  pgvector pypdf "psycopg[binary]"  newspaper4k   lxml_html_clean

python app/Ollama.py

python app/playground.py

CONDA_INLINE_NO_COMMAND_FIT=1 GRADIO_SERVER_PORT=7000 GRADIO_SERVER_NAME=0.0.0.0 python app.py

```

-

/root/miniconda3/envs/phidata/lib/python3.12/site-packages/gradio/

- http://192.168.1.11:7000

1️⃣ 多模态架构升级：

· 图像、音频原生支持，告别繁琐的三方集成

· 底层优化向量重排序，提升跨模态检索准确度

· 支持自定义模态处理器，灵活应对业务需求

· 视频处理能力研发中，即将支持流式解析

2️⃣ 智能工作流革新：

· 确定性多代理工作流GA发布，任务分解更智能

· Agent间直接对话机制，减少50%通信开销

· 实时上下文注入，让RAG检索更精准

· Pre/Post Hook设计，支持人工确认和结果校验

3️⃣ 状态管理突破：

· session_state变量创新，解决全链路状态共享难题

· 智能缓存机制，降低30%重复计算

· 支持函数级别状态隔离，提升系统稳定性

· 状态回滚机制，异常处理更可靠

4️⃣ 企业级能力加持：

· 五层分块策略（语义/文档/递归/固定/智能）

· CohereReranker统一重排序，提升50%召回准确率

· Milvus向量库原生支持，轻松应对海量数据

· 完整监控指标，助力企业级部署

💡 最佳实践：

· 智能客服：多模态理解+工作流编排，提升60%响应效率

· 知识库构建：五层分块+向量重排，检索准确率提升40%

· 数据分析：状态共享+多代理协作，分析效率翻倍

##

PhiData相比Agno具有以下优势：

更成熟: PhiData是一个更为成熟的库，具有更长的开发历史和更大的用户社区。

更多文档: PhiData的文档相对较多，包括详细的用户指南、API文档和教程。

更广泛的功能: PhiData支持更多的数据分析和科学计算功能，包括机器学习和深度学习。

然而，Agno也具有自己的优势，例如：

更简单的接口: Agno的接口相对更简单、更易用，适合初学者。

更轻量级: Agno是一个更轻量级的库，占用系统资源较少。

最终，选择Agno还是PhiData取决于您的具体需求和偏好。如果您需要一个更成熟、功能更丰富的库，PhiData可能是一个更好的选择。如果您需要一个更简单、更轻量级的库，Agno可能是一个更好的选择。

##

Phidata 是一个框架，旨在创建多模态智能体，支持记忆、知识集成和任务推理，并通过优雅的用户界面与智能体进行交互。

核心功能

• 简单优雅：轻量化设计，快速上手。

• 多模态支持：整合文本、图像、音频、视频输入。

• 多智能体协作：智能体团队协作处理复杂任务。

• 强大灵活：支持定制化工具和复杂任务执行。

• 内置 Agent UI：直观界面，轻松与智能体互动。

• 内置监控与调试：跟踪任务进展、优化性能。

应用场景

1. 高效信息查询：通过整合网络搜索和 AI 模型，快速获取精确信息。

2. 金融数据分析：支持股票价格、分析师推荐、公司资讯等多维度财务数据查询和展示。

3. 知识构建与利用：从 PDF 等文档中提取关键内容，结合内置知识库提升任务效率。

4. 协同工作：多个智能体分工协作，完成需要跨领域整合的信息处理任务。

关键特性

• Agentic RAG（Agent 自主检索生成）：减少冗余上下文输入，优化响应质量，提升任务效率。

• 结构化输出：通过定义输出格式（如 Pydantic 模型），确保结果条理清晰、易于理解和使用。

• 推理能力（实验性）：支持分步问题解决、动态调整，帮助智能体完成复杂逻辑推理任务。

示例亮点

• 多模态智能体：支持图像、文本等多种形式输入。例如，分析图片内容并检索相关资讯。

• 智能体协作：构建“团队智能体”，如一个智能体负责网络信息检索，另一个处理财务数据，最终生成整合报告。

• 用户界面：内置交互式 UI，方便用户与智能体实时对话并查看任务结果。

用户体验优化

• 无需云端存储：所有数据本地化存储，保障用户隐私。

• 实时监控与调试：通过内置工具跟踪任务进度，解决运行问题