# 克隆仓库
git clone https://github.com/Arindam200/awesome-ai-apps.git
cd awesome-ai-apps

# 选择项目（如 Agno Starter）
cd starter_ai_agents/agno_starter

# 配置环境变量
cp .env.example .env
# 编辑 .env 填入你的 API Key

# 安装依赖
pip install -r requirements.txt
# 或使用 uv（更快）
uv sync

# 运行项目
python main.py
# 或 Streamlit 应用
streamlit run app.py

from agno import agent

# 创建 HackerNews 分析 Agent
hn_agent = agent.Agent(
    name="HackerNews Analyst",
    model=models.OpenAIChat(id="gpt-4"),
    instructions="分析 HackerNews 当日热门话题"
)

# 运行
response = hn_agent.run("今日有哪些热门 AI 项目？")
print(response.content)

from route_llm import Router

# 智能路由：根据任务复杂度选择模型
router = Router(
    easy_model="gpt-4o-mini",      # 简单任务用小模型
    hard_model="nebius-llama",     # 复杂任务用大模型
)

# 自动选择最便宜的合适模型
result = router.execute(
    "解释什么是量子计算",
    complexity="easy"  # 自动判断或手动指定
)

from livekit import agents
from livekit.agents.pipeline import VoicePipelineAgent

# 创建语音 Agent
agent = VoicePipelineAgent(
    vad=agents.io.VAD.load(),
    llm=agents.llm.LLM.load("gemini-2.0-flash"),
    tts=agents.tts.TTS.load("sarvam"),
)

# 启动实时语音房间
await agent.start(room)

from memori import Memori
from agno import agent

# 初始化长期记忆
memori = Memori(version="v3")

# 创建带记忆的咨询 Agent
consultant = agent.Agent(
    name="AI Consultant",
    memory=memori,
    model=models.OpenAIChat(id="gpt-4"),
)

# Agent 会自动记住之前的偏好和上下文
consultant.run("我想要一个电商网站的 AI 方案")
consultant.run("预算大概多少？")  # 自动理解上下文

from agno import agent, knowledge
from agno.retriever import Retriever

# 创建知识库
kb = knowledge.KnowledgeBase(
    vector_db=Qdrant(collection="docs"),
    retriever=Retriever(vector_db=Qdrant()),
)

# 创建 RAG Agent
rag_agent = agent.Agent(
    name="Doc Assistant",
    knowledge=kb,
    model=models.OpenAIChat(id="gpt-4"),
    instructions="基于知识库回答用户问题"
)

# 检索 + 生成
rag_agent.run("我们的退货政策是什么？")

from agno import agent, pipeline

# 创建多阶段研究流水线
research_pipeline = pipeline.Pipeline(
    name="Deep Research",
    agents=[
        # 阶段1：信息收集
        agent.Agent(
            name="Web Scraper",
            role="收集相关信息",
            tools=[ScrapeGraphAI()]
        ),
        # 阶段2：分析
        agent.Agent(
            name="Analyst",
            role="深度分析",
            tools=[ExaSearch()]
        ),
        # 阶段3：综合报告
        agent.Agent(
            name="Report Writer",
            role="生成报告",
            instructions="综合前两个 Agent 的结果生成完整报告"
        )
    ]
)

# 执行流水线
result = research_pipeline.run("研究 AI 在医疗领域的最新进展")