Qdrant에서 Agno 사용하기
Qdrant에서 Agno 사용하기 (agno)
Agno는 엄청나게 빠른 멀티에이전트 프레임워크로, 런타임과 UI까지 함께 제공해요. 메모리, 지식, 인간 개입(human-in-the-loop), 그리고 Model Context Protocol(MCP) 지원을 갖춘 멀티에이전트 시스템을 만들 수 있어요.
에이전트를 더 자율적인 멀티에이전트 팀으로 오케스트레이션하거나, 더 많은 통제가 가능한 단계 기반(step-based) 에이전틱 워크플로우로 구성할 수 있어요. Qdrant는 지식 베이스용 벡터 데이터베이스로 자연스럽게 함께 쓰이는데, AI 에이전트가 쓸 정보를 효율적으로 저장하고 검색하게 해 줘요. Agno는 동기(synchronous)와 비동기(asynchronous) 연산을 모두 지원해서 다양한 사용 사례와 배포 시나리오에 유연해요.
사용 방법
1. 필요한 의존성 설치
pip install agno qdrant-client
2. Qdrant 연결용 환경 변수 설정
export QDRANT_API_KEY="<your-qdrant-api-key>"
export QDRANT_URL="<your-qdrant-url>"
3. Qdrant 지식 베이스를 가진 에이전트 만들기
import os
from agno.agent import Agent
from agno.knowledge.knowledge import Knowledge
from agno.vectordb.qdrant import Qdrant
# Configure Qdrant vector database
api_key = os.getenv("QDRANT_API_KEY")
qdrant_url = os.getenv("QDRANT_URL")
COLLECTION_NAME = "my-knowledge-base"
vector_db = Qdrant(
collection=COLLECTION_NAME,
url=qdrant_url,
# or you can just url="http://localhost:6333"
api_key=api_key, # (optional)
)
# Create a knowledge base with Qdrant
knowledge_base = Knowledge(
vector_db=vector_db,
)
# Add content to the knowledge base
knowledge_base.add_content(
url="https://example.com/document.pdf"
)
# Create an agent with the knowledge base
agent = Agent(
knowledge=knowledge_base,
debug_mode=True,
)
# Use the agent
response = agent.print_response("What information do you have?")
구성 흐름을 보면 이래요. Qdrant 벡터 DB를 컬렉션 이름과 URL, API 키로 만들고, 그걸 Knowledge에 넣어 지식 베이스를 구성해요. add_content(...)로 콘텐츠(여기서는 문서 URL)를 채운 뒤, 그 지식 베이스를 가진 Agent를 만들면 돼요. Qdrant가 로컬이라면 url="http://localhost:6333"만 써도 되고, API 키는 선택이라서 클라우드 사용 시에 넣으면 돼요.