> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Agno

> OpenTelemetry를 사용해 Weave에서 Agno 멀티 에이전트 시스템을 트레이스하여 에이전트 상호작용, 도구 Call, 멀티모달 워크플로를 포착합니다.

[OpenTelemetry (OTEL)](https://opentelemetry.io/)을 사용하면 Weave에서 [Agno](https://docs.agno.com/) 에이전트와 도구 Call을 트레이스할 수 있습니다. Agno는 공유 메모리, 지식, 추론을 갖춘 멀티 에이전트 시스템을 구축하기 위한 Python 프레임워크입니다. 가볍고 모델에 독립적으로 설계되었으며, 텍스트, 이미지, 오디오, 비디오 처리 등 멀티모달 기능을 지원합니다.

이 가이드에서는 OTEL을 사용해 Agno 에이전트와 도구 Call을 트레이스하고, Weave에서 해당 트레이스를 시각화하는 방법을 설명합니다. 필요한 의존성을 설치하고, 데이터를 Weave로 전송하도록 OTEL 트레이서를 설정하고, Agno 에이전트와 도구를 계측하는 방법을 알아봅니다.

<Tip>
  Weave의 OTEL 트레이싱에 대한 자세한 내용은 [Send OTEL Traces to Weave](../tracking/otel)를 참조하세요.
</Tip>

<div id="prerequisites">
  ## 사전 요구 사항
</div>

1. 필요한 의존성을 설치합니다:

   ```bash theme={null}
   pip install agno openinference-instrumentation-agno opentelemetry-sdk opentelemetry-exporter-otlp-proto-http
   ```

2. OpenAI API 키(또는 다른 모델 제공업체의 API 키)를 환경 변수로 설정합니다:

   ```bash theme={null}
   export OPENAI_API_KEY=your_api_key_here
   ```

3. [Weave에서 OTEL 트레이싱 구성](#configure-otel-tracing-in-weave).

<div id="configure-otel-tracing-in-weave">
  ### Weave에서 OTEL 트레이싱 설정
</div>

Agno에서 Weave로 트레이스를 전송하려면 `TracerProvider`와 `OTLPSpanExporter`를 사용해 OTEL을 설정하세요. 익스포터가 [인증 및 프로젝트 식별에 필요한 올바른 엔드포인트와 HTTP 헤더](#required-configuration)를 사용하도록 설정하세요.

<Note>
  API 키와 프로젝트 정보 같은 민감한 환경 변수는 환경 파일(예를 들어 `.env`)에 저장하고 `os.environ`으로 불러오세요. 이렇게 하면 자격 증명을 안전하게 보호하고 코드베이스에 직접 포함하지 않을 수 있습니다.
</Note>

<div id="required-configuration">
  #### 필수 설정
</div>

다음 엔드포인트 및 헤더로 OTLP 익스포터를 설정하세요:

* **엔드포인트:** `https://trace.wandb.ai/otel/v1/traces`
* **헤더:**
  * `Authorization`: W\&B API 키를 사용한 Basic 인증.
  * `project_id`: W\&B entity/프로젝트 이름(예를 들어, `myteam/myproject`).

<div id="send-otel-traces-from-agno-to-weave">
  ## Agno에서 Weave로 OTEL 트레이스 보내기
</div>

[사전 요구 사항](#prerequisites)을 완료한 후에는 Agno에서 Weave로 OTEL 트레이스를 보낼 수 있습니다. 다음 코드 스니펫은 Agno 애플리케이션에서 Weave로 OTEL 트레이스를 보내도록 OTLP span 익스포터와 트레이서 프로바이더를 설정하는 방법을 보여줍니다.

<Warning>
  Weave가 Agno를 올바르게 트레이스할 수 있도록, 코드에서 Agno 컴포넌트를 사용하기 *전에* 전역 트레이서 프로바이더를 설정하세요.
</Warning>

```python lines theme={null}
# tracing.py

import base64
import os
from openinference.instrumentation.agno import AgnoInstrumentor
from opentelemetry.exporter.otlp.proto.http.trace_exporter import OTLPSpanExporter
from opentelemetry.sdk import trace as trace_sdk
from opentelemetry.sdk.trace.export import SimpleSpanProcessor
from opentelemetry import trace

# 환경 변수에서 민감한 값 로드
WANDB_BASE_URL = "https://trace.wandb.ai"
# W&B entity/프로젝트 이름 (예: "myteam/myproject")
PROJECT_ID = os.environ.get("WANDB_PROJECT_ID")
# https://wandb.ai/settings 에서 W&B API 키 생성
WANDB_API_KEY = os.environ.get("WANDB_API_KEY")

OTEL_EXPORTER_OTLP_ENDPOINT = f"{WANDB_BASE_URL}/otel/v1/traces"
AUTH = base64.b64encode(f"api:{WANDB_API_KEY}".encode()).decode()

OTEL_EXPORTER_OTLP_HEADERS = {
    "Authorization": f"Basic {AUTH}",
    "project_id": PROJECT_ID,
}

# 엔드포인트와 헤더로 OTLP span exporter 생성
exporter = OTLPSpanExporter(
    endpoint=OTEL_EXPORTER_OTLP_ENDPOINT,
    headers=OTEL_EXPORTER_OTLP_HEADERS,
)

# 트레이서 프로바이더 생성 및 exporter 추가
tracer_provider = trace_sdk.TracerProvider()
tracer_provider.add_span_processor(SimpleSpanProcessor(exporter))

# Agno를 임포트하거나 사용하기 전에 전역 트레이서 프로바이더 설정
trace.set_tracer_provider(tracer_provider)
```

<div id="trace-agno-agents-with-otel">
  ## OTEL로 Agno 에이전트 트레이스하기
</div>

트레이서 프로바이더를 설정한 후에는 자동 트레이싱으로 Agno 에이전트를 생성하고 실행할 수 있습니다. 이후의 모든 에이전트 활동을 Weave가 캡처하도록 하려면 에이전트를 생성하기 전에 Agno를 계측하세요. 다음 예제에서는 도구가 포함된 에이전트를 만드는 방법을 보여줍니다:

```python lines theme={null}
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.yfinance import YFinanceTools

from dotenv import load_dotenv
load_dotenv()

# 위에서 생성한 파일에서 AgnoInstrumentor 로드
from tracing import AgnoInstrumentor

# Agno 계측 시작
AgnoInstrumentor().instrument()

# 금융 에이전트 생성
finance_agent = Agent(
    name="Finance Agent",
    model=OpenAIChat(id="gpt-4o-mini"),
    tools=[
        YFinanceTools(
            stock_price=True,
            analyst_recommendations=True,
            company_info=True,
            company_news=True
        )
    ],
    instructions=["Use tables to display data"],
    show_tool_calls=True,
    markdown=True,
)

# 에이전트 사용 - Weave가 이 호출을 자동으로 트레이스합니다
finance_agent.print_response(
    "What is the current stock price of Apple and what are the latest analyst recommendations?",
    stream=True
)
```

Weave는 모든 에이전트 오퍼레이션을 자동으로 트레이스하므로, 실행 흐름, 모델 호출, 추론 단계, 도구 호출을 시각화할 수 있습니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541/wMLJtUZ5T5eZkRFo/weave/guides/integrations/imgs/agno/agno_agent_trace.png?fit=max&auto=format&n=wMLJtUZ5T5eZkRFo&q=85&s=69ec3fdbeb5720ad965f640fba943aec" alt="Agno 에이전트의 트레이스 시각화" width="3016" height="1582" data-path="weave/guides/integrations/imgs/agno/agno_agent_trace.png" />
</Frame>

<div id="trace-agno-tools-with-otel">
  ## OTEL로 Agno 도구 트레이스하기
</div>

Agno에서 도구를 정의하고 사용하면 트레이스가 이러한 도구 Call도 캡처합니다. OTEL 인테그레이션은 에이전트의 추론 과정과 개별 도구 실행을 모두 자동으로 계측하여 에이전트 동작을 종합적으로 볼 수 있는 뷰를 제공합니다.

다음은 여러 도구를 사용하는 예시입니다:

```python lines theme={null}
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
from agno.tools.yfinance import YFinanceTools

from dotenv import load_dotenv
load_dotenv()

# 위에서 생성한 파일에서 AgnoInstrumentor 로드
from tracing import AgnoInstrumentor

# Agno 계측 시작
AgnoInstrumentor().instrument()

# 여러 도구를 사용하는 에이전트 생성
research_agent = Agent(
    name="Research Agent",
    model=OpenAIChat(id="gpt-4o-mini"),
    tools=[
        DuckDuckGoTools(),
        YFinanceTools(stock_price=True, company_info=True),
    ],
    instructions=[
        "Search for current information and financial data",
        "Always include sources",
        "Use tables to display financial data"
    ],
    show_tool_calls=True,
    markdown=True,
)

# 에이전트 사용 - Weave가 도구 Call을 트레이스합니다
research_agent.print_response(
    "Research Tesla's recent performance and news. Include stock price and any recent developments.",
    stream=True
)
```

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541/wMLJtUZ5T5eZkRFo/weave/guides/integrations/imgs/agno/agno_tool_calls.png?fit=max&auto=format&n=wMLJtUZ5T5eZkRFo&q=85&s=1c953071ee83128d3ac0a6e52794ce10" alt="Agno 도구 Call에 대한 트레이스 시각화" width="3016" height="1582" data-path="weave/guides/integrations/imgs/agno/agno_tool_calls.png" />
</Frame>

<div id="trace-multi-agent-teams-with-otel">
  ## OTEL로 멀티 에이전트 팀을 트레이스하세요
</div>

Agno의 멀티 에이전트 아키텍처를 사용하면 서로 협업하고 컨텍스트를 공유하는 에이전트 팀을 만들 수 있습니다. Weave는 이러한 팀 상호작용도 모두 트레이스합니다:

```python lines theme={null}
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
from agno.tools.yfinance import YFinanceTools

from dotenv import load_dotenv
load_dotenv()

# tracing.py 파일에서 AgnoInstrumentor 로드
from tracing import AgnoInstrumentor

# Start instrumenting Agno
AgnoInstrumentor().instrument()

# Create specialized agents
web_agent = Agent(
    name="Web Agent",
    role="Search the web for information",
    model=OpenAIChat(id="gpt-4o-mini"),
    tools=[DuckDuckGoTools()],
    instructions="Always include sources",
    show_tool_calls=True,
    markdown=True,
)

finance_agent = Agent(
    name="Finance Agent",
    role="Get financial data",
    model=OpenAIChat(id="gpt-4o-mini"),
    tools=[YFinanceTools(stock_price=True, analyst_recommendations=True)],
    instructions="Use tables to display data",
    show_tool_calls=True,
    markdown=True,
)

# Create a team of agents
agent_team = Agent(
    team=[web_agent, finance_agent],
    model=OpenAIChat(id="gpt-4o"),
    instructions=["Always include sources", "Use tables to display data"],
    show_tool_calls=True,
    markdown=True,
)

# 팀 사용 - Weave가 모든 에이전트 상호작용을 트레이스합니다
agent_team.print_response(
    "What's the current market sentiment around NVIDIA? Include both news analysis and financial metrics.",
    stream=True
)
```

이 멀티 에이전트 트레이스는 Weave에서 여러 에이전트가 어떻게 협업하는지 보여주며, 작업이 에이전트 팀 전체에 어떻게 분배되고 실행되는지 파악할 수 있게 해줍니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541/wMLJtUZ5T5eZkRFo/weave/guides/integrations/imgs/agno/agno_team_trace.png?fit=max&auto=format&n=wMLJtUZ5T5eZkRFo&q=85&s=7ab05fe88361753a166ad8df86e6f736" alt="Agno 멀티 에이전트 팀의 트레이스 시각화" width="3016" height="1582" data-path="weave/guides/integrations/imgs/agno/agno_team_trace.png" />
</Frame>

<div id="work-with-reasoning-agents">
  ## 추론 에이전트 사용하기
</div>

Agno는 에이전트가 문제를 단계별로 처리할 수 있도록 기본 제공 추론 기능을 제공합니다. 트레이스는 이러한 추론 과정도 캡처합니다:

```python lines theme={null}
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.reasoning import ReasoningTools
from agno.tools.yfinance import YFinanceTools

from dotenv import load_dotenv
load_dotenv()

# tracing.py 파일에서 AgnoInstrumentor 로드
from tracing import AgnoInstrumentor

# Agno 계측 시작
AgnoInstrumentor().instrument()

# 추론 에이전트 생성
reasoning_agent = Agent(
    name="Reasoning Finance Agent",
    model=OpenAIChat(id="gpt-4o"),
    tools=[
        ReasoningTools(add_instructions=True),
        YFinanceTools(
            stock_price=True,
            analyst_recommendations=True,
            company_info=True,
            company_news=True
        ),
    ],
    instructions="Use tables to display data and show your reasoning process",
    show_tool_calls=True,
    markdown=True,
)

# 추론 에이전트 사용
reasoning_agent.print_response(
    "Should I invest in Apple stock right now? Analyze the current situation and provide a reasoned recommendation.",
    stream=True
)
```

트레이스에는 에이전트가 복잡한 문제를 어떻게 세분화하고 결정을 내리는지 보여주는 추론 단계가 표시됩니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541/wMLJtUZ5T5eZkRFo/weave/guides/integrations/imgs/agno/agno_reasoning_trace.png?fit=max&auto=format&n=wMLJtUZ5T5eZkRFo&q=85&s=546172d6fd861d5189c17e52c3a5fda4" alt="Agno 추론 에이전트의 트레이스 시각화" width="3016" height="1582" data-path="weave/guides/integrations/imgs/agno/agno_reasoning_trace.png" />
</Frame>

<div id="work-with-memory-and-knowledge">
  ## 메모리와 지식 활용하기
</div>

Agno 에이전트는 메모리를 유지하고 지식 베이스에 액세스할 수 있으며, 이를 통해 상호작용 전반에 걸쳐 컨텍스트를 유지할 수 있습니다. Weave도 이러한 오퍼레이션을 트레이스로 기록합니다:

```python lines theme={null}
from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.memory import AgentMemory
from agno.storage.sqlite import SqliteStorage

from dotenv import load_dotenv
load_dotenv()

# tracing.py 파일에서 AgnoInstrumentor 로드
from tracing import AgnoInstrumentor

# Agno 계측 시작
AgnoInstrumentor().instrument()


# 메모리가 있는 에이전트 생성
memory_agent = Agent(
    name="Memory Agent",
    model=OpenAIChat(id="gpt-4o-mini"),
    memory=AgentMemory(),
    storage=SqliteStorage(
        table_name="agent_sessions",
        db_file="agent_memory.db"
    ),
    instructions="Remember our conversation history",
    show_tool_calls=True,
    markdown=True,
)

# 첫 번째 상호작용
memory_agent.print_response("My name is John and I'm interested in AI investing strategies.")

# 두 번째 상호작용 - 에이전트가 이전 컨텍스트를 기억함
memory_agent.print_response("What specific AI companies would you recommend for my portfolio?")
```

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541/wMLJtUZ5T5eZkRFo/weave/guides/integrations/imgs/agno/agno_memory_use.png?fit=max&auto=format&n=wMLJtUZ5T5eZkRFo&q=85&s=e7008f49c66e201bec87112fe9535378" alt="Agno 메모리 사용을 보여주는 트레이스 시각화" width="3016" height="1582" data-path="weave/guides/integrations/imgs/agno/agno_memory_use.png" />
</Frame>

대화 이력을 저장하고 가져오는 것을 포함한 메모리 오퍼레이션이 트레이스에 표시됩니다.

<div id="learn-more">
  ## 더 알아보기
</div>

* [Agno 공식 문서](https://docs.agno.com/)
* [OTEL 공식 문서](https://opentelemetry.io/)
* [Agno GitHub 저장소](https://github.com/agno-agi/agno)
* [OpenInference Agno 계측](https://pypi.org/project/openinference-instrumentation-agno/)