





Deep Research build By Smolagents FREE
Powered By Smolagents
Ai code Smolagents | FAST&FREE
Angetrieben von Together AI und LlamaCoder
smolagents and tools gallery
best smolagents in huggingface
Was sind Agenten?
AI-Agenten sind Programme, bei denen LLM-Ausgaben den Arbeitsablauf steuern.
Die Tabelle veranschaulicht, wie die Agenturen in den verschiedenen Systemen variieren:
Ebene der Agentur | Beschreibung | Wie das genannt wird | Beispiel-Muster |
---|---|---|---|
☆☆☆ | LLM-Ausgabe hat keinen Einfluss auf den Programmablauf | Einfacher Prozessor | process_llm_output(llm_response) |
★☆☆ | LLM-Ausgang bestimmt grundlegenden Kontrollfluss | Router | if llm_decision(): path_a() sonst: path_b() |
★★☆ | LLM-Ausgabe bestimmt Funktionsausführung | Werkzeugaufruf | run_function(llm_chosen_tool, llm_chosen_args) |
★★★ | LLM-Ausgabe steuert Iteration und Programmfortsetzung | Mehrstufige Mittel | while llm_should_continue(): execute_next_step() |
★★★ | Ein agentischer Workflow kann einen anderen agentischen Workflow starten | Multi-Agent | if llm_trigger(): execute_agent() |
Merkmal von SmolAgents
🤗 Smolagents ist ein minimalistisches KI-Agenten-Framework, das vom Hugging Face-Team entwickelt wurde, um Entwicklern zu ermöglichen, robuste Agenten mit nur wenigen Codezeilen einzusetzen. smolagents steht für Einfachheit und Effizienz und ermöglicht es großen Sprachmodellen (LLMs), nahtlos mit der realen Welt zu interagieren.
✨ Einfachheit
Kompakte Codebasis: Mit etwa 1.000 Zeilen Kerncode in agents.py
smolagents beschränkt die Abstraktionen auf ein Minimum, um die Entwicklung zu vereinfachen.
Benutzerfreundlich
Entwickler können Agenten schnell definieren, die erforderlichen Tools bereitstellen und sie ohne komplizierte Konfigurationen sofort ausführen.
Code-Agenten
smolagents konzentriert sich auf Code-Agentenbei dem Agenten Python-Code-Schnipsel schreiben und ausführen, um Aktionen durchzuführen, anstatt Aktionen als JSON- oder Text-Blobs zu generieren.
Hoher Wirkungsgrad
Im Vergleich zu standardmäßigen Tool-Calling-Methoden bieten Code-Agenten eine verbesserte Effizienz und Genauigkeit, indem sie Schritte und LLM-Aufrufe um etwa 30% reduzieren und bei komplexen Benchmarks eine überragende Leistung erzielen.
Sichere Ausführung
Um eine sichere Codeausführung zu gewährleisten, unterstützt smolagents die Ausführung von Code in Sandbox-Umgebungen wie E2Bund bietet einen geschützten und isolierten Ausführungsraum.
Verschiedene LLMs
smolagents lässt sich mühelos in jedes große Sprachmodell integrieren, einschließlich der Modelle, die über Transformers im Hugging Face Hub gehostet werden, sowie der Modelle von OpenAI, Anthropic und anderen über die LiteLLM-Integration.

SmolAgents :Integration mit Hugging Face Hub
Tools zum Teilen und Laden: Die enge Integration mit dem Hugging Face Hub ermöglicht Entwicklern den einfachen Austausch und Import von Tools und fördert so die Zusammenarbeit und den Austausch innerhalb der Community.
Ökosystem Wachstum: Durch die Nutzung der Möglichkeiten des Hubs erweitert smolagents kontinuierlich seine Funktionen und Tools und bietet so ein grenzenloses Entwicklungspotenzial.
Unterstützung für traditionelle Tool-Calling-Agents
Vielfalt der Wahlmöglichkeiten: Zusätzlich zu den Code-Agenten unterstützt smolagents auch traditionelle Werkzeuganrufer, wo Aktionen als JSON- oder Textblöcke geschrieben werden, die für bestimmte Szenarien und Anforderungen geeignet sind.


Gründe, sich für Code smolAgents zu entscheiden
Hervorragende Kompositionsfähigkeit: Der Code unterstützt natürlich die Verschachtelung und Wiederverwendung von Funktionen und ermöglicht so den Ausdruck komplexer Logik.
Effiziente Objektbehandlung: Im Vergleich zu JSON vereinfacht der Code die Verwaltung und Übertragung von Objekten.
Ultimative Flexibilität: Der Code kann jede Operation darstellen, die ein Computer ausführen kann, was eine enorme Vielseitigkeit bietet.
Umfangreiche Trainingsdaten: LLMs wurden an großen Mengen hochwertigen Codes geschult, was ihre Fähigkeit, Code zu generieren und zu verstehen, verbessert hat.
Leistungsvorteile von smolagents
In verschiedenen Benchmarks haben smolagents, die Open-Source-Modelle verwenden, die Leistung von Agenten mit proprietären Modellen erreicht. Dank der Effizienz von Code-Agenten und der kontinuierlichen Weiterentwicklung von Open-Source-Modellen können Entwickler leistungsstarke Agentensysteme aufbauen, ohne auf Closed-Source-Dienste angewiesen zu sein.

Anwendungsbeispiel für SmolAgents
In Smolagents sind die Agenten in Klassen gekapselt, die es ihnen ermöglichen, bestimmte Aufgaben zu erfüllen. Zum Beispiel kann ein ManagedAgent
erstellt werden, um verschiedene Aufgaben zu verwalten, indem verschiedene Agententypen verwendet werden. Im Folgenden finden Sie ein vereinfachtes Beispiel dafür, wie zwei Agenten - einer für die Websuche und ein anderer für die Bilderzeugung - implementiert werden können. Hier erfahren Sie, wie Sie ein benutzerdefiniertes Tool erstellen, das Reisezeiten aus Google Maps abruft, und wie Sie es in einem Reiseplanungsagenten verwenden:
from typing import Optional
from smolagents import CodeAgent, HfApiModel, tool
@tool
def get_travel_duration(start_location: str, destination_location: str, transportation_mode: Optional[str] = None) -> str:
"""Gets the travel time between two places.
Args:
start_location: the place from which you start your ride
destination_location: the place of arrival
transportation_mode: The transportation mode, in 'driving', 'walking', 'bicycling', or 'transit'. Defaults to 'driving'.
"""
import os # All imports are placed within the function, to allow for sharing to Hub.
import googlemaps
from datetime import datetime
gmaps = googlemaps.Client(os.getenv("GMAPS_API_KEY"))
if transportation_mode is None:
transportation_mode = "driving"
try:
directions_result = gmaps.directions(
start_location,
destination_location,
mode=transportation_mode,
departure_time=datetime(2025, 6, 6, 11, 0), # At 11, date far in the future
)
if len(directions_result) == 0:
return "No way found between these places with the required transportation mode."
return directions_result[0]["legs"][0]["duration"]["text"]
except Exception as e:
print(e)
return e
agent = CodeAgent(tools=[get_travel_duration], model=HfApiModel(), additional_authorized_imports=["datetime"])
agent.run("Can you give me a nice one-day trip around Paris with a few locations and the times? Could be in the city or outside, but should fit in one day. I'm travelling only with a rented bicycle.")
Nach ein paar Schritten, in denen er Reisezeiten sammelt und Berechnungen durchführt, liefert der Agent diesen endgültigen Vorschlag: Eintägige Radtour nach Paris:
1. Start am Eiffelturm um 9:00 Uhr.
2. Sightseeing am Eiffelturm bis 10:30 Uhr.
3. Fahrt zur Kathedrale Notre-Dame um 10:46 Uhr.
4. Besichtigung der Kathedrale Notre-Dame bis 12:16 Uhr.
5. Fahrt zum Montmartre um 12:41 Uhr.
6. Sightseeing am Montmartre bis 14:11 Uhr.
7. Fahrt zum Jardin du Luxembourg um 14:33 Uhr.
8. Besichtigung des Jardin du Luxembourg bis 16:03 Uhr.
9. Fahrt zum Louvre-Museum um 16:12 Uhr.
10. Besichtigung des Louvre-Museums bis 17:42 Uhr.
11. Mittagspause bis 18:12 Uhr.
12. Geplante Endzeit: 18:12 Uhr.
Nachdem Sie ein Tool erstellt haben, können Sie es ganz einfach für den Hub freigeben:
get_travel_duration.push_to_hub("{Ihr_Benutzername}/get-travel-duration-tool")
Was sprechen die Leute über SmolAgents auf X.com
Die neue smolagents-Bibliothek, die heute von @huggingface sieht wirklich beeindruckend aus.
- Ben Klieger (@benklieger) 31. Dezember 2024
Kombination von Einfachheit (die Hauptdatei umfasst nur ~1000 Zeilen!) und durch Benchmarks bewerteter Funktionalität (Unterstützung des Code-First-Ansatzes gegenüber direktem Funktionsaufruf) 🔥
Ein Tutorial-Thread (🧵) pic.twitter.com/sKuakggpcM
Ich habe mein Wochenende damit verbracht, etwas über agenturische Arbeitsabläufe zu lernen und mit der smolagents-Bibliothek herumzuspielen, die von @huggingface. Damit habe ich einen ziemlich coolen Travel Assistant Agent (ich nenne ihn Tracy) gebaut.
- Arnav Jaitly (@arnitly) 6. Januar 2025
Ich verwende CodeLlama-34b-Instruct-hf für meine LLM-Agenten im Backend, um eine... pic.twitter.com/e7GHA7rVlk
GUT, @huggingface Ich würde sagen, dass sie es mit smolagents und ihrer Agentendefinition geschafft haben.
- Gerred (@devgerred) 31. Dezember 2024
Vielleicht müssen die Kunden nur eine Verhandlungspartei sein und wir müssen weiter in die LLMs selbst investieren. Mir gefällt die unmittelbare Klarheit dieser Aussage. pic.twitter.com/sD6qMqpzgs
smolagents ist jetzt in ai-gradio verfügbar
- AK (@_akhaliq) 31. Dezember 2024
pip install ai-gradio[smolagents]==0.2.1
dann tun Sie einfach
importiere gradio als gr
ai_gradio importieren
gr.load( name='smolagents:meta-llama/Llama-3.1-8B-Instruct',
src=ai_gradio.registry).launch() pic.twitter.com/r7vfhrW36l
Hugging Face hat Smolagents vorgestellt, eine Bibliothek zum Aufbau von Agentensystemen mit großen Sprachmodellen (LLMs).
- Mazhar Choudhry (@mazrnow) Januar 5, 2025
Anders als herkömmliche LLM-basierte Systeme...
Mehr anzeigen https://t.co/EBEWPBEwAj pic.twitter.com/h2xswDLAxg
smolagents - Erstellen Sie Ihre eigenen Agenten wie Devin in 3 Zeilen Code mit Suche! 🔥 pic.twitter.com/PPyhbFWN5w
- Vaibhav (VB) Srivastav (@erreichen_vb) 29. Dezember 2024
Agent 元年来势汹汹啊!一周猛涨 3.9K Star? ⚡️ @huggingface 正式发布并开源 smolagents!🔥
- Tom Huang (@tuturetom) Januar 8, 2025
3 行代码启动一个 Agent 完成复杂工作,支持 40+ LLM,支持无缝连接 Huggingface hub 下载一些自定义模型
不仅是一个 Agent 框架,还是一个将 HF 所有有价值的大小模型作为工具融入 Agent 的伟大尝试 pic.twitter.com/wJZ9ZL8nRT