





Deep Research build By Smolagents FREE
Powered By Smolagents
Ai 코드 스몰라젠트 | FAST&FREE
투게더 AI와 라마코더 제공
smolagents and tools gallery
best smolagents in huggingface
에이전트란 무엇인가요?
AI 에이전트는 다음과 같습니다. LLM 출력이 워크플로우를 제어하는 프로그램.
이 표는 시스템마다 에이전시가 어떻게 다른지 보여줍니다:
대행사 수준 | 설명 | 이를 호출하는 방법 | 패턴 예시 |
---|---|---|---|
☆☆☆ | LLM 출력은 프로그램 흐름에 영향을 미치지 않습니다. | 간단한 프로세서 | 프로세스_llm_출력(llm_응답) |
★☆☆ | LLM 출력에 따라 기본 제어 흐름이 결정됩니다. | 라우터 | if llm_decision(): path_a() else: path_b() |
★★☆ | LLM 출력으로 함수 실행 결정 | 도구 호출 | 실행_함수(llm_chosen_tool, llm_chosen_args) |
★★★ | LLM 출력 제어 반복 및 프로그램 연속 제어 | 다단계 에이전트 | while llm_should_continue(): execute_next_step() |
★★★ | 하나의 상담원 워크플로우가 다른 상담원 워크플로우를 시작할 수 있습니다. | 멀티 에이전트 | if llm_trigger(): execute_agent() |
스몰에이전트의 특징
🤗 스몰래그먼트 는 개발자가 단 몇 줄의 코드만으로 강력한 에이전트를 배포할 수 있도록 Hugging Face 팀에서 개발한 미니멀리즘 AI 에이전트 프레임워크입니다. 단순성과 효율성을 갖춘 smolagent는 대규모 언어 모델(LLM)이 실제 세계와 원활하게 상호 작용할 수 있도록 지원합니다.
✨ 단순성
컴팩트한 코드베이스: 약 1,000줄의 핵심 코드가 포함되어 있습니다. agents.py
smolagent는 간단한 개발을 위해 추상화를 최소화합니다.
사용자 친화적
개발자는 에이전트를 신속하게 정의하고 필요한 도구를 제공하며 복잡한 구성 없이 즉시 실행할 수 있습니다.
코드 에이전트
smolagent는 다음 사항에 중점을 둡니다. 코드 에이전트를 사용하면 에이전트가 JSON이나 텍스트 블롭으로 작업을 생성하는 대신 Python 코드 스니펫을 작성하고 실행하여 작업을 수행할 수 있습니다.
높은 효율성
코드 에이전트는 표준 툴 호출 방식에 비해 효율성과 정확성이 향상되어 단계와 LLM 호출이 약 30% 감소하고 복잡한 벤치마크에서 우수한 성능을 달성합니다.
보안 실행
안전한 코드 실행을 보장하기 위해 smolagent는 다음과 같은 샌드박스 환경에서 코드 실행을 지원합니다. E2B를 사용하여 보호되고 격리된 실행 공간을 제공합니다.
다양한 LLM
smolagent는 트랜스포머를 통해 허깅 페이스 허브에서 호스팅되는 모델뿐만 아니라 LiteLLM 통합을 통해 OpenAI, Anthropic 등의 모델을 포함한 모든 대규모 언어 모델과 손쉽게 통합됩니다.

스몰에이전트: 허깅 페이스 허브와 통합
도구 공유 및 로드: 허깅 페이스 허브와의 긴밀한 통합으로 개발자는 도구를 쉽게 공유하고 가져올 수 있어 커뮤니티 내에서 협업과 공유를 촉진할 수 있습니다.
에코시스템 성장: 허브의 기능을 활용하여 smolagent는 더 많은 기능과 도구로 지속적으로 확장되어 무한한 발전 가능성을 제공합니다.
기존 도구 호출 에이전트 지원
다양한 선택: smolagent는 코드 에이전트 외에도 기존의 도구 호출 에이전트를 사용하여 특정 시나리오 및 요구 사항에 적합한 작업을 JSON 또는 텍스트 블록으로 작성할 수 있습니다.


코드 스몰에이전트를 선택해야 하는 이유
뛰어난 구성성: 코드가 함수 중첩 및 재사용을 자연스럽게 지원하므로 복잡한 로직을 표현할 수 있습니다.
효율적인 개체 처리: JSON에 비해 코드는 객체의 관리 및 전송을 간소화합니다.
최고의 유연성: 코드는 컴퓨터가 수행할 수 있는 모든 연산을 표현할 수 있어 매우 다양한 용도로 사용할 수 있습니다.
광범위한 교육 데이터: LLM은 방대한 양의 고품질 코드에 대한 교육을 통해 코드를 생성하고 이해하는 능력을 향상시켰습니다.
성능 이점 smolagent의
다양한 벤치마크에서 오픈 소스 모델을 활용하는 smolagent는 독점 모델을 사용하는 에이전트의 성능과 대등한 결과를 보였습니다. 코드 에이전트의 효율성과 오픈 소스 모델의 지속적인 발전 덕분에 개발자는 비공개 소스 서비스에 의존하지 않고도 강력한 에이전트 시스템을 구축할 수 있습니다.

스몰에이전트 적용 사례
스몰에이전트에서 에이전트는 특정 작업을 수행할 수 있는 클래스로 캡슐화됩니다. 예를 들어 관리 에이전트
를 만들어 다양한 에이전트 유형을 활용하여 다양한 작업을 관리할 수 있습니다. 다음은 웹 검색용 에이전트와 이미지 생성용 에이전트 두 가지를 구현하는 간단한 예시이며,다음은 Google 지도에서 이동 시간을 가져오는 사용자 지정 도구를 만드는 방법과 이를 여행 플래너 에이전트에 사용하는 방법입니다:
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.")
여행 시간을 수집하고 계산을 실행하는 몇 단계를 거친 후, 상담원은 파리 자전거 여행 1일 일정이라는 최종 제안을 내립니다:
1. 오전 9시에 에펠탑에서 출발합니다.
2. 오전 10시 30분까지 에펠탑 관광.
3. 오전 10시 46분에 노트르담 대성당으로 이동합니다.
4. 오후 12시 16분까지 노트르담 대성당 관광.
5. 오후 12시 41분에 몽마르트르로 이동합니다.
6. 오후 2시 11분까지 몽마르뜨에서 관광하기.
7. 오후 2시 33분에 자르뎅 뒤 룩셈부르크로 이동합니다.
8. 오후 4시 3분까지 자르뎅 뒤 룩셈부르크에서 관광.
9. 오후 4시 12분에 루브르 박물관으로 이동합니다.
10. 오후 5시 42분까지 루브르 박물관 관광.
11. 오후 6시 12분까지 점심시간.
12. 종료 예정 시간: 오후 6시 12분.
도구를 구축한 후 허브에 공유하는 것은 매우 간단합니다:
get_travel_duration.push_to_hub("{your_username}/get-travel-duration-tool")
X.com에서 SmolAgents에 대해 사람들이 말하는 것들
새로운 smolagent 라이브러리는 다음과 같이 오늘 출시되었습니다. @huggingface 정말 인상적입니다.
- 벤 클리거 (@benklieger) 2024년 12월 31일
단순성(메인 파일은 최대 1000줄에 불과!)과 벤치마킹한 의견 중심 기능(직접 함수 호출보다 코드 우선 접근 방식 지원)의 결합 🔥.
튜토리얼 스레드 (🧵) pic.twitter.com/sKuakggpcM
저는 주말에 에이전트 워크플로에 대해 배우고 다음에서 출시한 smolagents 라이브러리를 사용해 보았습니다. @huggingface. 이를 통해 꽤 멋진 여행 도우미 에이전트(저는 트레이시라고 부릅니다)를 만들었습니다.
- 아르나브 자이틀리(@arnitly) 2025년 1월 6일
백엔드에서 LLM 에이전트에 CodeLlama-34b-Instruct-hf를 사용하여 다음을 수행합니다. pic.twitter.com/e7GHA7rVlk
OK, @huggingface smolagent와 에이전트 정의로 성공했다고 말하고 싶습니다.
- Gerred (@devgerred) 2024년 12월 31일
고객은 협상 당사자만 되고 우리는 LLM 자체에 계속 투자해야 할 수도 있습니다. 저는 이런 즉각적인 명확성이 마음에 듭니다. pic.twitter.com/sD6qMqpzgs
smolagent는 이제 ai-gradio에서 사용할 수 있습니다.
- AK (@_akhaliq) 2024년 12월 31일
pip install ai-gradio[smolagents]==0.2.1
그런 다음 간단히
GRADIO를 GR로 가져오기
AI_GRADIO 가져오기
gr.load( name='smolagents:meta-llama/Llama-3.1-8B-Instruct',
src=ai_gradio.registry).launch() pic.twitter.com/r7vfhrW36l
허깅 페이스는 대규모 언어 모델(LLM)을 사용하여 에이전트 시스템을 구축하도록 설계된 라이브러리인 스몰라젠트를 도입했습니다.
- 마자르 초드리(@mazrnow) 2025년 1월 5일
기존의 LLM 기반 시스템과 달리 ...
자세히 보기 https://t.co/EBEWPBEwAj pic.twitter.com/h2xswDLAxg
smolagent - 검색을 통해 3줄의 코드로 에이전트처럼 나만의 Devin을 구축하세요! 🔥 pic.twitter.com/PPyhbFWN5w
- 바이브하브(VB) 스리바스타브(@reach_vb) 2024년 12월 29일
에이전트 元年来势汹汹啊!一周猛涨 3.9K Star? ⚡️ @huggingface smolagent 정식 출시 및 소스 공개!
- 톰 황 (@tuturetom) 2025년 1월 8일
3 실행 코드가 하나의 에이전트를 활성화하여 복구 작업을 완료하고, 40개 이상의 LLM을 지원하며, 무연결 허깅페이스 허브에 몇 가지 자체 정의 모델을 다운로드합니다.
단일 에이전트뿐만 아니라 HF가 제공하는 도구 입력 에이전트로서의 가치 있는 소형 모델 작업입니다. pic.twitter.com/wJZ9ZL8nRT