





Deep Research build By Smolagents FREE
Powered By Smolagents
Ai код Smolagents | FAST&FREE
Powered by Together AI and LlamaCoder
smolagents and tools gallery
best smolagents in huggingface
Что такое агенты?
Агенты искусственного интеллекта программы, в которых результаты LLM управляют рабочим процессом.
В таблице показано, как различаются агентства в разных системах:
Уровень агентства | Описание | Как это называется | Пример узора |
---|---|---|---|
☆☆☆ | Выпуск LLM не влияет на ход программы | Простой процессор | process_llm_output(llm_response) |
★☆☆ | Выход LLM определяет базовый поток управления | Маршрутизатор | if llm_decision(): path_a() else: path_b() |
★★☆ | Выход LLM определяет выполнение функции | Вызов инструмента | run_function(llm_chosen_tool, llm_chosen_args) |
★★★ | Выход LLM управляет итерацией и продолжением программы | Многоступенчатый агент | while llm_should_continue(): execute_next_step() |
★★★ | Один агентский рабочий процесс может запустить другой агентский рабочий процесс | Мультиагентный | if llm_trigger(): execute_agent() |
Особенность SmolAgents
🤗 Смолагенты это минималистичный фреймворк для ИИ-агентов, разработанный командой Hugging Face и позволяющий разработчикам внедрять надежных агентов всего за несколько строк кода. Воплощая в себе простоту и эффективность, smolagents позволяет большим языковым моделям (LLM) беспрепятственно взаимодействовать с реальным миром.
✨ Простота
Компактная кодовая база: Приблизительно 1000 строк основного кода в agents.py
В smolagents абстракции сведены к минимуму, что упрощает разработку.
Удобный для пользователя
Разработчики могут быстро определить агентов, снабдить их необходимыми инструментами и сразу же запустить их без сложных конфигураций.
Кодовые агенты
smolagents фокусируется на кодовые агентыАгенты пишут и выполняют фрагменты кода Python для выполнения действий, вместо того чтобы генерировать действия в виде JSON или текстовых блоков.
Высокая эффективность
По сравнению со стандартными методами вызова инструментов, кодовые агенты обеспечивают повышенную эффективность и точность, сокращая количество шагов и вызовов LLM примерно на 30% и достигая превосходной производительности на сложных бенчмарках.
Безопасное выполнение
Чтобы обеспечить безопасное выполнение кода, smolagents поддерживает выполнение кода в "песочнице", например E2Bобеспечивая защищенное и изолированное пространство для выполнения.
Различные магистратуры
smolagents легко интегрируется с любой большой языковой моделью, включая модели, размещенные на Hugging Face Hub через Transformers, а также модели от OpenAI, Anthropic и других компаний через интеграцию LiteLLM.

SmolAgents :Интеграция с Hugging Face Hub
Инструменты обмена и загрузки: Глубокая интеграция с Hugging Face Hub позволяет разработчикам легко обмениваться и импортировать инструменты, способствуя сотрудничеству и обмену опытом внутри сообщества.
Рост экосистемы: Используя возможности хаба, smolagents постоянно расширяется за счет увеличения функциональности и инструментов, предлагая безграничный потенциал для развития.
Поддержка традиционных агентов по вызову инструментов
Разнообразие выбора: Помимо кодовых агентов, smolagents также поддерживает традиционные агенты по вызову инструментовВ нем действия записываются в виде JSON или текстовых блоков, подходящих для конкретных сценариев и требований.


Причины выбрать код smolAgents
Превосходная совместимость: Код естественным образом поддерживает вложенность и повторное использование функций, что позволяет выражать сложную логику.
Эффективная работа с объектами: По сравнению с JSON, код упрощает управление и передачу объектов.
Предельная гибкость: Код может представлять любую операцию, которую может выполнить компьютер, что обеспечивает огромную универсальность.
Обширные учебные данные: Магистры наук прошли обучение на огромном количестве высококачественного кода, что повысило их способность генерировать и понимать код.
Преимущества производительности из smolagents
В различных бенчмарках smolagent, использующие модели с открытым исходным кодом, сравнялись по производительности с агентами, использующими проприетарные модели. Благодаря эффективности кодовых агентов и постоянному совершенствованию моделей с открытым исходным кодом разработчики могут создавать мощные агентные системы, не полагаясь на закрытые сервисы.

Пример применения SmolAgents
В Smolagents агенты инкапсулируются в классы, которые позволяют им выполнять определенные задачи. Например ManagedAgent
Можно создать инструмент для управления различными задачами, используя различные типы агентов. Ниже приведен упрощенный пример реализации двух агентов - одного для поиска в Интернете и другого для создания изображений. Вот как создать пользовательский инструмент, который получает время поездок из Google Maps, и как использовать его в агенте для планирования поездок:
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.")
После нескольких этапов сбора информации о времени в пути и расчетов агент выдает следующее предложение:Однодневный маршрут велосипедной прогулки по Парижу:
1. Старт у Эйфелевой башни в 9:00 утра.
2. Осмотр Эйфелевой башни до 10:30 утра.
3. Отправляйтесь к собору Нотр-Дам в 10:46 утра.
4. Осмотр собора Нотр-Дам до 12:16.
5. Отправляйтесь на Монмартр в 12:41.
6. Осмотр достопримечательностей на Монмартре до 14:11.
7. Отправляйтесь в Люксембургский сад в 14:33.
8. Осмотр Люксембургского сада до 16:03.
9. Поездка в музей Лувр в 16:12.
10. Осмотр музея Лувр до 17:42.
11. Перерыв на обед до 18:12.
12. Планируемое время окончания: 18:12.
После создания инструмента поделиться им с Hub очень просто:
get_travel_duration.push_to_hub("{ваше_имя_пользователя}/get-travel-duration-tool")
Ресурсы SmolAgents
Что люди говорят о SmolAgents на X.com
Новая библиотека smolagents, выпущенная сегодня компанией @huggingface выглядит очень впечатляюще.
- Бен Клигер (@benklieger) 31 декабря 2024 года
Сочетание простоты (основной файл составляет всего ~1000 строк!) и функциональности, подтвержденной бенчмарками (поддержка подхода "код вперед" вместо прямого вызова функций) 🔥
Обучающая нить (🧵) pic.twitter.com/sKuakggpcM
Я провел свои выходные, изучая агентные рабочие процессы и играя с библиотекой smolagents, выпущенной компанией @huggingface. С помощью этого я создал довольно крутого помощника для путешествий (я называю его Трейси).
- Арнав Джайтли (@arnitly) 6 января 2025 г.
Я использую CodeLlama-34b-Instruct-hf для моих LLM-агентов в бэкенде, чтобы сделать... pic.twitter.com/e7GHA7rVlk
ХОРОШО, @huggingface Я бы сказал, что это удалось с помощью smolagents и их агентского определения.
- Герред (@devgerred) 31 декабря 2024 года
Может быть, клиенты просто должны быть переговорной стороной, а мы должны продолжать инвестировать в самих LLM. Мне нравится непосредственная ясность этого. pic.twitter.com/sD6qMqpzgs
smolagents теперь доступен в ai-gradio
- AK (@_akhaliq) 31 декабря 2024 года
pip install ai-gradio[smolagents]==0.2.1
тогда просто сделайте
import gradio as gr
import ai_gradio
gr.load( name='smolagents:meta-llama/Llama-3.1-8B-Instruct',
src=ai_gradio.registry).launch() pic.twitter.com/r7vfhrW36l
Компания Hugging Face представила Smolagents - библиотеку, предназначенную для создания агентных систем с использованием больших языковых моделей (LLM).
- Мажар Чоудри (@mazrnow) 5 января 2025 г.
В отличие от традиционных систем, основанных на LLM...
Показать еще https://t.co/EBEWPBEwAj pic.twitter.com/h2xswDLAxg
smolagents - создайте собственных агентов Devin за 3 строки кода с помощью поиска! 🔥 pic.twitter.com/PPyhbFWN5w
- Вайбхав (VB) Шривастав (@reach_vb) 29 декабря 2024 года
Агент 元年来势汹汹啊!一周猛涨 3.9K Star? ⚡️ @huggingface 正式发布并开源 smolagents!🔥
- Том Хуанг (@tuturetom) 8 января 2025 года
3 行代码启动一个 Агент 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 Агент 框架,还是一个将 HF 所有有价值的大小模型作为工具融入 Агент 的伟大尝试 pic.twitter.com/wJZ9ZL8nRT