Smolagents 工具深入指南

在这里，我们将看到高级工具的使用。

如果您是建立代理的新手，请务必首先阅读代理入门和 smolagents 导游.

工具

什么是工具，如何制作？ #

工具主要是指 LLM 可以在代理系统中使用的功能。

但要使用它，就需要为 LLM 提供一个 API：名称、工具说明、输入类型和说明、输出类型。

因此，它不能只是一个函数。它应该是一个类。

因此，该工具的核心是一个类，用元数据包装一个函数，帮助 LLM 理解如何使用它。

看起来是这样的

复制的

从 smolagents 导入工具

class HFModelDownloadsTool(Tool)：
    name = "model_download_counter" （模型下载计数器
    description = """
    这是一个工具，用于返回 Hugging Face Hub 上给定任务中下载次数最多的模型。
    它返回检查点的名称。"""
    输入 = {
        "任务"：{
            "类型"："string"、
            "description"："任务类别（如文本分类、深度估计等）"、
        }
    }
    output_type = "string" (字符串)

    def forward(self, task: str)：
        from huggingface_hub import list_models

        model = next(iter(list_models(filter=task, sort="downloads", direction=-1)))
        return model.id

model_downloads_tool = HFModelDownloadsTool()

自定义工具子类工具来继承有用的方法。子类还定义了

属性 名字，与工具本身的名称相对应。名称通常描述了工具的功能。由于代码会返回任务中下载次数最多的模型，所以我们将其命名为 模型下载计数器.
属性 描述 用于填充代理的系统提示。
一个 投入 属性，它是一个字典，键为 "类型" 和 "描述".它包含的信息有助于 Python 解释器对输入做出明智的选择。
一个 输出类型 属性，该属性指定了输出类型。这两个 投入 和 输出类型 应是 Pydantic 格式它们可以是其中之一： ~authorized_types().
A 转发 方法，其中包含要执行的推理代码。

这就是特工所需要的一切！

还有另一种制造工具的方法。在导游我们使用 @ 工具 装饰者。装饰公司工具() 装饰器是定义简单工具的推荐方法，但有时你需要的不止这些：在一个类中使用多个方法使其更清晰，或使用额外的类属性。

在这种情况下，您可以通过子类化工具如上所述。

将您的工具共享到中枢 #

您可以通过调用 push_too_hub() 工具上。确保在 Hub 上为其创建了存储库，并使用具有读取权限的令牌。

复制的

model_downloads_tool.push_to_hub("{your_username}/hf-model-downloads", token="")

要让 "推动枢纽 "发挥作用，您的工具需要遵守一些规则：

所有方法都是自包含的，例如，使用的变量可以是来自参数的变量，也可以是来自参数的变量。
如上所述、 所有导入都应直接在工具的功能中定义否则，在尝试调用保存() 或 push_too_hub() 使用自定义工具。
如果您对 启动 方法，你可以给它的参数除了 自我.这是因为在特定工具实例的初始化过程中设置的参数很难跟踪，这就妨碍了将它们正确地共享给集线器。无论如何，制作一个特定类的想法是，你已经可以为任何需要硬编码的东西设置类属性（只需设置 your_variable=(...) 直属 类 YourTool（工具）： 行）。当然，您也可以在代码的任何地方创建类属性，只需将内容赋值给 self.your_variable.

一旦将工具推送到 Hub，就可以将其可视化。这里是 模型下载工具 我推过的。它有一个漂亮的渐变界面。

在深入研究工具文件时，你会发现该工具的所有逻辑都在 tool.py.在这里，您可以检查别人共享的工具。

然后就可以用 load_tool() 或使用 from_hub() 并将其传递给 工具 参数。由于运行工具意味着运行自定义代码，你需要确保你信任版本库，因此我们需要通过 trust_remote_code=True 从中枢加载工具。

复制的

from smolagents import load_tool, CodeAgent

model_download_tool = load_tool(
    "{your_username}/hf-model-downloads"、
    trust_remote_code=True
)

导入空间作为工具 #

您可以直接从中枢导入空间作为工具，使用 Tool.from_space() 方法！

您只需提供 Hub 上空间的 id、名称以及有助于代理了解该工具作用的描述。在引擎盖下，这将使用 gradio-client 库来调用 Space。

例如，让我们导入 FLUX.1-dev 空间，并用它来生成图像。

复制的

image_generation_tool = Tool.from_space(
    "black-forest-labs/FLUX.1-schnell"、
    name="image_generator"、
    description="根据提示生成图像"
)

image_generation_tool("A sunny beach")

瞧，这就是你的图片！🏖️

然后，你就可以像使用其他工具一样使用这个工具了。例如，让我们改进一下提示 穿太空服的兔子 并生成其图像。

复制的

from smolagents import CodeAgent, HfApiModel

model = HfApiModel("Qwen/Qwen2.5-Coder-32B-Instruct")
agent = CodeAgent(tools=[image_generation_tool], model=model)

agent.run(
    "改进此提示，然后生成其图像。", prompt='A rabbit wearing a space suit' (一只穿着太空服的兔子)
)

复制的

=== Agent thoughts：
improved_prompt 可以是 "一只穿着亮蓝色太空服的兔子，在月球表面，在明亮的橙色夕阳下，背景是清晰可见的地球"

现在，我已经改进了提示，可以使用图像生成器工具根据此提示生成图像。
>>> Agent 正在执行下面的代码：
image = image_generator(prompt="A bright blue space suit wearing rabbit, on the surface of the moon, under a bright orange sunset, with the Earth visible in the background")
final_answer(image)

这有多酷？🤩

使用语言链工具 #

我们很喜欢 Langchain，认为它有一套非常引人注目的工具。要从 LangChain 导入工具，请使用 from_langchain() 方法。

下面介绍如何使用 LangChain 网络搜索工具来重现介绍中的搜索结果。该工具需要 pip install langchain google-search-results -q 才能正常工作。

复制的

从 langchain.agents 导入 load_tools

search_tool = Tool.from_langchain(load_tools(["serpapi"])[0])

agent = CodeAgent(tools=[search_tool], model=model)

agent.run("与 Attention is All You Need 中提出的架构中的编码器相比，BERT 基本编码器中多了多少块（也称为层）？

管理特工工具箱 #

您可以通过添加或替换属性中的工具来管理特工的工具箱。 代理工具因为它是标准字典。

让我们添加 模型下载工具 到仅使用默认工具箱初始化的现有代理。

复制的

从 smolagents 导入 HfApiModel

model = HfApiModel("Qwen/Qwen2.5-Coder-32B-Instruct")

agent = CodeAgent(tools=[], model=model, add_base_tools=True)
agent.tools[model_download_tool.name] = model_download_tool

现在，我们可以利用这个新工具了：

复制的

agent.run(
    "你能告诉我在拥抱脸枢纽的'文字到视频'任务中下载次数最多但字母颠倒的模型名称吗？
)

注意不要为代理添加过多工具：这会让较弱的 LLM 引擎不堪重负。

使用一系列工具 #

您可以通过使用工具集合对象（ToolCollection object）来利用工具集合，其中包含您要使用的集合的标题。然后将它们作为一个列表传入，初始化你的代理，并开始使用它们！

复制的

from smolagents import ToolCollection, CodeAgent

image_tool_collection = ToolCollection(
    collection_slug="huggingface-tools/diffusion-tools-6630bb19a942c2306a2cdb6f",
    token=""
)
agent = CodeAgent(tools=[*image_tool_collection.tools], model=model, add_base_tools=True)

agent.run("Please draw me a picture of rivers and lakes.")

为了加快启动速度，只有在代理调用时才会加载工具。