> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Smolagents：以代码为中心
- URL: https://www.hubwiz.com/blog/smolagents-code-centric-agents-framework/
- Published: 2025-01-21T15:04:40.000Z
- Updated: 2025-01-21T15:04:40.000Z
- Description: Smolagents 是 Hugging Face 新推出的代理框架，旨在简化利用大型语言模型 (LLM) 的智能代理的创建。
- Author: admin
- Tags: LIBRARY, AGENT, SMOLAGENTS, #Import 2026-10-14 14:41

正如你一定在多个地方读到的那样，2025 年是AI代理的一年。以至于马克·扎克伯格公开表示 Meta 将让AI代理担任中高级工程师。

从过去的几个版本中可以清楚地看出，微软现在拥有 3 个多代理编排框架（AutoGen、Magentic-One、Tiny-Troupe），OpenAI 发布了 Swarm，AWS 除了独立的 Langraph 和 CrewAI 之外还推出了多代理编排器。现在，就连 HuggingFace 也加入了推出“smolagents”的行列，这又是一个多代理框架，但有所不同。

## 1、什么是 smolagents？

[Smolagents](https://github.com/huggingface/smolagents?source=post%5Fpage-----313178ef3c2e--------------------------------) 是 Hugging Face 新推出的代理框架，旨在简化利用大型语言模型 (LLM) 的智能代理的创建。这个轻量级库使开发人员能够用最少的代码构建代理，专注于实用性和易用性。

Smolagents 的主要功能：

- 简单性：Smolagents 允许使用简单的编码方法快速进行原型设计和部署，即使是那些在创建代理方面经验有限的人也可以使用它。
- 以代码为中心的代理：该框架支持直接以 Python 代码执行操作的代理。与传统的基于工具的代理相比，这种方法通常可以提高准确性和效率，而传统的基于工具的代理可能需要更多步骤。
- LLM 兼容性：Smolagents 的设计与 LLM 无关，这意味着它可以通过其 LiteLLM 集成与 Hugging Face Hub 上可用的任何 LLM 以及其他流行模型无缝集成。
- 代理功能：该框架允许 LLM 通过编写可通过外部工具执行的操作来控制工作流。这种灵活性增强了代理处理不适合预定义工作流的复杂任务的能力。
- 安全功能：Smolagents 包括在安全的沙盒环境中执行代码的机制，确保在运行潜在风险代码时安全运行。

## 2、以代码为中心的代理

这就是 smolagents 与其他所有框架不同的地方。但让我们首先了解代码代理在其他框架中的工作方式

### 2.1 其他 Agentic 框架中的代码代理

在大多数其他框架中，代理通过使用类似 JSON 的格式调用工具来执行任务。它通常的工作方式如下：

操作表示：

代理将操作写为结构化的 JSON。每个操作包括：

- 工具名称：要使用什么工具（例如，“搜索”、“翻译”）。
- 参数：工具所需的参数（例如，“查询”：“当前天气”）。

执行过程：

框架读取此 JSON，确定要使用哪个工具，并使用给定的参数运行该工具。

一旦工具返回结果，代理就会对其进行处理并决定下一步操作。

### 2.2 Smolagents 的不同之处

Smolagents 不使用 JSON，而是让代理编写实际的 Python 代码来执行操作。这就是为什么它与众不同且更胜一筹：

操作即代码：

在 Smolagents 中，代理直接生成 Python 代码来执行操作。

直接执行：

框架直接运行此代码，无需将 JSON 转换为工具调用。这使得执行更快、更简单、更准确。

## 3、示例

假设你将此命令传递给代理框架

```
Generate a sunset image and display
```

> 翻译：生成日落图像并显示

### 3.1 其他框架（通常）

在其他框架中，这将是一个更复杂的管道，因为需要分别执行两个操作：

步骤 1：生成图像

代理发送 JSON 请求以生成图像：

```
{
  "tool": "generate_image",
  "args": { "prompt": "sunset over mountains" }
}
```

步骤 2：显示图像

生成图像后，代理发送另一个 JSON 操作来显示它：

```
{
  "tool": "display_image",
  "args": { "image": "generated_image.png" }
}
```

每个步骤都涉及解析 JSON、找出要调用的工具并执行它。代理无法轻松地将这些操作链接在一起或重用结果。

### 3.2 使用 smolagents 

它只需编写代码即可同时执行所有操作：

```
image = generate_image("sunset over mountains")
display(image)
```

因此无需多次调用，复杂性更低。

## 4、Smolagents 更好的原因

开销更少：无需将 JSON 转换为工具调用 - 只需运行代码即可。

灵活性更高：Python 代码可以处理 JSON 无法处理的复杂任务（循环、条件、自定义函数）。

与 LLM 训练更好地保持一致：由于 LLM 经过大量 Python 代码训练，因此在生成代码操作时比生成 JSON 操作时表现更好。

简化执行：代理可以一次性直接处理任务，无需额外步骤解释 JSON。

兼容任何本地 LLM 和 API

## 5、smolagents 缺点

虽然框架很棒，但在使用它之前必须了解一些危险

- 代码执行有缺陷：尽管 Smolagents 包括安全本地解释器和 E2B 远程执行等保护措施，但仍然可能存在框架运行“删除所有内容”代码片段的情况，导致您的 PC 出现故障。
- 看起来不像 LangGraph 那么灵活。
- 你的 LLM 应该擅长编码！！我尝试过几个非编码人员的 LLM，结果并不好

是否需要为所有事情编写代码？一点也不。Smolagents 可能会带来不必要的复杂性。

那么，它是最好的框架吗？我不这么认为，但如果你从 Agentic 框架开始，它是一个很好的框架。而且它很容易！！

## 6、如何使用 smolagents？

直接从 repo 中获取示例。

首先pip 安装包：

```
pip install smolagents
```

然后创建 CodeAgent 并向其传递一些工具：

```
from smolagents import CodeAgent, DuckDuckGoSearchTool, HfApiModel

agent = CodeAgent(tools=[DuckDuckGoSearchTool()], model=HfApiModel())

agent.run("How many seconds would it take for a leopard at full speed to run through Pont des Arts?")
```

如你所见，CodeAgent 是使用任何类型工具（在本例中为互联网搜索）的独立代理。对于给定的提示，CodeAgent 将编写代码以：

搜索互联网以找出回答问题所需的不同信息

以最终输出为“秒”的方式编写代码，因此你的任何问题都有完全定制的代码！！

---

原文链接：[HuggingFace smolagents: The best Multi-Agent framework so far?](https://medium.com/data-science-in-your-pocket/huggingface-smolagents-the-best-multi-agent-framework-so-far-313178ef3c2e?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处