近日，Hugging Face 最近开源的一个Agent项目：smolagents。相较于其它框架，它的理念和实现都比较简单。基于python开发，核心设计理念是 “少即是多”。相比市面上动辄几万行代码的 Agent 框架，它保持了极简的风格，核心代码仅有数千行，但功能却毫不逊色。Hugging Face 团队希望通过这种方式，降低 Agent 开发的门槛，让更多开发者能够快速上手。

设计亮点

smolagents 的最大亮点在于其对“代码 Agent” 的原生支持。这意味着 Agent 的行为将直接通过 Python 代码来表达，而非传统的 JSON 或者文本指令。这种设计思路有以下几点优势：

  • 执行效率更高：代码 Agent 可以减少 LLM 的调用次数，从而提高整体的执行效率。

  • 表达能力更强：代码本身就是一种清晰、简洁的表达方式，更适合描述复杂的 Agent 行为。

  • 复用性更好：代码的模块化设计，能够更好地复用和扩展 Agent 的功能。

  • 避免 JSON 的复杂性：省去了 JSON 结构定义、解析等环节，让 Agent 开发回归本质。

关键特性解读：

  • 极简架构：核心代码简洁，易于理解和定制，避免了不必要的框架抽象。

  • 安全沙箱：集成 E2B 等沙箱环境，确保代码执行的安全性，降低潜在的安全风险。

  • Hub 集成：无缝对接 Hugging Face Hub，方便工具和模型的共享与复用。

  • 模型兼容性：支持 Hugging Face Hub 上的开源模型，以及 OpenAI、Anthropic 等主流 LLM。

代码示例

smolagents 的上手门槛非常低，以下是一个简单的代码示例：

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?")

可以看到，开发者只需要几行代码，就能创建一个可以执行网络搜索任务的 Agent。

更复杂的例子：

from typing import Optional  
from smolagents import CodeAgent, HfApiModel, tool  
  
@tool  
def get_travel_duration(start_location: str, destination_location: str, departure_time: Optional[int] = None) -> str:  
    """Gets the travel time in car between two places.  
      
    Args:  
        start_location: the place from which you start your ride  
        destination_location: the place of arrival  
        departure_time: the departure time, provide only a `datetime.datetime` if you want to specify this  
    """  
    import googlemaps # All imports are placed within the function, to allow for sharing to Hub.  
    import os  
  
    gmaps = googlemaps.Client(os.getenv("GMAPS_API_KEY"))  
  
    if departure_time is None:  
        from datetime import datetime  
        departure_time = datetime(2025, 1, 6, 11, 0)  
  
    directions_result = gmaps.directions(  
        start_location,  
        destination_location,  
        mode="transit",  
        departure_time=departure_time  
    )  
    return directions_result[0]["legs"][0]["duration"]["text"]  
  
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 via public transportation.")

开源模型的潜力

smolagents 的实验结果表明，在一些复杂任务中，基于开源模型构建的代码 Agent，已经展现出了不俗的性能，甚至可以和一些闭源模型相媲美。这对开源 Agent 技术的发展无疑是一个利好。

总结

Hugging Face 向来对开发者用户理解深入，加上它社区的优势，它发布的很多框架都能够获得不错的反响，smolagents 是 Hugging Face 在 AI Agent 领域的一次尝试，上线没几天就已经4k的星标，建议大家也使用使用，一起交流使用心得和体验。

项目地址：https://github.com/huggingface/smolagents

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

# 人工智能 # microsoft # 大数据 # python # 机器学习
Logo
乐奇 Rokid 开放社区

更多推荐

从对话到行动：用 AIUI 构建「喝水节奏教练」

「喝水节奏教练」是专为Rokid AI眼镜设计的本地化饮水记录智能体，通过自然语言指令实现“记一杯”“查进度”“撤销错误”等操作，数据全程本地存储。基于意图驱动的单页面UI，结合语音识别与A2UI动态渲染，支持快速记录、实时核对与修正，不依赖云端或健康数据，专注轻量可信的饮水节奏管理。

avatar 乐奇 Rokid 开放社区

智能眼镜市场全景解析：从技术演进到产业格局

本文系统梳理智能眼镜市场，涵盖产品形态、技术演进、市场规模、产业链结构及竞争格局。指出智能眼镜正从音频交互向AR显示与空间计算演进，受AI大模型、供应链成熟与生态延伸驱动，呈现分层发展态势。虽面临场景刚需不足、续航重量矛盾与隐私挑战，但B端应用先行、AI原生设计与标准完善将推动行业迈向规模化渗透，未来需关注核心技术突破与真实使用数据。

avatar 乐奇 Rokid 开放社区
cover

【日常逃跑计划：把世界戴在眼睛上，是什么体验？】

avatar 乐奇 Rokid 开放社区