企业官网建设流程全解析

SmolAgents 工具实战：注册到多智能体协作指南

【免费下载链接】agents-courseThis repository contains the Hugging Face Agents Course.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-course

假设你要做一个"派对筹备"助手：它得先查哥谭市评分最高的餐饮服务商，再按场合生成菜单，最后把结果汇总成回复。单靠大模型聊天做不了——查实时信息要联网，算账要执行代码。HuggingFace Agents Course 的 unit2 用 smolagents 框架解决这个问题：把普通 Python 函数用@tool装饰器标记，塞进CodeAgent的工具列表，模型会自己决定什么时候调用、传什么参数。整条链路你只需要写"函数 + 一行注册代码"，见 units/zh-CN/unit2/smolagents/tools.mdx。

工具调用的运转链路

smolagents 的工具调用不是一次性的，而是一个"思考→行动→观察"的 while 循环（课程第 1 单元称其为 ReAct 循环，详见 units/zh-CN/unit1/agent-steps-and-structure.mdx）。CodeAgent每一轮做的事固定为四步：

这里有两个关键点，直接决定你的工具好不好用：

• LLM 不直接执行工具。它只输出调用工具的代码文本，真正执行的是智能体框架。所以工具的"说明书"——函数名、docstring、参数类型——会被自动解析后注入系统提示，模型靠这些文本决定怎么调。
• 观察结果会回灌进日志。工具返回什么，模型下一轮就"看到"什么，因此工具返回值要信息密度高、格式稳定，别返回一堆原始 dump。

快速上手：5 分钟注册一个可用工具

1. 安装框架并登录模型服务

smolagents 本体约千行代码，默认通过 HF 无服务器推理 API 调模型（默认Qwen/Qwen2.5-Coder-32B-Instruct），所以本地要能访问推理端点并持有 token。

pip install smolagents -U

from huggingface_hub import login login()

2. 把函数写成"能被自解释"的工具

框架用 Python 内省（inspect）自动提取工具的元信息，所以三条纪律：函数名要描述功能、参数和返回值必须有类型注解、docstring 里写Args:逐参数说明。缺任何一条，注入系统提示的工具描述就会残缺，模型调用出错率会明显上升。

3. 注册工具并运行智能体

工具不需要显式"注册表"，创建CodeAgent时把工具对象放进tools列表即完成注册，下面的最小示例可直接运行（餐饮评分工具改写自课程示例）：

from smolagents import CodeAgent, InferenceClientModel, tool @tool def catering_service_tool(query: str) -> str: """Return the highest-rated catering service. Args: query: A search term for finding catering services. """ services = {"Gotham Catering Co.": 4.9, "Wayne Manor Catering": 4.8} return max(services, key=services.get) agent = CodeAgent(tools=[catering_service_tool], model=InferenceClientModel()) print(agent.run("Find the highest-rated catering service in Gotham City.")) # -> Gotham Catering Co.

4. 看运行轨迹确认工具真的被调了

agent.run()会在终端打印逐步轨迹，每步能看到Executing parsed code:后面的代码和工具返回。确认两点即可：代码里出现了对工具函数的调用、参数符合注解类型。如果模型压根没调工具直接编答案，回第 2 步把 docstring 写得更具体。

进阶玩法：把子智能体当工具做任务拆解

单智能体扛复杂任务时步骤会膨胀，课程 unit2 的多智能体章节（units/zh-CN/unit2/smolagents/multi_agent_systems.mdx）给出最实用的组合方式：把另一个智能体包成工具挂给管理智能体（Manager Agent）。管理智能体只负责拆题和汇总，专业活交给子智能体，上下文各管各的，轨迹也更短。

from smolagents import CodeAgent, InferenceClientModel, tool @tool def research(query: str) -> str: """Search and summarize material on a given topic. Args: query: the research topic. """ sub = CodeAgent(tools=[], model=InferenceClientModel()) return sub.run(f"Research '{query}' and summarize in 3 sentences.") manager = CodeAgent(tools=[research], model=InferenceClientModel()) manager.run("对比代码智能体与工具调用智能体两种方案，给出选型建议。")

跑通这个模式后，往tools列表里继续加DuckDuckGoSearchTool、VisitWebpageTool等默认工具箱成员（或Tool.from_space()加载的 HF Space），就是一个可落地的多角色编排系统。两种智能体的差别值得一看：CodeAgent生成 Python 代码行动，ToolCallingAgent生成 JSON 调用指令，后者适合不需要变量处理的简单链路，详见 units/zh-CN/unit2/smolagents/tool_calling_agents.mdx。

踩坑速查

往下走

• 代码智能体逐步执行细节与记忆机制：units/zh-CN/unit2/smolagents/code_agents.mdx
• 多智能体编排完整案例（含安装依赖清单）：units/zh-CN/unit2/smolagents/multi_agent_systems.mdx
• 智能体可观测性与评估（Langfuse 埋点、数据集回归）：units/zh-CN/bonus_unit2/what-is-agent-observability-and-evaluation.mdx

【免费下载链接】agents-courseThis repository contains the Hugging Face Agents Course.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-course