SmolAgents

让开发者仅用几行代码即可构建和运行强大的AI智能体

Vibe Coding

https://github.com/huggingface/smolagents

前往官网

深度报告

SmolAgents是Hugging Face开发的开源轻量级AI Agent框架，旨在让开发者仅用几行代码即可构建和运行强大的智能体。该框架采用“小而精”的设计哲学，核心代码仅约1000行，却实现了强大的智能代理功能。SmolAgents的核心创新在于其“代码优先”（Code Agents）方法——智能体通过编写和执行Python代码来完成任务，而非生成传统的JSON或文本格式动作。这一设计显著提升了执行效率，相比标准工具调用方法可减少约30%的执行步骤和LLM调用次数。在2025年的基准测试中，基于SmolAgents构建的开源模型智能体在GAIA评测中成功登顶，标志着开源模型在复杂任务处理能力上已具备与商业闭源模型相媲美的实力。SmolAgents支持40多种大语言模型，包括Hugging Face Hub上的模型、OpenAI、Anthropic等第三方模型，以及本地部署的Transformers和Ollama模型。目前该框架在GitHub上已获得超过27000颗星标，显示出开发者社区的高度认可。
SmolAgents由Hugging Face团队于2025年1月正式发布，是该公司在大语言模型应用领域的重要产品。Hugging Face作为开源机器学习社区的领导者，一直致力于降低AI技术的使用门槛。SmolAgents的诞生源于团队对现有Agent框架过于复杂的反思——传统框架往往需要大量代码和复杂配置才能实现基本功能，这与AI技术民主化的理念相悖。该框架的设计理念强调“极简主义”，将Agent的核心逻辑压缩至约1000行代码。这种设计使得框架易于理解和修改，开发者可以深入了解Agent的工作原理，而非被复杂的抽象层所困扰。2025年9月，SmolAgents增加了视觉支持，进一步扩展了其应用范围。 SmolAgents由Hugging Face的核心团队成员主导开发，包括Aymeric Roucher、Albert Villanova del Moral、Thomas Wolf、Leandro von Werra和Erik Kaunismäki等。这些开发者都是开源社区的活跃贡献者，在大语言模型和Agent技术领域拥有丰富的经验。Hugging Face作为开源机器学习领域的领军企业，拥有强大的技术积累和社区资源，为SmolAgents的发展提供了坚实的技术基础和生态支持。
SmolAgents提供了多项核心特性，使其在众多Agent框架中脱颖而出。首先是代码代理（CodeAgent）功能，这是框架的一级支持特性，允许智能体用Python代码编写操作，而非生成JSON或文本格式的动作。这种方法更加自然和灵活，代码的表达能力远超结构化的JSON格式。框架支持多种模型接入方式。InferenceClientModel支持Hugging Face Hub上的模型，LiteLLMModel支持超过100种LLM（包括OpenAI、Anthropic等），OpenAIModel支持任何OpenAI兼容的API，TransformersModel支持本地模型推理，AzureOpenAIModel和AmazonBedrockModel则支持企业级云服务。这种模型无关的设计让开发者可以根据需求灵活选择。SmolAgents还支持与Hugging Face Hub深度集成，开发者可以方便地在Hub上分享和拉取工具或代理。此外，框架支持多种输入形态，包括文本、视觉、视频和音频。在工具集成方面，框架支持MCP服务器工具、LangChain工具以及Hub Space作为工具。框架还提供了命令行工具（CLI），包括smolagent和webagent命令，方便快速开发和测试。SmolAgents的技术架构非常简洁。框架的核心是Agent循环，智能体接收用户任务后，通过大语言模型生成代码或工具调用，然后在执行境中运行代码或调用工具，最后将结果返回给用户。这种设计与传统的ReAct框架类似，但更加简洁和直接。框架提供了两种Agent类型：CodeAgent和ToolCallingAgent。CodeAgent用Python代码编写操作，支持多种安全执行环境，包括E2B、Blaxel、Modal、Docker和Pyodide+Deno WebAssembly。ToolCallingAgent则是传统的工具调用Agent，用JSON或文本格式生成动作。这种双轨设计让开发者可以根据场景灵活选择。安装SmolAgents非常简单，只需一行命令：`pip install "smolagents[toolkit]"`创建第一个Agent同样简洁，只需要几行Python代码即可创建一个功能完整的智能体。框架还提供了丰富的预置工具，包括网页搜索工具、文档检索工具等，开发者可以快速构建各种应用场景。SmolAgents采用代码优先的方法，在多个基准测试中展现出色。核心优势在于其执行效率——相比传统的JSON格式工具调用，代码执行可以减少约30%的执行步骤和LLM调用次数。这一改进源于代码的天然优势：代码可以自然地支持函数嵌套和对象复用，而JSON格式需要复杂的解析和处理。在GAIA基准测试中，基于SmolAgents和开源模型的智能体表现尤为突出。开源模型配合SmolAgents能够达到与闭源模型相当的性能水平，这标志着开源模型在复杂任务处理能力上的重大突破。
SmolAgents是开源免费框架，主要通过Hugging Face的生态系统盈利。开发者可以免费使用框架的全部功能，并通过Hugging Face Hub分享和获取工具。收费模式主要包括Hugging Face的付费模型服务、企业级技术支持、以及云端部署服务。
开发者社区对SmolAgents的简洁设计给予高度认可。许多开发者表示，框架的易用性是其最大优势——只需几行代码即可构建一个功能完整的智能体。代码优先方法受到一致好评，开发者认为这种方法更加直观和高效。开源模型在基准测试中的出色表现也引发了社区的热烈讨论，许多人认为这标志着开源模型的重大突破。部分开发者对框架的局限性表示不满。缺乏多智能体支持是主要的批评点，许多需要构建复杂系统的开发者不得不选择其他框架。此外，文档和示例不够丰富也受到批评，新手学习曲线较高。企业级功能不足是另一个被频繁提及的问题。
SmolAgents在AI Agent框架领域建立了独特的市场定位。其核心竞争力在于简洁性和透明度，适合追求快速原型开发和代码可控性的开发者。框架的开源特性使其获得了广泛的社区支持，同时也面临着来自LangChain、AutoGen等成熟框架的竞争。从行业趋势来看，代码优先的Agent方法正在获得越来越多的关注。SmolAgents的成功证明了这种方法的有效性，可能会引领一波新的框架设计潮流。
SmolAgents缺乏多智能体协作支持，在需要多Agent协作的复杂场景下不适用。框架不支持内置内存功能，缺少持久化内存支持，需要集成外部方案。 LangChain、AutoGen、CrewAI等成熟框架的竞争压力日益增加，企业级功能生态相对薄弱。
SmolAgents适合追求快速原型开发的开发者、重视代码透明度和可控性的技术团队、研究Agent技术的学者和学生、使用开源模型的开发者、以及需要简单任务自动化的个人用户。框架的简洁设计使其特适学习和实验目的。以下人群可能不适合使用SmolAgents：需要构建多智能体系统的团队、需要复杂工作流编排的企业应用、重视生产级工具和生态的团队、以及需要持久化内存支持的应用。对于这些场景，建议选择LangChain、AutoGen或CrewAI。
SmolAgents作为Hugging Face推出的轻量级Agent框架，在简洁性和效率方面表现出色。其代码优先的设计理念代表了Agent框架的一个重要发展方向。框架的核心理念——用代码思考——正在获得越来越多的关注和认可。对于追求简洁、透明和高效开发的团队和个人，SmolAgents是一个值得考虑的选择。

用户评论

墨染103

—

最近在做RAG项目，试了试SmolAgents，真的太香了！几百行代码就能跑起来，比LangChain轻量太多。

Bobby.Morgan_7

—

吹爆CodeAgent，用Python代码执行的方式比传统JSON Agent效率高30%不是吹的，实测确实香。

TaylorBerg

—

HF家的东西确实好用，生态完善，文档清晰，就是企业级功能还是欠缺一点点。

BlocaDex

—

免费开源还还要啥自行车，小型项目完全够用，大型项目建议上LangChain。

Alan.Thompson_Max

—

好奇害死猫。

JoanMorris_2020

—

装了试试，几行代码就跑起来了，文档也挺详细的，适合快速原型。

Joan.Parker_724

—

和AutoGen对比了下，SmolAgents更适合简单场景，复杂多Agent还是AutoGen更强。

Carl332

—

代码优先的方法确实更高效，减少了API调用次数，降本效果明显。

Grace_JacksonSr86

—

HF的东西确实对开发者友好，simplicity拉满。

EvaReyes

—

用了一下午，基础的搜索和API调用已经跑通了，就是缺少内置memory有点麻烦。

ThomasGarcia_88

—

支持本地的Transformers模型，对隐私敏感的项目很友好。

Brandon_JamesSr

—

用E2B沙箱执行代码，安全方面还算靠谱。

MsCathrionaGrant_88

—

支持Vision以后可以处理图片了，适用范围更广了。

逍遥_12

—

团队技术强，代码质量高，维护也及时，提issue很快就回了。

松涛_9

—

GitHub Star数涨得挺快的，社区在成长。

SaraCampbell369062

—

想问问怎么加自定义tool，有大佬知道吗？

JocelynPerry

—

适合学习Agent原理，代码少看得懂，生产用还是LangChain稳。

Anna_Reed0070

—

用了两个月，真香，但想搞复杂工作流时发现不支持有点难受。

C_oinAnalystWalker

—

支持100+LLM这点很爽，换模型很方便。

Cynthia_RodriguezII

—

CLI工具方便，快速测试很实用。

SmolAgents

深度报告

用户评论

相关链接

同类产品