smolagentsEin minimalistisches Python-Bibliotheksframework von Hugging Face für die Erstellung von code-first-AI-Agenten in nur wenigen Zeilen

Wie stark sind offene Modelle für agentische Workflows?

Wir haben CodeAgent‑Instanzen mit einigen führenden Modellen erstellt und sie anhand dieses Benchmarks verglichen, der Fragen aus mehreren unterschiedlichen Benchmarks zusammenführt, um eine abwechslungsreiche Mischung von Herausforderungen zu bieten. Den Benchmark‑Code findest du hier für weitere Details zum genutzten agentischen Setup, und eine Gegenüberstellung von LLM‑Code‑Agents gegenüber Vanilla‑Ansätzen (Spoiler: Code‑Agents funktionieren besser). Dieser Vergleich zeigt, dass Open‑Source‑Modelle jetzt mit den besten Closed‑Source‑Modellen mithalten können!

Asked by Diego Fernández · Feb 16, 2026

Wie klein ist diese Bibliothek?

Wir haben versucht, die Abstraktionen auf ein Minimum zu beschränken: Der Hauptcode in agents.py umfasst weniger als 1.000 Zeilen. Trotzdem implementieren wir mehrere Agententypen: Der CodeAgent schreibt seine Aktionen als Python‑Code‑Snippets, und der eher klassische ToolCallingAgent nutzt eingebaute Tool‑Calling‑Methoden. Wir haben außerdem Multi‑Agent‑Hierarchien, Import aus Tool‑Sammlungen, Remote‑Code‑Execution, Vision‑Modelle … Übrigens, warum überhaupt ein Framework benutzen? Weil ein großer Teil dieses Stoffs nicht trivial ist. Zum Beispiel muss der CodeAgent ein konsistentes Format für Code im System‑Prompt, im Parser und bei der Ausführung beibehalten. Unser Framework übernimmt diese Komplexität für dich. Natürlich ermutigen wir dich, in den Quellcode einzugreifen und nur die Teile zu verwenden, die du brauchst, und alles andere auszublenden!

Asked by Ludovic Girard · Nov 27, 2025

Wie funktionieren Code‑Agenten?

Unser CodeAgent funktioniert im Wesentlichen wie klassische ReAct‑Agenten – mit der Ausnahme, dass die LLM‑Engine ihre Aktionen als Python‑Code‑Snippets schreibt. Aktionen sind nun Python‑Code‑Snippets. Deshalb werden Tool‑Aufrufe als Python‑Funktionsaufrufe ausgeführt. Zum Beispiel kann der Agent in einem einzigen Schritt eine Web‑Suche über mehrere Websites durchführen: Das Schreiben von Aktionen als Code‑Snippets hat sich als effektiver erwiesen als die gängige Praxis, das LLM ein Dictionary der gewünschten Tools ausgeben zu lassen: Es werden 30 % weniger Schritte (und damit 30 % weniger LLM‑Aufrufe) benötigt und bei schwierigen Benchmarks wird eine höhere Performance erreicht. Siehe unsere High‑Level‑Einführung zu Agenten für weitere Details. Da Code‑Ausführung ein ernsthaftes Sicherheitsrisiko darstellt (beliebige Code‑Ausführung!), sollten Sie Agenten‑Code in einer Sandbox ausführen. Wir unterstützen mehrere Optionen: E2B, Blaxel, Modal – verwaltete Cloud‑Sandboxes; am einfachsten einzurichten Docker – selbstgehostete Container‑Isolation. Der eingebaute LocalPythonExecutor ist keine Sicherheits‑Sandbox. Er wendet einige Beschränkungen an, kann aber umgangen werden und darf nicht als Sicherheitsgrenze verwendet werden. Zusätzlich zum CodeAgent bieten wir den Standard‑ToolCallingAgent an, der Aktionen als JSON/Text‑Blobs schreibt. Sie können den Stil wählen, der am besten zu Ihrem Anwendungsfall passt.

Asked by Greta Nowak · Oct 31, 2025