smolagentsHugging Face's minimalist Python library för att bygga kodförsta AI-agenter på några linjer

Hur starka är publika modeller för agensiska flöden?

Vi har skapat CodeAgent-instanser med några ledande modeller, och jämfört dem på ett benchmark som samlar frågor från några olika benchmarks för att föreslå en varierad blandning av utmaningar. Hittar ni benchmark-koden här för mer detalj för agensisk setup, och se en jämförelse mellan att använda kodagenter med LLM jämfört med vanliga (spoilers: kodagenter fungerar bättre). Denna jämförelse visar att öppna källkodsmodeller nu kan ta itu med de bästa stängda modellerna!

Asked by Diego Fernández · Feb 16, 2026

Hur litet är detta bibliotek?

Vi har strävat efter att hålla abstraktioner till minimalistisk nivå: den huvudsakliga koden i agents.py har mindre än 1 000 rader. För det mesta implementerar vi ändå flera typer av agenter: CodeAgent skriver sina handlingar som Python-kodsnippen, och mer klassiska ToolCallingAgent utnyttjar byggda-in metoder för att kommunicera med verktygen. Vi har även multi-agenter hierarkier, import från verktygskollektioner, fjärrkodkörning, seansmodeller... Så varför använda en ramverk alls? Jo, eftersom en större del av detta är svårt. Till exempel har koden för den agenskoden att hålla en konsekvent format för koden genom hela dess systemfråga, dess parser, utförande... Därmed hanterar vårt ramverk denna komplexitet åt er. Men såklart uppmuntrar vi er fortfarande att hacka i källkoden och använda bara de bitarna ni behöver, till undvikande av allt annat!

Asked by Ludovic Girard · Nov 27, 2025

Hur fungerar Code-agenter?

Vår Code-agent fungerar mestadels som traditionella ReAct-agenter - utom i den meningen att det LLMmotor skriver sina åtgärder som Python-kodklipp. Åtgärder är nu Python-kodklipp. Därför kommer verktygsanrop att ske som Python-funktionssamtal. För exemplet kan agenter utföra webbsökning över flera hemsidor i en enda åtgärd: Skrivning av åtgärder som kodklipp visar sig fungera bättre än det närvarande industrinäralaget av att låta LLM-utdata ge dikotariorn av verktyg som använder den vill: Använder 30% färre steg (och därmed 30% färre LLM-anrop) och når högre prestanda på svåra benchmark-klasser. Titta på vårt high-level-introduktion till agenter för att lära dig mer om det. Eftersom kördning av kod kan vara ett viktigt säkerhetsproblem (arbiträr kodkörning!), bör du köra agentkod i ett sandlåda. Vi stödjer flera alternativ: E2B, Blaxel, Modal - hanterade moln-sandlådor, enklast att konfigurera Docker - självvärdd kontainer-avskiljning. Den inbyggda LocalPythonExecutor är inte en säkerhets-sandlåda. Den tillämpar vissa begränsningar, men kan kringgås och bör inte användas som en säkerhetsgräns. Självfallet erbjuder vi också standard-ToolCallingAgent som skriver åtgärder som JSON/text-blobar. Du kan välja den stil som passar bäst för ditt bruk.

Asked by Greta Nowak · Oct 31, 2025