导语
玩 Agent 框架玩到最后，你会发现一个扎心的规律：框架越“重”，你离真正干活越远。配置文件三层嵌套，概念十几个，跑个 Demo 要先读半小时文档。HuggingFace 的 smolagents 反其道而行——整个 Agent 核心逻辑压缩在约一千行代码里，主打一句话：Agent 就该用代码思考，而不是用 JSON 套壳。
项目介绍：代码即行动的“小个子”
smolagents 是 HuggingFace 在 2024 年底推出的开源 Agent 库（Apache 2.0 协议），目前 GitHub 已收获约 2.9 万星。它最大的招牌是 CodeAgent：别的框架让模型输出 JSON 格式的工具调用，它直接让模型写 Python 代码——查数据、调工具、做计算全写进一段代码里，天然支持循环、条件、函数嵌套，组合能力比 JSON 强一个身位。
当然它也没把路堵死：偏好传统范式的可以用 ToolCallingAgent，走常规的 JSON tool-calling 路线。其他卖点也很实在：模型无绑定（HF 推理接口、OpenAI、Anthropic、本地 Transformers / Ollama 都能接，LiteLLM 一把梭），工具无绑定（MCP Server、LangChain 工具、甚至一个 Hub Space 都能当工具挂上去），多模态输入（文本、图片、视频、音频），还能一键把 Agent 推到 Hub 上分享给别人。
说人话：这就是 HuggingFace 给“想快速把 LLM 变成干活 Agent 的人”准备的一套轻量起手式，几行代码就能跑。
上手：三步跑起第一个 Agent
环境要求很低，有 Python 和 pip 就行：
pip install "smolagents[toolkit]"
然后写个最简 Agent（默认走 HuggingFace 推理接口）：
from smolagents import CodeAgent, InferenceClientModel
model = InferenceClientModel()
agent = CodeAgent(tools=[], model=model)
print(agent.run("计算 1 到 100 的和"))
想让它联网干活，加个搜索工具就行：
from smolagents import CodeAgent, InferenceClientModel, DuckDuckGoSearchTool
agent = CodeAgent(tools=[DuckDuckGoSearchTool()], model=model)
print(agent.run("巴黎现在的天气怎么样？"))
想省钱跑本地？模型换成 Ollama 即可，本地模型那套玩法可以参考本站之前写的 Ollama 本地模型总开关。如果你要做的是带知识库的企业级应用，那更重的 Dify 一锅端方案可能更合适；smolagents 的定位是轻、快、代码可控。
安全方面注意一点：CodeAgent 是真的在执行模型写的代码，官方支持 E2B、Modal、Docker、Blaxel 等沙箱执行，真要联网跑任务，别在裸机 Python 里直接执行。实测下来还有个细节很讨喜：它的流式输出和日志非常直白，Agent 每一步想干什么、调了哪个工具、代码报错了几次，全摆在明面上，调试体验比那些黑盒框架好得多。新手拿它入门，能真正看懂 Agent 的“思考—行动—观察”循环是怎么转起来的，而不是对着一堆抽象概念发蒙。
实话：适合谁，不适合谁
实话实说，smolagents 的“小”既是优点也是代价。优点：源码一千行左右，出问题你真能读进去修；抽象少，不会被框架绑架；HF 生态加持，模型和工具资源管够。代价：企业级 Agent 平台那种开箱即用的东西（用户管理、工作流编排 UI、RAG 管线、评估体系）它一概没有，都得自己拼。
所以结论很直接：个人开发者、想快速验证想法、想把 Agent 逻辑写成代码牢牢攥在手里的人，smolagents 是目前最顺手的选择之一；要给全公司搭 Agent 中台、要不写代码拖拽上线，还是去看 Dify、Flowise 这类平台。工具没有高低，只有合不合适。
署名
by 数码罗记·godsun.pro
