从零构建智能体Agent工具Hugging Face Agents-Course 免费实战教程【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本教程带你用 Hugging Face Agents-Course 免费课程动手构建智能体Agent工具先写第一个可调用工具再接入智能体跑通「思考—行动—观察」循环最后按任务类型在 smolagents 与 LangGraph 之间做选择。全程跟着代码走不堆理论。1. 搭环境5 分钟写出第一个可调用工具智能体工具Tool说白了就是给大模型配的外设模型只能读文本、写文本真正查数据、调接口、跑计算的活儿都是这些函数替它干的。课程的第一单元专门讲这件事入口文件是 units/zh-CN/unit1/tools.mdx。1.1 把仓库克隆下来课程代码都在 units/ 目录下按英文、中文等语言分目录存放。先克隆仓库只读学习不需要改动它git clone https://gitcode.com/GitHub_Trending/ag/agents-course1.2 用 tool 装饰器定义工具课程给了一个最简工具把两个整数相乘的计算器。你把它换成任何自己想试的功能都一样下面是一个查天气的例子from smolagents import tool tool def get_weather(city: str) - str: 查询指定城市的当前天气。 Args: city: 城市名称例如 北京 return 北京晴15°C # 这里替换成真实的 API 调用关键不在函数体而在三个元信息函数名get_weather就是工具名建议用动词开头、见名知意类型注解city: str、- str告诉模型输入输出格式文档字符串docstring向模型解释工具用途和每个参数的含义。tool装饰器会自动从函数签名和 docstring 提取这些信息生成一段标准工具描述并注入系统提示。你不需要手写任何 JSON——这正是课程反复强调的工具描述必须精准而 Python 函数本身就是一份现成的精准描述。更多细节见 unit 1 小测验。2. 工具如何被智能体调用2.1 模型只下命令框架才执行一个常见的误解是模型自己调用了工具。实际分工是这样的角色干什么大模型决定用不用工具、用哪个输出带参数的调用指令框架智能体停止生成 → 解析指令 → 执行你的函数 → 把结果作为观察发回模型这套停止并解析stop and parse机制保证模型输出结构化的指令后就停下来不会再多说废话解析也就不会跑偏。完整的思考—行动—观察循环在 agent-steps-and-structure.mdx 里有逐步拆解工具执行后的反馈如何作为观察回流可看 observations.mdx。3. 组合成智能体从工具到能跑起来的 Agent3.1 三行代码接入 smolagentssmolagents 是课程主推的轻量框架上面写好的工具可以直接装进去from smolagents import CodeAgent, InferenceClientModel agent CodeAgent( tools[get_weather], # 你的工具列表 modelInferenceClientModel(), # 模型客户端 ) print(agent.run(北京现在适合跑步吗))运行后控制台会按步骤打印思考Thought→ 行动Action调用你的工具→ 观察Observation工具的返回值循环往复直到给出最终答案。这个循环就是智能体的核心结构你写的工具决定了行动能走多远。3.2 验证结果观察每一步验证分两层一是看工具本身直接调用get_weather(北京)检查返回值二是看智能体行为run()打印的每步 Thought/Action/Observation 是否符合预期。课程里的教程 tutorial.mdx 就是一份写工具、组装智能体、部署的完整动手清单照着做能立刻得到反馈。4. 选对框架smolagents 还是 LangGraph工具写好后怎么装取决于任务形态。4.1 开放式任务交给 smolagents让模型自由决定先查什么、再算什么比如帮我规划一次出行用 smolagents 这类框架最省事循环由框架代跑。深入用法见 smolagents 工具章节。4.2 固定流程交给 LangGraph如果流程是固定的——比如文档分析先提取文字再分析最后按指令执行——用 LangGraph 把流程画成图更可控。它的三个基本概念很好记详见 building_blocks.mdx状态State在步骤间流转的数据节点Node一个普通 Python 函数读状态、干活、返回更新边Edge连接节点可以是直连也可以按状态条件分流。from langgraph.graph import StateGraph, START, END builder StateGraph(State) # State定义流程共享的数据 builder.add_node(extract, node_1) # 节点一个 Python 函数 builder.add_node(analyze, node_2) builder.add_edge(START, extract) # 边指定流转顺序 builder.add_edge(extract, analyze) builder.add_edge(analyze, END) app builder.compile() # 编译后即可 invoke 调用一句话选型开放式问答选 smolagents有固定审批/处理流程的选 LangGraph。动手清单按 smolagents 工具章节 的顺序把餐饮评分、派对主题两个工具依次写出来照 LangGraph 文档分析智能体 搭一个读取文档 → 分析 → 执行指令的工作流用 quiz2.mdx 检查自己是否掌握工具描述格式与停止并解析动作循环。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
从零构建智能体Agent工具Hugging Face Agents-Course 免费实战教程【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本教程带你用 Hugging Face Agents-Course 免费课程动手构建智能体Agent工具先写第一个可调用工具再接入智能体跑通「思考—行动—观察」循环最后按任务类型在 smolagents 与 LangGraph 之间做选择。全程跟着代码走不堆理论。1. 搭环境5 分钟写出第一个可调用工具智能体工具Tool说白了就是给大模型配的外设模型只能读文本、写文本真正查数据、调接口、跑计算的活儿都是这些函数替它干的。课程的第一单元专门讲这件事入口文件是 units/zh-CN/unit1/tools.mdx。1.1 把仓库克隆下来课程代码都在 units/ 目录下按英文、中文等语言分目录存放。先克隆仓库只读学习不需要改动它git clone https://gitcode.com/GitHub_Trending/ag/agents-course1.2 用 tool 装饰器定义工具课程给了一个最简工具把两个整数相乘的计算器。你把它换成任何自己想试的功能都一样下面是一个查天气的例子from smolagents import tool tool def get_weather(city: str) - str: 查询指定城市的当前天气。 Args: city: 城市名称例如 北京 return 北京晴15°C # 这里替换成真实的 API 调用关键不在函数体而在三个元信息函数名get_weather就是工具名建议用动词开头、见名知意类型注解city: str、- str告诉模型输入输出格式文档字符串docstring向模型解释工具用途和每个参数的含义。tool装饰器会自动从函数签名和 docstring 提取这些信息生成一段标准工具描述并注入系统提示。你不需要手写任何 JSON——这正是课程反复强调的工具描述必须精准而 Python 函数本身就是一份现成的精准描述。更多细节见 unit 1 小测验。2. 工具如何被智能体调用2.1 模型只下命令框架才执行一个常见的误解是模型自己调用了工具。实际分工是这样的角色干什么大模型决定用不用工具、用哪个输出带参数的调用指令框架智能体停止生成 → 解析指令 → 执行你的函数 → 把结果作为观察发回模型这套停止并解析stop and parse机制保证模型输出结构化的指令后就停下来不会再多说废话解析也就不会跑偏。完整的思考—行动—观察循环在 agent-steps-and-structure.mdx 里有逐步拆解工具执行后的反馈如何作为观察回流可看 observations.mdx。3. 组合成智能体从工具到能跑起来的 Agent3.1 三行代码接入 smolagentssmolagents 是课程主推的轻量框架上面写好的工具可以直接装进去from smolagents import CodeAgent, InferenceClientModel agent CodeAgent( tools[get_weather], # 你的工具列表 modelInferenceClientModel(), # 模型客户端 ) print(agent.run(北京现在适合跑步吗))运行后控制台会按步骤打印思考Thought→ 行动Action调用你的工具→ 观察Observation工具的返回值循环往复直到给出最终答案。这个循环就是智能体的核心结构你写的工具决定了行动能走多远。3.2 验证结果观察每一步验证分两层一是看工具本身直接调用get_weather(北京)检查返回值二是看智能体行为run()打印的每步 Thought/Action/Observation 是否符合预期。课程里的教程 tutorial.mdx 就是一份写工具、组装智能体、部署的完整动手清单照着做能立刻得到反馈。4. 选对框架smolagents 还是 LangGraph工具写好后怎么装取决于任务形态。4.1 开放式任务交给 smolagents让模型自由决定先查什么、再算什么比如帮我规划一次出行用 smolagents 这类框架最省事循环由框架代跑。深入用法见 smolagents 工具章节。4.2 固定流程交给 LangGraph如果流程是固定的——比如文档分析先提取文字再分析最后按指令执行——用 LangGraph 把流程画成图更可控。它的三个基本概念很好记详见 building_blocks.mdx状态State在步骤间流转的数据节点Node一个普通 Python 函数读状态、干活、返回更新边Edge连接节点可以是直连也可以按状态条件分流。from langgraph.graph import StateGraph, START, END builder StateGraph(State) # State定义流程共享的数据 builder.add_node(extract, node_1) # 节点一个 Python 函数 builder.add_node(analyze, node_2) builder.add_edge(START, extract) # 边指定流转顺序 builder.add_edge(extract, analyze) builder.add_edge(analyze, END) app builder.compile() # 编译后即可 invoke 调用一句话选型开放式问答选 smolagents有固定审批/处理流程的选 LangGraph。动手清单按 smolagents 工具章节 的顺序把餐饮评分、派对主题两个工具依次写出来照 LangGraph 文档分析智能体 搭一个读取文档 → 分析 → 执行指令的工作流用 quiz2.mdx 检查自己是否掌握工具描述格式与停止并解析动作循环。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
