smolagents

smolagents est un framework d'agent IA révolutionnaire et minimaliste de l'équipe de Hugging Face, conçu pour simplifier radicalement la création et le déploiement d'agents IA robustes. Construit sur le principe de la simplicité, son code de base est d'environ 1 000 lignes, ce qui le rend très accessible pour les développeurs. L'innovation principale du framework est son approche 'code-first' (le code d'abord), où les agents génèrent et exécutent des extraits de code Python pour effectuer des actions, plutôt que de s'appuyer sur des blobs JSON ou texte moins flexibles. Cette méthode s'avère plus efficace, réduisant le nombre d'étapes et d'appels LLM d'environ 30% et atteignant des performances supérieures sur des benchmarks complexes.

Le framework est conçu pour une flexibilité et une intégration ultimes. Il fonctionne de manière transparente avec n'importe quel grand modèle de langage, y compris les modèles open-source du Hugging Face Hub via Transformers, ainsi que les modèles propriétaires d'OpenAI, Anthropic, et d'autres grâce à son intégration LiteLLM. Cela permet aux développeurs de choisir le meilleur modèle pour leur tâche spécifique sans être enfermés dans un seul écosystème.

Comment utiliser smolagents

L'utilisation de smolagents est conçue pour être un processus intuitif pour les développeurs familiers avec Python. Le flux de travail implique généralement trois étapes principales :

1. Définissez vos outils : La première étape consiste à créer ou importer les outils que votre agent utilisera. Un outil est simplement une fonction Python. Vous pouvez facilement transformer n'importe quelle fonction en outil en utilisant le décorateur `@tool`. Ces outils peuvent effectuer n'importe quelle action, des appels d'API (comme récupérer des données de voyage sur Google Maps) à l'exécution de calculs locaux.
2. Instanciez l'agent : Une fois que vous avez vos outils, vous créez une instance d'une classe d'agent, telle que `CodeAgent`. Lors de l'initialisation de l'agent, vous lui fournissez la liste des outils qu'il peut utiliser et spécifiez le modèle de langage que vous souhaitez qu'il utilise (par exemple, `HfApiModel()` pour les modèles Hugging Face).
3. Exécutez l'agent : Une fois l'agent configuré, vous pouvez lui confier une tâche en utilisant la méthode `.run()` et une invite en langage naturel. L'agent raisonnera alors de manière autonome, écrira du code Python pour utiliser les outils fournis, exécutera le code et itérera jusqu'à ce qu'il ait terminé la tâche. Par exemple, vous pourriez lui demander de "planifier une excursion d'une journée à vélo autour de Paris", et il utiliserait un outil de temps de trajet pour générer un itinéraire détaillé.

Après avoir créé un outil personnalisé, vous pouvez facilement le partager avec la communauté en le poussant sur le Hugging Face Hub avec une seule commande, favorisant ainsi la collaboration et la réutilisation.

Fonctionnalités principales de smolagents

• Agents Code-First : Les agents génèrent et exécutent du code Python pour les actions, offrant une flexibilité, une composabilité et une efficacité supérieures à l'appel d'outils traditionnel.
• Minimaliste et simple : Un code de base compact d'environ 1 000 lignes garantit que le framework est facile à comprendre, à utiliser et à étendre.
• Large compatibilité LLM : S'intègre avec n'importe quel LLM, y compris les modèles sur le Hugging Face Hub, OpenAI et Anthropic, via Transformers et LiteLLM.
• Exécution sécurisée : Prend en charge l'exécution du code généré par l'agent dans des environnements sandbox comme E2B pour garantir la sécurité et prévenir les effets secondaires indésirables.
• Intégration profonde avec le Hugging Face Hub : Permet aux développeurs de partager et de charger facilement des outils, favorisant un écosystème collaboratif de composants réutilisables.
• Prise en charge de l'appel d'outils traditionnel : Bien que l'accent soit mis sur le code-first, le framework prend également en charge les agents traditionnels qui utilisent JSON ou du texte pour les actions, offrant une flexibilité pour différents cas d'utilisation.
• Haute efficacité : Les agents de code réduisent le nombre d'étapes et d'appels LLM nécessaires pour accomplir des tâches complexes, ce qui se traduit par des résultats plus rapides et plus précis.

Cas d'utilisation pour smolagents

La flexibilité de smolagents le rend adapté à un large éventail d'applications :

• Assistants personnels : Créer des assistants sophistiqués capables de gérer des tâches, comme l'exemple du planificateur de voyage qui calcule les itinéraires et construit un itinéraire.
• Analyse de données et génération SQL : Construire des agents capables de comprendre des requêtes en langage naturel, d'écrire les requêtes SQL correspondantes à une base de données, de les exécuter et de présenter les résultats.
• Recherche automatisée : Déployer des agents capables de naviguer sur le web, de collecter des informations de plusieurs sources, de synthétiser les résultats et de générer un rapport de synthèse.
• Automatisation du développement logiciel : Aider les développeurs en écrivant des extraits de code, en déboguant ou même en orchestrant des processus de construction simples, agissant comme un assistant de type 'Devin' pour des tâches spécifiques.
• Automatisation de flux de travail complexes : Connecter plusieurs outils et API pour automatiser des processus métier en plusieurs étapes, tels que le traitement des tickets de support client ou la gestion des commandes de commerce électronique.

Avantages de smolagents

smolagents offre des avantages significatifs pour les développeurs qui construisent des systèmes d'agents :

• Composabilité supérieure : Le code prend naturellement en charge l'imbrication et la réutilisation des fonctions, permettant l'expression de logiques très complexes difficiles à réaliser avec JSON.
• Gestion efficace des objets : La gestion et le transfert d'objets de données complexes entre les étapes sont beaucoup plus simples et directs en code par rapport à la sérialisation vers et depuis JSON.
• Flexibilité ultime : Le code peut représenter n'importe quelle opération qu'un ordinateur peut effectuer, offrant une polyvalence pratiquement illimitée pour les actions de l'agent.
• Tire parti des forces des LLM : Les LLM ont été entraînés sur de vastes quantités de code de haute qualité, ce qui les rend exceptionnellement compétents pour le générer et le comprendre.
• Open-source et communautaire : En tant que projet Hugging Face, il bénéficie d'une communauté open-source dynamique et des vastes ressources du Hugging Face Hub.

Tarification et plans

smolagents est un framework open-source publié sous la licence Apache 2.0, ce qui le rend entièrement gratuit à utiliser. Les développeurs peuvent librement télécharger, modifier et intégrer la bibliothèque dans leurs projets. Bien que le framework lui-même soit gratuit, les utilisateurs peuvent encourir des coûts liés à l'utilisation de services tiers, tels que :

• Les appels d'API à des LLM propriétaires (par exemple, la série GPT d'OpenAI, Claude d'Anthropic).
• L'utilisation d'environnements sandbox payants ou d'autres outils et API externes.