企业官网建设流程全解析

智能体工具怎么搭：Agents-Course 3 步跑通

【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

HuggingFace 的 Agents-Course 是一份从零教人搭智能体的课程。读完本篇，你可以照着仓库示例，用 10 行代码给智能体装上第一个工具，并看懂它背后的调用原理。

先跑通最小示例：给智能体装一个工具 🛠️

课程第一单元实战用的是 smolagents 框架，添加工具的套路很固定：写一个 Python 函数，套上@tool装饰器，框架会自动从源码里提取函数名、文档字符串和参数类型，生成给模型看的文本描述。课程里的时区查询工具是很好的起点：

from smolagents import CodeAgent, InferenceClientModel, tool @tool def get_current_time_in_timezone(timezone: str) -> str: """查询指定时区的当前本地时间。 Args: timezone: 合法时区字符串，如 'America/New_York' """ import datetime, pytz return datetime.datetime.now(pytz.timezone(timezone)).strftime("%Y-%m-%d %H:%M:%S")

注意三个要点：函数名用有意义的英文、输入输出带类型注解、docstring 的 Args 段写清每个参数。接着实例化智能体，把工具传进去：

model = InferenceClientModel( max_tokens=2096, temperature=0.5, model_id="Qwen/Qwen2.5-Coder-32B-Instruct", ) agent = CodeAgent(model=model, tools=[get_current_time_in_timezone]) print(agent.run("东京现在几点？"))

跑起来后，智能体会自己写一段代码调用get_current_time_in_timezone("Asia/Tokyo")并返回时间，说明它真的"读懂"了工具描述，而不是在做字符串匹配。完整应用模板和发布 Space 的步骤见 unit1 教程。

概念速览：智能体、工具、调用循环各是什么角色

用餐厅类比，三个角色一句话讲清：

调用循环是三步转台：模型先以结构化文本（JSON 或代码）写出调用意图，智能体解析后停止继续生成、执行函数，再把结果写回对话发给模型。模型自始至终"文本进、文本出"，真正干活的是智能体的代码。unit1 工具说明逐段拆解了这个流程，actions则对比了 JSON、代码、函数调用三种动作格式。

场景扩展：从单工具到文档分析工作流

单个工具应对一次性查询足够，真实任务往往是多步连续操作。拿文档分析举例：先识别图片笔记里的文字，再按需做计算，最后输出摘要。课程 LangGraph 单元 就用图把这件事拆开：

• 视觉模型识别手写笔记，封装成extract_text工具
• 简单的divide工具处理笔记里的计算需求
• assistant 节点把工具描述注入系统消息后调用模型，工具节点在模型发出调用时执行

为什么改成图结构，原因有三个。一是步骤顺序明确，消息需要在节点间通过状态（AgentState）传递，流程顺序一眼可见。二是模型能调工具后，一次响应不一定能结束，需要tools_condition判断"回到模型"还是"结束流程"。三是出问题时能看到卡在哪个节点，比单次agent.run的黑盒更容易定位。反过来，如果任务没有条件分支、只想要最少的代码，继续用单个 CodeAgent 加工具即可，把流程控制交给模型自己。

选型：什么场景用什么做法 🧭

工具如果只是简单函数，@tool就够了，不必急着继承类；当工具内部需要维护中间状态时，再迁到 Tool 子类写法，unit2 smolagents 工具一节有完整对比。

调试检查清单：工具不听话时先查这 5 处

1. 函数名是否英文且表意明确：叫helper这种含糊名字，模型很难选对工具。
2. 类型注解是否完整：输入缺类型，模型生成的参数会不稳定。
3. docstring 里每个参数是否都有描述：smolagents 靠 Args 段构建工具描述。
4. 实际输出类型是否与注解一致：模型预期 str 却拿到 list，下一步就容易崩。
5. 动作格式是否规范收尾：格式坏了解析器抽不出函数名，循环会空转，先开verbosity_level=1看模型原始输出。

下一步可以做什么

• 做一遍 unit1 的最终测验，巩固消息、动作、观察的完整循环
• 在教程的 Gradio 界面里试一个多工具任务，比如"生成一张图并告诉我纽约天气"
• 需要扩展规模时，去 unit2 横向对比 LangGraph、LlamaIndex 与 smolagents

【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