主要内容
smolagents 有一个独特信念：让模型直接写 Python 代码来调用工具，而不是走 JSON tool call 的来回。这叫 code-agent 范式。在数学 / 数据分析 / 算法任务上，code-agent 的精度常常比 JSON tool call 高 15-30%，因为 Python 本身就是模型最熟悉的 DSL，还能原生写循环、条件、嵌套调用。三种沙盒可选：E2B（云端）、Docker（本地）、Pyodide（浏览器）。对开源模型（Llama、Qwen、DeepSeek）的支持是一等公民，HuggingFace Hub 上所有模型都能直接当 agent 后端。
核心关注点
让 agent 原理可读，让非 OpenAI 模型也能当 agent。一切以"你能读懂并修改"为前提。
安装与 hello world
from smolagents import CodeAgent, HfApiModel, tool
@tool
def get_weather(location: str, celsius: bool = True) -> str:
"""
获取指定地点天气。
Args:
location: 城市名
celsius: 是否用摄氏度
"""
return f"{location} 现在 22 度，晴"
agent = CodeAgent(
tools=[get_weather],
model=HfApiModel("meta-llama/Llama-3.3-70B-Instruct"),
)
# agent 内部直接生成并执行 Python 代码：
# t1 = get_weather("Tokyo")
# t2 = get_weather("Paris")
# print(float(t1.split()[2]) - float(t2.split()[2]))
result = agent.run("比较东京和巴黎现在的气温，差多少度？")关键 API / 概念
CodeAgent vs ToolCallingAgentCodeAgent 写 Python 代码调工具（默认，推荐）；ToolCallingAgent 走 JSON tool call（兼容老模型）。
@tool decoratordocstring 被 parse 成 tool 描述，args 类型注解被转成 schema。
HfApiModel / LiteLLMModel / TransformersModel三种后端：HF Inference API、LiteLLM 代理、本地 transformers。
additional_authorized_imports扩展 code-agent 可以 import 的白名单，比如 pandas、requests。
适用场景
学习 / 教学
想真懂 agent loop 怎么跑，不是调用黑盒，而是读完整套源码。
开源模型 agent
跑 Llama 3.3 / Qwen 2.5 / DeepSeek V3 当 agent 后端，完全不依赖 OpenAI。
数学 / 数据分析任务
code-agent 模式在这类任务上效果最好，可以直接用 pandas / numpy / sympy。
什么时候别用
- 企业级 SLA 生产服务：功能精简，要自己加稳定性层
- 复杂多 agent 编排：不是它的主战场
vs 相邻选项
vs LangGraph
量级完全不同。smolagents 是教学和原型，LangGraph 是生产。
vs AutoGen
都偏研究，但 smolagents 更轻更透明，AutoGen 功能更全。