企业官网建设流程全解析

智能体工具速通：3个零件、2个框架，十分钟跑通第一次调用

【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

Alfred在韦恩庄园值班，韦恩先生留下一张训练计划照片，只问一个问题：菜单上的食材该买哪些。模型能"看懂"图片，却动不了手。你得给它一套智能体工具，让它真正打开图片、读出文字。Hugging Face 的开源课程 Agents-Course 恰好把"给模型装手"这件事做成了可动手的教程。

项目速览

Agents-Course 是 Hugging Face 的官方开源课程，4 个主单元加 3 个加餐单元，从"智能体是什么"讲到框架实战，最后用基准测试收尾。前置要求只有 Python 基础和一点 LLM 常识，仓库里带完整中文版 units/zh-CN/。

碎片化自学有个隐形成本：博客东一篇西一篇，框架版本对不上，去年的代码拿到今天的 smolagents 里跑不通。跟这门课走，例子是一条线的：ReAct 循环、工具定义、图构建，代码逐行给，每节配能在 Colab 里跑的 notebook。学完你能做三件事：定义并注册工具、用两套框架搭出会调工具的智能体、把它们用到文档分析和 RAG 场景里。

工具的三个零件

拆开框架的魔法，一个工具只有三个零件。可以把它想象成组装一把小工具：

• 标签：这工具干什么。一句话讲清，胜过一串形容词。
• 插口：要喂什么才能跑。每个参数都有名字、类型和用途说明。
• 结果窗：吐出来的是什么。字符串、数字还是一组列表。

为什么只要这三个？因为 LLM 本身不会调函数。它只会根据标签、插口和结果窗，输出一段"调用文本"，底下的框架负责解析并执行。零件写得清楚，模型选得准；写得含糊，它就开始乱调。

十分钟上手：跑通第一个工具

最快的路是 SmolAgents 的@tool装饰器：写个普通函数，加个装饰器，它就是工具。

from smolagents import CodeAgent, InferenceClientModel, tool @tool def load_note(path: str) -> str: """加载本地文档，返回其中文本内容。 Args: path: 文档的本地路径。 """ with open(path, encoding="utf-8") as f: return f.read() agent = CodeAgent(tools=[load_note], model=InferenceClientModel()) print(agent.run("读取 units/zh-CN/unit1/introduction.mdx 并告诉我重点"))

为什么这么写？装饰器会自动从函数名、docstring 和类型标注里解析出三个零件，这正是模型判断"用不用它、参数怎么填"的全部依据。类型标注还能让框架在真正执行前先校验参数。InferenceClientModel默认走官方推理服务，不需要本地显卡，整段代码就是"定义、注册、调用"的最短路径。

把工具装进智能体：两种框架

课程讲了三个框架，装工具最常用的两个是 SmolAgents 和 LangGraph，思路差得很远。

一句话总结：SmolAgents 是"扔进工具就跑"，LangGraph 是"你来画流程图"。任务是一条直线，用前者；流程里有分支和回退，用后者。

一个能落地的例子

拿课程里的文档分析场景：一张训练计划照片，提取文字，产出采购清单。在 LangGraph 里，整个流程就是两个节点加一条条件边。

核心代码就这几行：

from langgraph.prebuilt import ToolNode, tools_condition builder.add_node("assistant", assistant) # 模型决定要不要调工具 builder.add_node("tools", ToolNode([extract_text, divide])) builder.add_conditional_edges("assistant", tools_condition) builder.add_edge("tools", "assistant") graph = builder.compile() result = graph.invoke({"messages": msgs, "input_file": "note.png"})

assistant 节点让模型表态，它决定调工具，条件边就把消息送进 tools 节点执行，结果再送回模型。它觉得够了，条件边指向答复节点，循环收尾。

踩坑速查

工具集成翻车的原因高度集中，这三个占了一大半，而且都出在"零件"上。

去哪看源码

拿到整个课程只需一条命令：git clone https://gitcode.com/GitHub_Trending/ag/agents-course

• units/zh-CN/unit1/tools.mdx：工具是什么、三个零件怎么向模型交代
• units/zh-CN/unit2/smolagents/tools.mdx：SmolAgents 两种工具写法，含完整跑通示例
• units/zh-CN/unit2/langgraph/document_analysis_agent.mdx：上一节文档分析智能体的完整源码
• units/zh-CN/unit1/agent-steps-and-structure.mdx：工具调用在智能体循环里一步步怎么展开

工具是智能体的手。模型再聪明，没有一双手也落不了地。三个零件写清楚，框架选一个，路就通了。

动手建议：把上文的load_note拷走，换成你自己的一份文档跑一次agent.run，看看它读回什么；再只改描述、不改代码，感受一下模型选择的变化。

【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