smolagents + Ertas

使用 smolagents 构建代码动作智能体——这是 Hugging Face 推出的约 1,000 行代码的智能体框架，LLM 将编写 Python 代码作为其主要动作模式，并对微调模型和本地模型提供一流支持。

Overview

smolagents 是 Hugging Face 的极简智能体框架，围绕“代码动作”范式设计：智能体不是通过 JSON 函数调用从固定工具列表中选择，而是编写并执行 Python 代码作为其动作格式。这种模式受到研究启发，研究表明代码动作智能体在复杂任务上通常优于 JSON 工具调用智能体，并且具有实际优势——智能体可以自然地组合、迭代和推理代码，而不是受限于预定义的工具模式。

该框架的显著特点是其小巧的体积——核心实现约为 1,000 行代码。这使得 smolagents 对于希望准确理解智能体框架在做什么、深度自定义或将其集成到现有系统中而不继承框架对工作流、记忆或编排的固有看法的团队来说异常易于上手。Hugging Face 的 `ml-intern`（2026 年 4 月发布）是基于 smolagents 构建的，并展示了该框架的能力——在 10 小时的 H100 自我改进运行中，将一个 1.7B 模型的推理分数提高了 200%。

How Ertas Integrates

Ertas 训练的模型通过该框架灵活的 LLM 提供商系统与 smolagents 协同工作。在 Ertas Studio 中微调模型并部署到兼容 OpenAI 的端点（Ollama、vLLM 或 Ertas Cloud）后，你可以通过 LiteLLM 或 OpenAI 提供商类配置 smolagents 调用你的端点。代码动作范式与微调模型搭配尤为契合：包含 Python 代码轨迹（任务描述、代码尝试、执行输出和修正）的训练数据会产出能编写更可靠智能体代码的模型。

对于构建自我改进智能体系统的团队，smolagents + Ertas 组合尤为强大。你可以在生产环境中运行一个 smolagents 智能体，记录其成功和失败的代码动作轨迹，然后使用这些轨迹在 Ertas Studio 中微调一个更小的模型，在更低的推理成本下执行相同任务。这种模式——大模型在生产中运行，小模型在其轨迹上训练——是团队以经济高效的方式扩展智能体部署的运营基础。

Getting Started

1
在 Ertas Studio 中微调你的代码动作模型
在包含 Python 代码轨迹的数据上训练：任务描述、代码尝试、执行结果。Ertas Studio 原生支持此格式。
2
部署到兼容 OpenAI 的端点
导出为 GGUF 格式并通过 Ollama、vLLM 或 Ertas Cloud 提供服务。smolagents 可调用任何暴露标准聊天补全 API 的端点。
3
安装 smolagents 并配置模型
从 Hugging Face 安装 smolagents 并配置一个指向你的推理端点的 LiteLLMModel 或 OpenAIServerModel。
4
定义工具并创建 CodeAgent
添加智能体可以使用的 Python 工具（HTTP 请求、数据库查询、文件操作）。创建一个使用这些工具的 CodeAgent，通过编写可执行的 Python 代码来调用工具。
5
运行、记录并持续改进
在生产环境中执行智能体运行，记录代码动作轨迹，并将其反馈到 Ertas Studio 进行增量微调，将生产行为蒸馏成更小、更快的模型。

python

from smolagents import CodeAgent, LiteLLMModel, tool

# Point smolagents at your Ertas-trained model served via Ollama
model = LiteLLMModel(
    model_id="openai/ertas-coder-14b",
    api_base="http://localhost:11434/v1",
    api_key="not-needed",
)

@tool
def query_database(sql: str) -> str:
    """Execute a SQL query against the analytics database."""
    return run_query(sql)

@tool
def generate_chart(data: list, chart_type: str) -> str:
    """Generate a chart from data. Returns the chart file path."""
    return create_chart(data, chart_type)

# Create a code-action agent
agent = CodeAgent(
    tools=[query_database, generate_chart],
    model=model,
)

# The agent writes Python code to accomplish the task
result = agent.run("Show me Q3 revenue by product line as a bar chart")

使用 smolagents 和 Ertas 训练的模型构建一个代码动作智能体。智能体将 Python 代码作为其动作格式编写，自然地以函数调用方式调用工具。