أظهرت Hugging Face كيفية بناء وكيل AI للطقس على smolagents في 15 دقيقة

يعرض smolagents من Hugging Face أن أول وكيل ذكاء اصطناعي مفيد يمكن بناؤه دون أطر عمل ثقيلة ومئات أسطر من التعليمات البرمجية. في الشرح، ينشئ المؤلف مساعد الطقس على بايثون الذي يقرر بشكل مستقل أي أدوات يجب استدعاؤها، ويسترجع البيانات من الإنترنت، ويعيد إجابة جاهزة.

ما يميز smolagents الفكرة الأساسية هنا ليست عن الطقس، بل عن النهج.

smolagents هي مكتبة لما يسمى بعوامل الكود، حيث لا يقوم النموذج بمجرد اختيار أداة من قائمة، بل يكتب أجزاء صغيرة من كود بايثون لربط الخطوات معاً. بدلاً من مخططات JSON والمنظمين الطويلين، يُعطى الوكيل هدفاً مثل "اكتشف الطقس في لندن" ثم يقرر أي أداة يستدعي، بأي ترتيب، وكيفية تجميع الإجابة النهائية. يجعل هذا التنسيق سلوك الوكيل أوضح وأكثر مرونة. يعبر الكود بشكل أفضل عن الحلقات والشروط وتحويل البيانات من تعليمات نصية صارمة. للمبتدئين، إنها أيضاً نقطة دخول ملائمة: المكتبة مفتوحة المصدر وخفيفة الوزن ولا تتطلب إعداد بنية تحتية معقدة. لذا لا يبدو smolagents كطبقة تجريبية أخرى فوق LLM، بل كطريقة عملية لفهم سريع لميكانيكا سيناريوهات الذكاء الاصطناعي المستقلة.

كيفية بناء وكيل يبدأ الشرح بإعداد أساسي جداً: إنشاء مجلد المشروع،

إعداد بيئة افتراضية، وتثبيت ثلاثة حزم فقط — `smolagents` و`requests` و`python-dotenv`. يُقترح تخزين رمز Hugging Face في متغير البيئة `HF_TOKEN`، وبالنسبة لمن لا يريد إعداد أي شيء محلياً، يعمل Google Colab. بالفعل في هذه المرحلة، تصبح النقطة الرئيسية للمادة واضحة: لأول وكيل لك، لا تحتاج إلى مجموعة كبيرة، فقط بايثون والوصول إلى نموذج ودالة خارجية واحدة.

يحول `@tool` دالة بايثون عادية إلى أداة يمكن للوكيل استدعاؤها بمفرده. تستدعي الدالة `get_weather(city: str)` خدمة `wttr.in` وتُعيد توقعاً قصيراً للمدينة المحددة.

يتم استخدام `InferenceClientModel` مع `Qwen/Qwen2.5-Coder-32B-Instruct` ورمز من `HF_TOKEN` كنموذج. يتم إنشاء الوكيل نفسه عبر `CodeAgent`، والذي تمرر له قائمة الأدوات والنموذج والعلم `add_base_tools=False` للحد الأدنى من الإعدادات.

بعد ذلك، ما عليك سوى تشغيل المهمة بعبارة عادية، على سبيل المثال، طلب من الوكيل إخبارك بالطقس في باريس وطوكيو. بعد ذلك يأتي الجزء الأكثر إثارة للاهتمام: يقرأ النموذج الموجه، ويفهم أن لديه أداة `get_weather`، يكتب نص بايثون داخلي بنداءات متعددة، ينفذه في بيئة معزولة، ويعيد إجابة مجمعة بالفعل للمستخدم. تفصيل مهم هو docstring للدالة.

من خلاله يفهم الوكيل ما تفعله الأداة، وأي وسائط تقبلها، ومتى يجب استخدامها.

كيفية توسيع السيناريو المثال لا ينتهي عند الطقس. توضح المقالة كيفية

إضافة أداة ثانية `save_to_file` تحفظ تقرير نصي في ملف. بعد ذلك، يمكن للوكيل ليس فقط استدعاء API خارجي، بل أيضاً اتخاذ الخطوة التالية في بيئة محلية: كتابة النتيجة، على سبيل المثال في `london_weather.txt`.

هذا الانتقال مهم لأن الجمع بين أدوات صغيرة هو ما يحول الشرح إلى بداية عملية عمل حقيقية. من هذا النموذج نفسه، تنمو الحالات الأكثر فائدة بسهولة: توصيل واجهة برمجية للبحث، والعمل مع قاعدة بيانات، وتجميع بحث بسيط، أو حتى إدارة المتصفح. يؤكد المؤلف بشكل خاص على أن منطق النواة هنا مضغوط جداً: بغض النظر عن كل تأثير الاستقلالية، يناسب الجزء الأكبر من المثال في أقل من عشرين سطراً، والنص الكامل يبقى في حوالي أربعين.

تنخفض عتبة الدخول إلى سيناريوهات الوكلاء بشكل حاد: تفكر ليس في الإطار، بل في الإجراءات المحددة التي تحتاج إلى منحها للنموذج.

ماذا يعني هذا يعرض smolagents تحولاً مهماً: يمكن الآن بناء مساعدين

مستقلين ليس فقط في فرق كبيرة لديها طبقة تنسيق خاصة بهم، بل أيضاً بمفردك في ليلة واحدة. للمطورين، إنها طريقة سريعة لنموذج أولي من أتمتة الذكاء الاصطناعي في بايثون المألوف، وللمنتج، إنها فرصة لاختبار سيناريو مفيد قبل الاستثمار في بنية معقدة.