Hugging Face mostró cómo construir un agente de IA de pronóstico del tiempo en smolagents en 15 minutos

smolagents de Hugging Face demuestra que el primer agente de IA útil puede construirse sin frameworks pesados y cientos de líneas de código. En el análisis, el autor construye un asistente meteorológico en Python que decide de forma independiente qué herramientas llamar, obtiene datos de internet y devuelve una respuesta lista.

Qué

Diferencia a smolagents La idea principal aquí no es sobre el clima, sino sobre el enfoque. smolagents es una biblioteca para los llamados code agents, donde el modelo no simplemente selecciona una herramienta de una lista, sino que escribe pequeños fragmentos de código Python para vincular los pasos entre sí. En lugar de esquemas JSON y orquestadores largos, el agente recibe un objetivo como "averigua el tiempo en Londres" y luego decide qué herramienta llamar, en qué orden y cómo ensamblar la respuesta final.

Este formato hace que el comportamiento del agente sea más claro y flexible. El código expresa mejor los bucles, las condiciones y la transformación de datos que los prompts de texto con reglas rígidas. Para principiantes, también es un punto de entrada conveniente: la biblioteca es abierta, ligera y no requiere configurar infraestructura compleja.

Por lo tanto, smolagents no parece otra capa experimental sobre LLM, sino como una forma práctica de entender rápidamente la mecánica de los escenarios de IA autónomos.

Cómo

Construir un Agente La demostración comienza con una configuración muy básica: crear una carpeta de proyecto, configurar un entorno virtual e instalar solo tres paquetes — `smolagents`, `requests` y `python-dotenv`. Se sugiere almacenar el token de Hugging Face en la variable de entorno `HF_TOKEN`, y para quienes no quieren configurar nada localmente, Google Colab funciona. Ya en esta etapa, el punto principal del material se aclara: para tu primer agente, no necesitas un stack grande, solo Python, acceso a un modelo y una función externa. * `@tool` convierte una función Python ordinaria en una herramienta que el agente puede llamar por sí solo.

• La función `get_weather(city: str)` llama al servicio `wttr.in` y devuelve un pronóstico breve para la ciudad especificada.
• Como modelo, se utiliza `InferenceClientModel` con `Qwen/Qwen2.5-Coder-32B-Instruct` y un token de `HF_TOKEN`.
• El agente en sí se crea a través de `CodeAgent`, al que pasas una lista de herramientas, el modelo y el indicador `add_base_tools=False` para una configuración mínima. Después de eso, simplemente ejecutas la tarea con una frase ordinaria, por ejemplo, pidiendo al agente que te diga el tiempo en París y Tokio. Luego viene la parte más interesante: el modelo lee el prompt, entiende que tiene la herramienta `get_weather`, escribe un script Python interno con dos llamadas, lo ejecuta en un entorno aislado y devuelve una respuesta ya ensamblada al usuario. Un detalle importante es el docstring de la función. Es a través de esto que el agente entiende qué hace la herramienta, qué argumentos acepta y cuándo debe usarse.

Cómo Extender el Escenario El ejemplo no termina con el clima.

El artículo muestra cómo agregar una segunda herramienta `save_to_file` que guarda un informe de texto en un archivo. Después de eso, el agente no solo puede llamar a una API externa, sino que también puede dar el siguiente paso en un entorno local: escribir el resultado, por ejemplo en `london_weather.txt`.

Esta transición es importante porque es la combinación de pequeñas herramientas la que transforma la demostración en el comienzo de un flujo de trabajo real. A partir de esta misma plantilla, fácilmente crecen casos más útiles: conectando una API de búsqueda, trabajando con una base de datos, armando investigación simple o incluso gestionando un navegador. El autor especialmente enfatiza que la lógica central aquí es muy compacta: a pesar de todo el efecto de autonomía, la mayor parte del ejemplo cabe en menos de veinte líneas, y el script completo se mantiene en torno a cuarenta.

La barrera de entrada para escenarios de agentes se reduce así significativamente: piensas no en el framework, sino en qué acciones específicas necesitas darle al modelo.

Lo

Que Esto Significa smolagents demuestra un cambio importante: los asistentes autónomos ahora pueden construirse no solo en grandes equipos con su propia capa de orquestación, sino también en solitario en una noche. Para los desarrolladores, es una forma rápida de prototipar automatización de IA en Python familiar, y para un producto, es una oportunidad de probar un escenario útil antes de invertir en arquitectura compleja.