Hugging Face muestra cómo montar un agente de IA del tiempo con smolagents en 15 minutos

smolagents, de Hugging Face, demuestra que el primer agente de IA útil se puede construir sin frameworks pesados ni cientos de líneas de código. En el análisis, el autor crea un asistente meteorológico en Python que decide por sí mismo qué herramientas invocar, obtiene datos de internet y devuelve una respuesta ya elaborada.

En qué se diferencia smolagents

La idea central no es el tiempo, sino el enfoque. smolagents es una biblioteca para los llamados code agents, en los que el modelo no se limita a elegir una herramienta de una lista, sino que escribe pequeños fragmentos de código Python para enlazar los pasos entre sí. En lugar de esquemas JSON y orquestadores largos, al agente se le da un objetivo como «averigua el tiempo en Londres» y él decide qué tool llamar, en qué orden y cómo componer la respuesta final.

Este formato hace que el comportamiento del agente sea más comprensible y flexible. El código expresa mejor los bucles, las condiciones y la transformación de datos que las instrucciones de texto con reglas rígidas. Para quien empieza, además, es una entrada cómoda: la biblioteca es abierta, ligera y no obliga a montar una infraestructura compleja. Por eso smolagents no parece otra capa experimental más sobre los LLM, sino una forma práctica de entender rápidamente la mecánica de los escenarios autónomos de IA.

Cómo construir el agente

En la demostración todo empieza con una preparación muy básica: crear la carpeta del proyecto, levantar un entorno virtual e instalar solo tres paquetes: `smolagents`, `requests` y `python-dotenv`. Se propone guardar el token de Hugging Face en la variable de entorno `HF_TOKEN`, y quien no quiera instalar nada en local puede usar Google Colab. Ya en esta fase se ve la tesis principal del texto: para un primer agente no hace falta un stack grande, basta con Python, acceso a un modelo y una función externa.

• `@tool` convierte una función normal de Python en una herramienta que el agente puede invocar por sí mismo.
• La función `get_weather(city: str)` consulta el servicio `wttr.in` y devuelve un pronóstico breve de la ciudad indicada.
• Como modelo se usa `InferenceClientModel` con `Qwen/Qwen2.5-Coder-32B-Instruct` y el token de `HF_TOKEN`.
• El agente se crea con `CodeAgent`, al que se pasan una lista de tools, el modelo y la bandera `add_base_tools=False` para una configuración mínima.

Después solo queda lanzar la tarea con una frase normal, por ejemplo pedirle al agente el tiempo en París y Tokio. Entonces ocurre lo más interesante: el modelo lee el prompt, entiende que dispone de la herramienta `get_weather`, escribe un script interno de Python con dos llamadas, lo ejecuta en un entorno aislado y devuelve a la persona una respuesta ya compuesta.

Un detalle importante es el docstring de la función. Es lo que le permite al agente saber qué hace el tool, qué argumentos acepta y en qué casos conviene usarlo.

Cómo ampliar el escenario

El ejemplo no termina con el tiempo. El artículo muestra cómo añadir una segunda herramienta, `save_to_file`, que guarda un informe de texto en un archivo. Con ella, el agente no solo puede consultar una API externa, sino dar el siguiente paso en el entorno local: escribir el resultado, por ejemplo, en `london_weather.txt`. Este salto importa porque es la combinación de tools pequeños lo que convierte la demostración en el germen de un flujo de trabajo real.

De la misma plantilla surgen con facilidad casos más útiles: conectar una API de búsqueda, trabajar con una base de datos, montar una investigación sencilla o incluso controlar un navegador. El autor subraya aparte que el núcleo de la lógica es muy compacto: pese a todo el efecto de autonomía, la parte principal del ejemplo ocupa menos de dos decenas de líneas y el script completo se queda en unas cuarenta. Así baja de forma drástica el umbral de entrada a los escenarios con agentes: uno piensa no en el framework, sino en qué acciones darle al modelo.

Qué significa

smolagents apunta a un cambio importante: ahora se pueden construir asistentes autónomos no solo en equipos grandes con su propia capa de orquestación, sino también en solitario en una tarde. Para los desarrolladores, es una forma rápida de prototipar automatización con IA en el Python de siempre; para un producto, una oportunidad de probar un escenario útil antes de invertir en una arquitectura compleja.