Hugging Face a montré comment construire un agent AI de prévisions météorologiques sur smolagents en 15 minutes

smolagents de Hugging Face montre que le premier agent d'IA utile peut être construit sans frameworks lourds et des centaines de lignes de code. Dans la démonstration, l'auteur construit un assistant météorologique en Python qui décide indépendamment quels outils appeler, récupère les données d'internet et retourne une réponse prête.

Ce qui

Distingue smolagents L'idée principale ici n'est pas sur la météo, mais sur l'approche. smolagents est une bibliothèque pour les soi-disant code agents, où le modèle ne sélectionne pas simplement un outil dans une liste, mais écrit de petits fragments de code Python pour relier les étapes ensemble. Au lieu de schémas JSON et d'orchestrateurs longs, l'agent reçoit un objectif comme "découvrez le temps à Londres" et décide ensuite quel outil appeler, dans quel ordre et comment assembler la réponse finale.

Ce format rend le comportement de l'agent plus clair et plus flexible. Le code exprime mieux les boucles, les conditions et la transformation de données que les prompts textuels avec des règles rigides. Pour les débutants, c'est aussi un point d'entrée pratique : la bibliothèque est open source, légère et ne nécessite pas de configurer une infrastructure complexe.

Donc smolagents ne ressemble pas à une autre couche expérimentale sur LLM, mais à un moyen pratique de comprendre rapidement la mécanique des scénarios d'IA autonomes.

Comment

Construire un Agent La démonstration commence par une configuration très basique : créer un dossier de projet, configurer un environnement virtuel et installer seulement trois paquets — `smolagents`, `requests` et `python-dotenv`. Le token Hugging Face est suggéré d'être stocké dans la variable d'environnement `HF_TOKEN`, et pour ceux qui ne veulent rien configurer localement, Google Colab fonctionne. Déjà à cette étape, le point principal du matériau devient clair : pour votre premier agent, vous n'avez pas besoin d'une grande pile, juste Python, un accès à un modèle et une fonction externe. * `@tool` transforme une fonction Python ordinaire en un outil que l'agent peut appeler par lui-même.

• La fonction `get_weather(city: str)` appelle le service `wttr.in` et retourne une courte prévision pour la ville spécifiée.
• Comme modèle, `InferenceClientModel` est utilisé avec `Qwen/Qwen2.5-Coder-32B-Instruct` et un token de `HF_TOKEN`.
• L'agent lui-même est créé via `CodeAgent`, auquel vous passez une liste d'outils, le modèle et le drapeau `add_base_tools=False` pour une configuration minimale. Après cela, vous exécutez simplement la tâche avec une phrase ordinaire, par exemple, en demandant à l'agent de vous dire le temps à Paris et Tokyo. Ensuite vient la partie la plus intéressante : le modèle lit le prompt, comprend qu'il a l'outil `get_weather`, écrit un script Python interne avec deux appels, l'exécute dans un environnement isolé et retourne une réponse déjà assemblée à l'utilisateur. Un détail important est le docstring de la fonction. C'est à travers cela que l'agent comprend ce que fait l'outil, quels arguments il accepte et quand il doit être utilisé.

Comment Étendre le Scénario L'exemple ne se termine pas avec la météo.

L'article montre comment ajouter un deuxième outil `save_to_file` qui enregistre un rapport texte dans un fichier. Après cela, l'agent ne peut pas seulement appeler une API externe, mais aussi passer à l'étape suivante dans un environnement local : écrire le résultat, par exemple dans `london_weather.txt`.

Cette transition est importante car c'est la combinaison de petits outils qui transforme la démonstration en début d'un vrai flux de travail. À partir de ce même modèle, des cas plus utiles se développent facilement : connecter une API de recherche, travailler avec une base de données, assembler des recherches simples ou même gérer un navigateur. L'auteur souligne particulièrement que la logique principale ici est très compacte : malgré tout l'effet d'autonomie, la majeure partie de l'exemple tient en moins de vingt lignes, et le script entier reste environ quarante.

La barrière d'entrée aux scénarios d'agents est ainsi considérablement abaissée : vous pensez non au framework, mais aux actions spécifiques que vous devez donner au modèle.

Ce

Que Cela Signifie smolagents démontre un changement important : les assistants autonomes peuvent maintenant être construits non seulement dans de grandes équipes avec leur propre couche d'orchestration, mais aussi seul en une soirée. Pour les développeurs, c'est un moyen rapide de prototyper l'automatisation de l'IA en Python familier, et pour un produit, c'est une chance de tester un scénario utile avant d'investir dans une architecture complexe.