Hugging Face mostrou como construir um agente AI de previsão do tempo em smolagents em 15 minutos

smolagents do Hugging Face demonstra que o primeiro agente de IA útil pode ser construído sem frameworks pesados e centenas de linhas de código. No detalhamento, o autor constrói um assistente de previsão meteorológica em Python que decide independentemente quais ferramentas chamar, obtém dados da internet e retorna uma resposta pronta.

O que

Diferencia o smolagents A ideia principal aqui não é sobre o tempo, mas sobre a abordagem. smolagents é uma biblioteca para os chamados code agents, onde o modelo não simplesmente seleciona uma ferramenta de uma lista, mas escreve pequenos fragmentos de código Python para conectar os passos entre si. Em vez de esquemas JSON e orquestradores longos, o agente recebe um objetivo como "descubra o tempo em Londres" e depois decide qual ferramenta chamar, em que ordem e como montar a resposta final.

Este formato torna o comportamento do agente mais claro e flexível. O código expressa melhor loops, condições e transformação de dados do que prompts de texto com regras rígidas. Para iniciantes, é também um ponto de entrada conveniente: a biblioteca é aberta, leve e não exige configurar infraestrutura complexa.

Portanto, smolagents parece não como mais uma camada experimental sobre LLM, mas como uma forma prática de entender rapidamente a mecânica de cenários de IA autônomos.

Como

Construir um Agente A demonstração começa com uma configuração muito básica: criar uma pasta de projeto, configurar um ambiente virtual e instalar apenas três pacotes — `smolagents`, `requests` e `python-dotenv`. O token do Hugging Face é sugerido para ser armazenado na variável de ambiente `HF_TOKEN`, e para quem não quer configurar nada localmente, o Google Colab funciona. Já neste estágio, o ponto principal do material fica claro: para seu primeiro agente, você não precisa de um grande stack, apenas Python, acesso a um modelo e uma função externa. * `@tool` transforma uma função Python comum em uma ferramenta que o agente pode chamar por conta própria.

• A função `get_weather(city: str)` chama o serviço `wttr.in` e retorna uma previsão curta para a cidade especificada.
• Como modelo, é usado `InferenceClientModel` com `Qwen/Qwen2.5-Coder-32B-Instruct` e um token de `HF_TOKEN`.
• O agente em si é criado através de `CodeAgent`, para o qual você passa uma lista de ferramentas, o modelo e o sinalizador `add_base_tools=False` para configuração mínima. Depois disso, você simplesmente executa a tarefa com uma frase comum, por exemplo, pedindo ao agente para dizer qual é o tempo em Paris e Tóquio. Em seguida vem a parte mais interessante: o modelo lê o prompt, entende que tem a ferramenta `get_weather`, escreve um script Python interno com duas chamadas, o executa em um ambiente isolado e retorna uma resposta já montada ao usuário. Um detalhe importante é o docstring da função. É através dele que o agente entende o que a ferramenta faz, que argumentos aceita e quando deve ser usada.

Como Estender o Cenário O exemplo não termina com o tempo.

O artigo mostra como adicionar uma segunda ferramenta `save_to_file` que salva um relatório de texto em um arquivo. Depois disso, o agente não apenas pode chamar uma API externa, mas também pode dar o próximo passo em um ambiente local: escrever o resultado, por exemplo em `london_weather.txt`.

Esta transição é importante porque é a combinação de pequenas ferramentas que transforma a demonstração no início de um fluxo de trabalho real. A partir deste mesmo modelo, casos mais úteis crescem facilmente: conectando uma API de busca, trabalhando com um banco de dados, montando uma pesquisa simples ou até gerenciando um navegador. O autor especificamente enfatiza que a lógica principal aqui é muito compacta: apesar de todo o efeito de autonomia, a maior parte do exemplo cabe em menos de vinte linhas, e o script inteiro fica em torno de quarenta.

A barreira de entrada para cenários de agentes é assim significativamente reduzida: você pensa não sobre o framework, mas sobre que ações específicas precisa dar ao modelo.

O que

Isto Significa smolagents demonstra uma mudança importante: assistentes autônomos agora podem ser construídos não apenas em grandes equipes com sua própria camada de orquestração, mas também sozinho em uma noite. Para desenvolvedores, é uma forma rápida de prototipar automação de IA em Python familiar e, para um produto, é uma chance de testar um cenário útil antes de investir em arquitetura complexa.