Hugging Face mostra como montar um agente de IA do clima com smolagents em 15 minutos

O smolagents, da Hugging Face, mostra que o primeiro agente de IA útil pode ser montado sem frameworks pesados nem centenas de linhas de código. Na análise, o autor cria um assistente de clima em Python que decide sozinho quais ferramentas chamar, busca dados na internet e devolve uma resposta pronta.

O que diferencia o smolagents

A ideia central não é o clima, e sim a abordagem. O smolagents é uma biblioteca para os chamados code agents, em que o modelo não apenas escolhe uma ferramenta de uma lista, mas escreve pequenos trechos de código Python para ligar as etapas entre si. Em vez de esquemas JSON e orquestradores longos, o agente recebe um objetivo como "descubra o clima em Londres" e então decide sozinho qual tool chamar, em que ordem e como montar a resposta final.

Esse formato torna o comportamento do agente mais compreensível e flexível. O código expressa laços, condições e transformação de dados melhor do que instruções em texto com regras rígidas. Para iniciantes, também é uma porta de entrada conveniente: a biblioteca é aberta, leve e não obriga a montar uma infraestrutura complexa. Por isso o smolagents não parece mais uma camada experimental sobre LLMs, e sim um jeito prático de entender rapidamente a mecânica dos cenários autônomos de IA.

Como montar o agente

Na demonstração, tudo começa com uma preparação bem básica: criar a pasta do projeto, subir um ambiente virtual e instalar apenas três pacotes: `smolagents`, `requests` e `python-dotenv`. O token da Hugging Face deve ficar na variável de ambiente `HF_TOKEN`, e quem não quiser instalar nada localmente pode usar o Google Colab. Já nessa etapa fica claro o principal argumento do material: para um primeiro agente não é preciso uma stack grande, basta Python, acesso a um modelo e uma função externa.

• `@tool` transforma uma função comum de Python em uma ferramenta que o agente sabe chamar sozinho.
• A função `get_weather(city: str)` consulta o serviço `wttr.in` e retorna uma previsão breve para a cidade desejada.
• Como modelo, usa-se o `InferenceClientModel` com `Qwen/Qwen2.5-Coder-32B-Instruct` e o token de `HF_TOKEN`.
• O agente é criado com `CodeAgent`, que recebe uma lista de tools, o modelo e a flag `add_base_tools=False` para uma configuração mínima.

Depois disso, basta executar a tarefa com uma frase comum, por exemplo pedir ao agente o clima em Paris e Tóquio. Aí acontece a parte mais interessante: o modelo lê o prompt, entende que tem a ferramenta `get_weather`, escreve um script interno em Python com duas chamadas, executa o código em um ambiente isolado e devolve à pessoa uma resposta já montada.

Um detalhe importante é a docstring da função. É por ela que o agente entende o que o tool faz, quais argumentos aceita e em que casos vale usá-lo.

Como ampliar o cenário

O exemplo não termina no clima. O artigo mostra como adicionar uma segunda ferramenta, `save_to_file`, que salva um relatório de texto em um arquivo. Com isso, o agente pode não só consultar uma API externa, mas também dar o passo seguinte no ambiente local: gravar o resultado, por exemplo, em `london_weather.txt`. Essa transição importa porque é a combinação de tools pequenos que transforma a demonstração no embrião de um fluxo de trabalho real.

Desse mesmo modelo surgem com facilidade casos mais úteis: conectar uma API de busca, trabalhar com banco de dados, montar uma pesquisa simples ou até controlar um navegador. O autor destaca à parte que o núcleo da lógica é muito compacto: apesar de todo o efeito de autonomia, a parte principal do exemplo cabe em menos de duas dezenas de linhas, e o script inteiro fica em cerca de quarenta. Com isso, a barreira de entrada para cenários com agentes cai bastante: você pensa não no framework, mas em quais ações dar ao modelo.

O que isso significa

O smolagents aponta uma mudança importante: agora é possível construir assistentes autônomos não só em grandes equipes com camada própria de orquestração, mas também sozinho, em uma noite. Para desenvolvedores, é um jeito rápido de prototipar automação com IA no Python de sempre; para um produto, é a chance de testar um cenário útil antes de investir em uma arquitetura complexa.