智能体课程文档
将动作编写为代码片段或 JSON Blob
并获得增强的文档体验
开始使用
将动作编写为代码片段或 JSON Blob
工具调用 Agent (Tool Calling Agents) 是 smolagents 中可用的第二种 Agent 类型。与使用 Python 代码片段的代码 Agent 不同，这些 Agent 使用 LLM 提供商内置的工具调用功能，以 JSON 结构生成工具调用。这是 OpenAI、Anthropic 和许多其他提供商使用的标准方法。
让我们看一个例子。当 Alfred 想要搜索餐饮服务和派对创意时，一个 CodeAgent 会生成并运行如下的 Python 代码：
for query in [
"Best catering services in Gotham City",
"Party theme ideas for superheroes"
]:
print(web_search(f"Search for: {query}"))而一个 ToolCallingAgent 会创建一个 JSON 结构：
[
{"name": "web_search", "arguments": "Best catering services in Gotham City"},
{"name": "web_search", "arguments": "Party theme ideas for superheroes"}
]这个 JSON Blob 随后被用于执行工具调用。
虽然 smolagents 主要关注 CodeAgents，因为它们整体性能更好，但对于不需要变量处理或复杂工具调用的简单系统，ToolCallingAgents 也是有效的。
工具调用 Agent 如何工作？
工具调用 Agent 遵循与代码 Agent 相同的多步骤工作流程（详见上一节）。
关键区别在于它们构建动作的方式：它们生成指定工具名称和参数的 JSON 对象，而不是可执行的代码。然后，系统会解析这些指令来执行相应的工具。
示例：运行一个工具调用 Agent
让我们重温一下之前 Alfred 开始派对准备的例子，但这次我们将使用 ToolCallingAgent 来突显差异。我们将构建一个可以使用 DuckDuckGo 搜索网页的 Agent，就像我们的代码 Agent 示例一样。唯一的区别是 Agent 的类型——框架会处理其他所有事情。
from smolagents import ToolCallingAgent, DuckDuckGoSearchTool, InferenceClientModel
agent = ToolCallingAgent(tools=[DuckDuckGoSearchTool()], model=InferenceClientModel())
agent.run("Search for the best music recommendations for a party at the Wayne's mansion.")当你检查 Agent 的追踪记录时，你将不会看到 Executing parsed code:（执行已解析的代码），而是会看到类似这样的内容：
╭─────────────────────────────────────────────────────────────────────────────────────────────────────────────────╮
│ Calling tool: 'web_search' with arguments: {'query': "best music recommendations for a party at Wayne's │
│ mansion"} │
╰─────────────────────────────────────────────────────────────────────────────────────────────────────────────────╯Agent 会生成一个结构化的工具调用，系统处理这个调用以产生输出，而不是像 CodeAgent 那样直接执行代码。
现在我们了解了两种 Agent 类型，我们可以根据我们的需求选择合适的类型。让我们继续探索 smolagents，让 Alfred 的派对圆满成功吧！🎉
资源
- ToolCallingAgent 文档 - ToolCallingAgent 的官方文档