7天搞定AI自动化：smolagents从RAG到多智能体实战指南

【免费下载链接】smolagents 🤗 smolagents: a barebones library for agents. Agents write python code to call tools and orchestrate other agents. 项目地址: https://gitcode.com/gh_mirrors/smo/smolagents

你是否还在为AI应用开发中的知识检索效率低、多任务协同难而烦恼？本文将通过smolagents框架，带你从零开始构建从RAG（检索增强生成）到多智能体协作的完整解决方案。读完本文，你将掌握：

• 如何用30行代码实现企业级RAG系统
• 多智能体协作的核心设计模式
• 工具链整合与任务流程自动化技巧
• 真实场景下的性能优化与错误处理

RAG实战：30行代码构建智能检索系统

RAG（检索增强生成）是解决大语言模型知识时效性和准确性问题的关键技术。smolagents提供了简洁的API，让你无需复杂配置即可实现专业级RAG应用。

核心实现代码

from smolagents import CodeAgent, InferenceClientModel
from smolagents import Tool
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.retrievers import BM25Retriever
import datasets

# 1. 加载知识库
knowledge_base = datasets.load_dataset("m-ric/huggingface_doc", split="train")
knowledge_base = knowledge_base.filter(lambda row: row["source"].startswith("huggingface/transformers"))

# 2. 文档处理与分割
source_docs = [Document(page_content=doc["text"], metadata={"source": doc["source"].split("/")[1]}) for doc in knowledge_base]
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
docs_processed = text_splitter.split_documents(source_docs)

# 3. 创建检索工具
class RetrieverTool(Tool):
    name = "retriever"
    description = "检索与查询相关的文档片段"
    inputs = {"query": {"type": "string", "description": "检索关键词"}}
    output_type = "string"
    
    def __init__(self, docs):
        super().__init__()
        self.retriever = BM25Retriever.from_documents(docs, k=10)
        
    def forward(self, query: str) -> str:
        docs = self.retriever.invoke(query)
        return "\n".join([f"文档{i}: {doc.page_content[:200]}..." for i, doc in enumerate(docs)])

# 4. 创建智能体并运行
agent = CodeAgent(
    tools=[RetrieverTool(docs_processed)],
    model=InferenceClientModel(model_id="Qwen/Qwen2.5-Coder-32B-Instruct"),
    max_steps=4
)
result = agent.run("Transformer模型训练中，前向传播和反向传播哪个速度更慢？")
print(result)

关键技术点解析

上述代码实现了一个完整的RAG系统，主要包含四个核心步骤：

1. 知识库加载：使用HuggingFace Datasets加载文档数据
2. 文本分割：采用递归字符分割器，确保语义完整性
3. 检索工具：基于BM25算法实现高效文档检索
4. 智能体集成：通过CodeAgent实现检索-生成一体化流程

完整代码可参考examples/rag.py，该实现已在生产环境中验证，可处理百万级文档库的实时检索。

多智能体协作：突破单智能体能力边界

随着任务复杂度提升，单一智能体往往难以应对多领域知识整合、多步骤任务规划等挑战。smolagents提供了轻量级多智能体协作框架，让你轻松构建分工明确、协同高效的AI团队。

多智能体架构设计

实现代码示例

from smolagents import CodeAgent, LiteLLMRouterModel, WebSearchTool

# 1. 配置多模型路由
llm_loadbalancer_model_list = [
    {
        "model_name": "model-group-1",
        "litellm_params": {
            "model": "gpt-4o-mini",
            "api_key": os.getenv("OPENAI_API_KEY"),
        },
    },
    {
        "model_name": "model-group-1",
        "litellm_params": {
            "model": "bedrock/anthropic.claude-3-sonnet-20240229-v1:0",
            "aws_access_key_id": os.getenv("AWS_ACCESS_KEY_ID"),
            "aws_secret_access_key": os.getenv("AWS_SECRET_ACCESS_KEY"),
            "aws_region_name": os.getenv("AWS_REGION"),
        },
    }
]

# 2. 创建负载均衡模型
model = LiteLLMRouterModel(
    model_id="model-group-1",
    model_list=llm_loadbalancer_model_list,
    client_kwargs={"routing_strategy": "simple-shuffle"},
)

# 3. 初始化多工具智能体
agent = CodeAgent(
    tools=[WebSearchTool()], 
    model=model, 
    stream_outputs=True, 
    return_full_result=True
)

# 4. 执行复杂任务
result = agent.run("分析2024年Q2全球AI行业投资趋势，并预测下季度热点领域")
print(result)

协作模式解析

smolagents支持多种智能体协作模式，满足不同场景需求：

协作模式	适用场景	实现复杂度	代表案例
主从模式	任务分解与执行	低	examples/plan_customization/plan_customization.py
专家团队模式	多领域知识整合	中	examples/multi_llm_agent.py
竞争协作模式	创意生成与评估	高	自定义实现

工具链扩展：连接AI与现实世界

smolagents的核心优势在于其灵活的工具扩展能力。通过简单的装饰器语法，你可以将任何Python函数转换为智能体可用的工具，快速扩展AI的能力边界。

常用工具示例

from smolagents import tool

# 天气查询工具
@tool
def get_weather(location: str, celsius: bool = False) -> str:
    """获取指定地点的当前天气"""
    api_key = "your_api_key"
    units = "m" if celsius else "f"
    url = f"http://api.weatherstack.com/current?access_key={api_key}&query={location}&units={units}"
    # 实现细节...

# 货币转换工具
@tool
def convert_currency(amount: float, from_currency: str, to_currency: str) -> str:
    """货币转换工具"""
    # 实现细节...

# 百科搜索工具
@tool
def search_encyclopedia(query: str) -> str:
    """搜索百科内容"""
    # 实现细节...

完整工具集可参考examples/multiple_tools.py，其中包含天气查询、货币转换、新闻获取、时间查询等10+实用工具的实现。

工具调用流程

实战案例：构建智能投资分析助手

结合RAG与多智能体协作，我们可以构建一个强大的智能投资分析助手。该助手能够自动收集市场数据、分析行业趋势、生成投资报告，为决策提供全方位支持。

系统架构

核心实现步骤

1. 数据采集：通过WebSearchTool收集市场数据，存储到向量数据库
2. 知识检索：使用RAG技术快速定位相关市场信息
3. 多专家协作：
   • 分析专家：解读市场趋势
   • 风险专家：评估投资风险
   • 写作专家：生成自然语言报告
4. 结果整合：汇总各专家意见，生成最终投资建议

部署与优化：从原型到生产

smolagents设计之初就考虑了生产环境的需求。通过以下最佳实践，你可以将原型系统快速部署为稳定可靠的服务。

性能优化技巧

1. 模型选择：根据任务复杂度动态选择模型，平衡成本与性能
2. 缓存策略：对频繁访问的知识库内容进行缓存
3. 异步执行：使用async/await语法实现并发工具调用
4. 资源限制：设置max_steps参数防止无限循环

监控与调试

smolagents提供了详细的执行日志和步骤记录功能，帮助你快速定位问题：

# 启用详细日志
agent = CodeAgent(
    tools=[...],
    model=model,
    verbosity_level=2,  # 详细日志级别
    return_full_result=True  # 返回完整执行过程
)

# 获取执行结果与中间步骤
result = agent.run("复杂任务")
print(result.steps)  # 查看所有执行步骤
print(result.final_answer)  # 查看最终结果

总结与展望

通过本文介绍的smolagents框架，我们展示了从RAG到多智能体协作的完整实现路径。无论是构建智能客服、自动数据分析系统，还是复杂的决策支持工具，smolagents都能提供简洁而强大的API，帮助你将AI想法快速转化为实际应用。

官方文档提供了更多高级特性和最佳实践：

• 概念指南：docs/zh/conceptual_guides/intro_agents.md
• 教程：docs/zh/tutorials/building_good_agents.md
• API参考：docs/zh/reference/agents.md

随着AI技术的不断发展，多智能体协作将成为解决复杂问题的关键范式。smolagents作为轻量级框架，为开发者提供了低门槛、高灵活性的实现路径。现在就开始尝试，构建属于你的智能体应用吧！

下一步学习资源

1. 源码仓库：https://gitcode.com/gh_mirrors/smo/smolagents
2. 示例项目：examples/
3. 贡献指南：CONTRIBUTING.md

【免费下载链接】smolagents 🤗 smolagents: a barebones library for agents. Agents write python code to call tools and orchestrate other agents. 项目地址: https://gitcode.com/gh_mirrors/smo/smolagents