Discover what makes code agents special and how they use Python to reason and act. Build your first agent with smolagents, add built-in and community tools for web access, and create custom tools to connect agents with data.

Introduction to Hugging Face smolagents

Let the Agent Do the Math: Expense Insights

Wait, You Didn't Write Any Functions?

Creating an Agent With Tools

Writing Code Through Prompts: Compound Interest

Let Agents Search the Web

Creating an Agent With Custom Tools

Just Add @tool: Writing a Custom Tool

Check, Please! Giving Agents Access to Data

One Prompt, Many Tools

Transform your traditional RAG pipeline into an agentic system that retrieves information iteratively and reasons across multiple steps. Build stateful tools to support advanced retrieval, guide agents with planning intervals to improve outcomes, and use callbacks to track and customize agent behavior at runtime.

Ripasso su RAG

La pipeline RAG passo dopo passo

RAG in ordine: dai manuali alle risposte

Quindi, cosa succede davvero in RAG?

Il passaggio che aggiunge significato

Introduzione all’Agentic RAG

Stateful by Design: crea uno strumento di ricerca RAG

Collega il tool, sblocca l'Agentic RAG

Lavorare con agenti multi‑passo

Traccia i passaggi dell'agente, monitora l'azione

È ora di giocare: esegui l'agente completo

Agentic RAG and Multi-Step Agents

Tackle complex workflows by orchestrating teams of specialized agents under a coordinating manager. Add memory to retain context across interactions, debug agent behavior using execution traces and reasoning steps, and implement robust validation strategies to ensure high-quality, reliable responses.

Introduction to Multi-Agent Systems

Divide and Conquer: Creating Specialist Agents

Meet the Team: Agent Coordination

Managing Agent Memory

Don't Forget: Keeping Memory Between Calls

Tracing the Agent’s Code Execution

Agent Final Answer Validation

Say More, Agent: Enforcing Answers Length

Smarter Agents: Validate and Retry

Congratulations!

Multi-Agent Systems, Memory and Validation

Orders

Gli agenti AI stanno cambiando il modo in cui lavoriamo con dati e software. Dall’automazione dei flussi di lavoro all’aiuto per svolgere attività complesse, gli agenti possono cercare, ragionare e agire al tuo posto. In questo corso imparerai a creare agenti usando smolagents, un framework Python leggero sviluppato da Hugging Face.

Metti le mani in pasta con Code Agent e strumenti

Inizierai capendo cosa rende speciali i code agent e perché sono così potenti. Poi costruirai il tuo primo agente da zero, usando smolagents per generare ed eseguire codice Python. Imparerai anche a collegare strumenti integrati e a creare strumenti personalizzati per estendere le capacità dei tuoi agenti.

Rendi gli agenti più intelligenti con RAG e memoria

Successivamente userai la retrieval-augmented generation (RAG) per aiutare gli agenti a recuperare informazioni da grandi raccolte di documenti. Farai un passo oltre costruendo sistemi di agentic RAG—agenti che ragionano su più passaggi per ottenere risposte migliori. Imparerai anche ad aggiungere memoria, così gli agenti gestiscono in modo naturale le domande di follow-up e tengono traccia di ciò che è già stato fatto.

Coordina sistemi multi-agente e valida i risultati

Nel capitolo finale creerai sistemi multi-agente che coordinano agenti specialisti tramite un manager. Aggiungerai intervalli di pianificazione, userai callback per approfondire il comportamento degli agenti e validerai le risposte finali, in modo che i tuoi agenti restino affidabili e facili da usare.

Alla fine del corso saprai creare agenti che pensano in anticipo, collaborano e portano a termine i compiti.

Working with Hugging Face

Retrieval Augmented Generation (RAG) with LangChain

Impara a creare agenti intelligenti che ragionano, agiscono e risolvono compiti reali con Python.

Agenti AI con Hugging Face smolagents

Impara a creare agenti intelligenti che ragionano, agiscono e risolvono problemi del mondo reale usando Python.

Nozioni di base su Hugging Face

Crea un indice semantico: suddividi i documenti in chunk, genera embedding e archivia i vettori.

Cerca nell’indice e seleziona i chunk più rilevanti.

Assembla il contesto: unisci i chunk recuperati con separatori e metadati.

Genera la risposta: invia domanda e contesto all’LLM per ottenere una risposta.

RAG in ordine: dai manuali alle risposte

Agenti AI con Hugging Face smolagents

Esercizio pratico interattivo