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.

RAG-opfrisser

De RAG-pipeline stap voor stap

RAG op volgorde: van handleidingen naar antwoorden

Wat gebeurt er nu eigenlijk in RAG?

De stap die betekenis toevoegt

Introductie tot Agentic RAG

Stateful by Design: bouw een RAG-zoektool

Koppel de tool en ontgrendel Agentic RAG

Werken met multi-step agents

Volg agentstappen, houd de actie in de gaten

Game Time: voer de volledige agent uit

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

AI-agents veranderen hoe we met data en software werken. Van het automatiseren van workflows tot het helpen van gebruikers bij complexe taken: agents kunnen voor jou zoeken, redeneren en handelen. In deze cursus leer je agents bouwen met smolagents, een lichtgewicht Python-framework van Hugging Face.

Aan de slag met code-agents en tools

Je begint met wat code-agents anders maakt en waarom ze zo krachtig zijn. Daarna bouw je je eerste agent vanaf nul met smolagents om Python-code te genereren en uit te voeren. Je leert ook hoe je ingebouwde tools koppelt en eigen tools maakt om je agents uit te breiden.

Maak agents slimmer met RAG en geheugen

Vervolgens gebruik je retrieval-augmented generation (RAG) om agents informatie uit grote documentcollecties te laten halen. Je gaat nog een stap verder met agentic RAG-systemen—agents die in meerdere stappen redeneren voor betere antwoorden. Je leert ook geheugen toevoegen, zodat agents vervolgvragen natuurlijk afhandelen en bijhouden wat er al is gedaan.

Coördineer multi-agent systemen en valideer Resultaten

In het laatste hoofdstuk bouw je multi-agent systemen die specialistische agents laten samenwerken via een manager. Je voegt planningsintervallen toe, gebruikt callbacks voor inzicht in agentgedrag en valideert eindantwoorden, zodat je agents betrouwbaar en gebruiksvriendelijk blijven.

Aan het einde van de cursus weet je hoe je agents bouwt die vooruitdenken, samenwerken en dingen gedaan krijgen.

Working with Hugging Face

Retrieval Augmented Generation (RAG) with LangChain

Leer intelligente agenten bouwen die redeneren, handelen en problemen oplossen met Python.

AI-agents met Hugging Face smolagents

Leer hoe je slimme agents kunt maken die nadenken, handelen en echte taken oplossen met Python.

De basis van Hugging Face

De stap die betekenis toevoegt

AI-agents met Hugging Face smolagents

Interactieve oefening met praktijkervaring