Utforska vad som gör kodagenter speciella och hur de använder Python för att resonera och agera. Bygg din första agent med smolagents, lägg till inbyggda verktyg och verktyg från communityn för webbåtkomst, och skapa egna verktyg för att koppla samman agenter med data.

Introduktion till Hugging Face smolagents

Låt agenten sköta matten: utgiftsanalys

Vänta, du skrev inga funktioner?

Skapa en agent med verktyg

Skriv kod via promptar: Ränta på ränta

Ge agenter webbsökning

Skapa en agent med anpassade verktyg

Bara lägg till @tool: Skriv ett eget verktyg

Notan, tack! Ge agenter tillgång till data

En prompt, många verktyg

Omvandla din traditionella RAG-pipeline till ett agentbaserat system som hämtar information iterativt och resonerar över flera steg. Bygg tillståndsbaserade verktyg för avancerad hämtning, vägled agenter med planeringsintervall för bättre resultat, och använd callbacks för att spåra och anpassa agenternas beteende under körning.

RAG-repetition

RAG-pipelinen steg för steg

RAG i rätt ordning: från manualer till svar

Vad händer egentligen i RAG?

Steget som tillför betydelse

Introduktion till agentbaserad RAG

Tillståndsstyrd design: Bygg ett RAG-sökverktyg

Koppla ihop verktyget och aktivera agentbaserad RAG

Arbeta med flerstegagenter

Spåra agentens steg och övervaka åtgärder

Dags att köra: Starta hela agenten

Agentbaserad RAG och flerstegssystem

Hantera komplexa arbetsflöden genom att orkestrera team av specialiserade agenter under en samordnande hanterare. Lägg till minne för att bevara kontext mellan interaktioner, felsök agentbeteende med hjälp av exekveringsspår och resonemangssteg, och implementera robusta valideringsstrategier för att säkerställa högkvalitativa och tillförlitliga svar.

Introduktion till multi-agentsystem

Dela upp arbetet: Skapa specialiserade agenter

Möt teamet: agentkoordinering

Hantera agentminne

Kom ihåg: Bevara minnet mellan anrop

Spåra agentens kodkörning

Validering av agentens slutsvar

Säg mer, agent: krav på svarslängd

Smartare agenter: validera och försök igen

Grattis!

Multi-agentsystem, minne och validering

Orders

AI-agenter förändrar hur vi arbetar med data och mjukvara. Från att automatisera arbetsflöden till att hjälpa användare navigera komplexa uppgifter – agenter kan söka, resonera och agera på dina vägnar. I den här kursen lär du dig att bygga agenter med smolagents, ett lättviktigt Python-ramverk utvecklat av Hugging Face.

Praktisk erfarenhet av kodagenter och verktyg

Du börjar med att förstå vad som gör kodagenter unika och varför de är så kraftfulla. Sedan bygger du din första agent från grunden och använder smolagents för att generera och köra Python-kod. Du lär dig också att använda inbyggda verktyg och skapa egna verktyg för att utöka vad dina agenter kan göra.

Gör agenter smartare med RAG och minne

Därefter använder du retrieval-augmented generation (RAG) för att hjälpa agenter hämta information från stora dokumentsamlingar. Du går vidare genom att bygga agentbaserade RAG-system – agenter som resonerar över flera steg för att ge bättre svar. Du lär dig också att lägga till minne så att agenter kan hantera följdfrågor naturligt och hålla reda på vad som redan gjorts.

Samordna multi-agentsystem och validera svar

I det sista kapitlet bygger du multi-agentsystem där specialiserade agenter samordnas av en hanterare. Du lägger till planeringsintervall, använder callbacks för att få insyn i agenternas beteende och validerar slutsvar – så att dina agenter förblir tillförlitliga och användarvänliga.

När kursen är klar vet du hur du bygger agenter som tänker framåt, samarbetar och får saker gjorda.

Working with Hugging Face

Retrieval Augmented Generation (RAG) with LangChain

Lär dig bygga intelligenta agenter som resonerar, agerar och löser uppgifter med Python.

AI-agenter med Hugging Face smolagents

Lär dig bygga intelligenta agenter som resonerar, agerar och löser verkliga uppgifter med Python.

Hugging Face-grunderna

Vad händer egentligen i RAG?

AI-agenter med Hugging Face smolagents

Interaktiv övning med praktiskt arbete