smolagents は数行のコードで強力なエージェントを実行できるライブラリです。以下のような機能を提供します:

✨ シンプルさ: エージェントのロジックは約 1,000 行のコードに収まります (agents.py を参照)。抽象化を最小限に保ち、生のコードを優先しました!

🧑‍💻 Code Agents への第一級サポート。当社の CodeAgent はアクションをコードで記述します (「コードを書くために使われるエージェント」とは異なります)。セキュリティを確保するために、Blaxel、E2B、Modal、Docker、または Pyodide+Deno WebAssembly サンドボックスを介したサンドボックス環境での実行をサポートしています。

🤗 Hub インテグレーション: ツールまたはエージェントを Hub との間で共有/取得でき、最も効率的なエージェントを即座に共有できます!

🌐 モデル非依存: smolagents はあらゆる LLM をサポートします。ローカルの transformers または ollama モデル、Hub の多くのプロバイダーの 1 つ、または LiteLLM インテグレーション経由での OpenAI、Anthropic などからの任意のモデルを使用できます。

👁️ モダリティ非依存: エージェントはテキスト、ビジョン、ビデオ、さらにはオーディオ入力をサポートします! ビジョンについては このチュートリアル を参照してください。

🛠️ ツール非依存: 任意の MCP サーバーからのツール、LangChain からのツール、さらには Hub Space をツールとして使用することもできます。

完全なドキュメントは こちら から確認できます。

まず、デフォルトのツールセットでパッケージをインストールします:

pip install "smolagents[toolkit]"

その後、エージェントを定義し、必要なツールを与えて実行してください。

from smolagents import CodeAgent, WebSearchTool, InferenceClientModel

model = InferenceClientModel()
agent = CodeAgent(tools=[WebSearchTool()], model=model, stream_outputs=True)

agent.run("How many seconds would it take for a leopard at full speed to run through Pont des Arts?")

さらに、エージェントをハブにスペースリポジトリとして共有することもできます。

agent.push_to_hub("m-ric/my_agent")

# agent.from_hub("m-ric/my_agent") to load an agent from Hub

当社のライブラリは LLM に依存しません。上記の例を任意の推論プロバイダーに切り替えることができます。

from smolagents import InferenceClientModel

model = InferenceClientModel(
    model_id="deepseek-ai/DeepSeek-R1",
    provider="together",
)

from smolagents import LiteLLMModel

model = LiteLLMModel(
    model_id="anthropic/claude-4-sonnet-latest",
    temperature=0.2,
    api_key=os.environ["ANTHROPIC_API_KEY"]
)

import os
from smolagents import OpenAIModel

model = OpenAIModel(
    model_id="deepseek-ai/DeepSeek-R1",
    api_base="https://api.together.xyz/v1/", # Leave this blank to query OpenAI servers.
    api_key=os.environ["TOGETHER_API_KEY"], # Switch to the API key for the server you're targeting.
)

import os
from smolagents import OpenAIModel

model = OpenAIModel(
    model_id="openai/gpt-4o",
    api_base="https://openrouter.ai/api/v1", # Leave this blank to query OpenAI servers.
    api_key=os.environ["OPENROUTER_API_KEY"], # Switch to the API key for the server you're targeting.
)

from smolagents import TransformersModel

model = TransformersModel(
    model_id="Qwen/Qwen3-Next-80B-A3B-Thinking",
    max_new_tokens=4096,
    device_map="auto"
)

import os
from smolagents import AzureOpenAIModel

model = AzureOpenAIModel(
    model_id = os.environ.get("AZURE_OPENAI_MODEL"),
    azure_endpoint=os.environ.get("AZURE_OPENAI_ENDPOINT"),
    api_key=os.environ.get("AZURE_OPENAI_API_KEY"),
    api_version=os.environ.get("OPENAI_API_VERSION")    
)

import os
from smolagents import AmazonBedrockModel

model = AmazonBedrockModel(
    model_id = os.environ.get("AMAZON_BEDROCK_MODEL_ID") 
)

CLIから2つのコマンド（smolagentとwebagent）を使用してエージェントを実行できます。

smolagentは、様々なツールで装備できるマルチステップのCodeAgentを実行するための汎用コマンドです。

# Run with direct prompt and options
smolagent "Plan a trip to Tokyo, Kyoto and Osaka between Mar 28 and Apr 7."  --model-type "InferenceClientModel" --model-id "Qwen/Qwen3-Next-80B-A3B-Thinking" --imports pandas numpy --tools web_search

# Run in interactive mode (launches setup wizard when no prompt provided)
smolagent

インタラクティブモードでは、以下をガイドします：

• エージェントタイプの選択（CodeAgent vs ToolCallingAgent）
• 利用可能なツールボックスからのツール選択
• モデルの設定（タイプ、ID、API設定）
• 追加インポートなどの詳細オプション
• タスクプロンプト入力

一方、webagentはheliumを使用した特定のウェブブラウジングエージェントです（詳細はこちらを参照してください）。

たとえば：

webagent "go to xyz.com/men, get to sale section, click the first clothing item you see. Get the product details, and the price, return them. note that I'm shopping from France" --model-type "LiteLLMModel" --model-id "gpt-5"

当社のCodeAgentは基本的に古典的なReActエージェントと同様に動作しますが、LLMエンジンがアクションをPythonコードスニペットとして書き込む点が異なります。

flowchart TB
    Task[User Task]
    Memory[agent.memory]
    Generate[Generate from agent.model]
    Execute[Execute Code action - Tool calls are written as functions]
    Answer[Return the argument given to 'final_answer']

    Task -->|Add task to agent.memory| Memory

    subgraph ReAct[ReAct loop]
        Memory -->|Memory as chat messages| Generate
        Generate -->|Parse output to extract code action| Execute
        Execute -->|No call to 'final_answer' tool => Store execution logs in memory and keep running| Memory
    end
    
    Execute -->|Call to 'final_answer' tool| Answer

    %% Styling
    classDef default fill:#d4b702,stroke:#8b7701,color:#ffffff
    classDef io fill:#4a5568,stroke:#2d3748,color:#ffffff
    
    class Task,Answer io

アクションはPythonコードスニペットになりました。したがって、ツール呼び出しはPython関数呼び出しとして実行されます。たとえば、エージェントが単一のアクションで複数のウェブサイトにわたってウェブ検索を実行する方法は以下の通りです：

requests_to_search = ["gulf of mexico america", "greenland denmark", "tariffs"]
for request in requests_to_search:
    print(f"Here are the search results for {request}:", web_search(request))

アクションをコードスニペットとして記述することは、LLMが呼び出したいツールのディクショナリーを出力させるという現在の業界慣行よりも優れていることが実証されています：ステップが30%削減され（したがってLLM呼び出しが30%削減）、困難なベンチマークでより高いパフォーマンスを達成しています。詳細についてはエージェントに関する高レベルの紹介をご覧ください。

コード実行は深刻なセキュリティ上の問題となる可能性があるため（任意のコード実行！）、エージェントコードはサンドボックスで実行する必要があります。複数のオプションをサポートしています：

• E2B、Blaxel、Modal — 管理されたクラウドサンドボックス、セットアップが最も簡単です
• Docker — セルフホストされたコンテナー分離
• Pyodide+Deno WebAssembly — ブラウザーまたはエッジ環境用の軽量サンドボックス

組み込みのLocalPythonExecutorはセキュリティサンドボックスではありません。いくつかの制限を適用していますが、回避される可能性があり、セキュリティ境界として使用してはいけません。

CodeAgentとともに、アクションをJSON/テキストブロブとして記述する標準のToolCallingAgentも提供しています。ユースケースに最も適したスタイルを選択できます。

抽象化を最小限に抑えることに力を注ぎました。メインコードの agents.py は 1,000 行未満です。 それでも、複数のタイプのエージェントを実装しています：CodeAgent はアクションを Python コードスニペットとして記述し、より古典的な ToolCallingAgent は組み込みのツール呼び出しメソッドを活用します。マルチエージェント階層、ツールコレクションからのインポート、リモートコード実行、ビジョンモデルなども備えています。

ところで、なぜフレームワークを使うのでしょうか？それは、この多くの部分が非自明だからです。たとえば、コードエージェントはシステムプロンプト全体、パーサー、実行を通じてコードの一貫した形式を維持する必要があります。したがって、私たちのフレームワークがこの複雑さを処理します。もちろん、ソースコードにハッキングして必要な部分だけを使用することをお勧めします。

いくつかの主要なモデルで CodeAgent インスタンスを作成し、このベンチマークで比較しました。このベンチマークは複数の異なるベンチマークから質問を集めて、様々な課題をミックスしています。

詳細については、ここでベンチマーク化コードを確認してください。使用されたエージェントセットアップの詳細、および LLM コードエージェントと素の状態の比較を参照してください（ネタバレ：コードエージェントの方がより効果的です）。

この比較は、オープンソースモデルが現在、最高のクローズドソースモデルに対抗できることを示しています。

セキュリティは、エージェントワークフローで作業する際の重要な考慮事項です。

smolagents is a library that enables you to run powerful agents in a few lines of code. It offers:

✨ Simplicity: the logic for agents fits in ~1,000 lines of code (see agents.py). We kept abstractions to their minimal shape above raw code!

🧑‍💻 First-class support for Code Agents. Our CodeAgent writes its actions in code (as opposed to "agents being used to write code"). To make it secure, we support executing in sandboxed environments via Blaxel, E2B, Modal, Docker, or Pyodide+Deno WebAssembly sandbox.

🤗 Hub integrations: you can share/pull tools or agents to/from the Hub for instant sharing of the most efficient agents!

🌐 Model-agnostic: smolagents supports any LLM. It can be a local transformers or ollama model, one of many providers on the Hub, or any model from OpenAI, Anthropic and many others via our LiteLLM integration.

👁️ Modality-agnostic: Agents support text, vision, video, even audio inputs! Cf this tutorial for vision.

🛠️ Tool-agnostic: you can use tools from any MCP server, from LangChain, you can even use a Hub Space as a tool.

Full documentation can be found here.

First install the package with a default set of tools:

pip install "smolagents[toolkit]"

Then define your agent, give it the tools it needs and run it!

from smolagents import CodeAgent, WebSearchTool, InferenceClientModel

model = InferenceClientModel()
agent = CodeAgent(tools=[WebSearchTool()], model=model, stream_outputs=True)

agent.run("How many seconds would it take for a leopard at full speed to run through Pont des Arts?")

You can even share your agent to the Hub, as a Space repository:

agent.push_to_hub("m-ric/my_agent")

# agent.from_hub("m-ric/my_agent") to load an agent from Hub

Our library is LLM-agnostic: you could switch the example above to any inference provider.

from smolagents import InferenceClientModel

model = InferenceClientModel(
    model_id="deepseek-ai/DeepSeek-R1",
    provider="together",
)

from smolagents import LiteLLMModel

model = LiteLLMModel(
    model_id="anthropic/claude-4-sonnet-latest",
    temperature=0.2,
    api_key=os.environ["ANTHROPIC_API_KEY"]
)

import os
from smolagents import OpenAIModel

model = OpenAIModel(
    model_id="deepseek-ai/DeepSeek-R1",
    api_base="https://api.together.xyz/v1/", # Leave this blank to query OpenAI servers.
    api_key=os.environ["TOGETHER_API_KEY"], # Switch to the API key for the server you're targeting.
)

import os
from smolagents import OpenAIModel

model = OpenAIModel(
    model_id="openai/gpt-4o",
    api_base="https://openrouter.ai/api/v1", # Leave this blank to query OpenAI servers.
    api_key=os.environ["OPENROUTER_API_KEY"], # Switch to the API key for the server you're targeting.
)

from smolagents import TransformersModel

model = TransformersModel(
    model_id="Qwen/Qwen3-Next-80B-A3B-Thinking",
    max_new_tokens=4096,
    device_map="auto"
)

import os
from smolagents import AzureOpenAIModel

model = AzureOpenAIModel(
    model_id = os.environ.get("AZURE_OPENAI_MODEL"),
    azure_endpoint=os.environ.get("AZURE_OPENAI_ENDPOINT"),
    api_key=os.environ.get("AZURE_OPENAI_API_KEY"),
    api_version=os.environ.get("OPENAI_API_VERSION")    
)

import os
from smolagents import AmazonBedrockModel

model = AmazonBedrockModel(
    model_id = os.environ.get("AMAZON_BEDROCK_MODEL_ID") 
)

You can run agents from CLI using two commands: smolagent and webagent.

smolagent is a generalist command to run a multi-step CodeAgent that can be equipped with various tools.

# Run with direct prompt and options
smolagent "Plan a trip to Tokyo, Kyoto and Osaka between Mar 28 and Apr 7."  --model-type "InferenceClientModel" --model-id "Qwen/Qwen3-Next-80B-A3B-Thinking" --imports pandas numpy --tools web_search

# Run in interactive mode (launches setup wizard when no prompt provided)
smolagent

Interactive mode guides you through:

• Agent type selection (CodeAgent vs ToolCallingAgent)
• Tool selection from available toolbox
• Model configuration (type, ID, API settings)
• Advanced options like additional imports
• Task prompt input

Meanwhile webagent is a specific web-browsing agent using helium (read more here).

For instance:

webagent "go to xyz.com/men, get to sale section, click the first clothing item you see. Get the product details, and the price, return them. note that I'm shopping from France" --model-type "LiteLLMModel" --model-id "gpt-5"

Our CodeAgent works mostly like classical ReAct agents - the exception being that the LLM engine writes its actions as Python code snippets.

flowchart TB
    Task[User Task]
    Memory[agent.memory]
    Generate[Generate from agent.model]
    Execute[Execute Code action - Tool calls are written as functions]
    Answer[Return the argument given to 'final_answer']

    Task -->|Add task to agent.memory| Memory

    subgraph ReAct[ReAct loop]
        Memory -->|Memory as chat messages| Generate
        Generate -->|Parse output to extract code action| Execute
        Execute -->|No call to 'final_answer' tool => Store execution logs in memory and keep running| Memory
    end
    
    Execute -->|Call to 'final_answer' tool| Answer

    %% Styling
    classDef default fill:#d4b702,stroke:#8b7701,color:#ffffff
    classDef io fill:#4a5568,stroke:#2d3748,color:#ffffff
    
    class Task,Answer io

Actions are now Python code snippets. Hence, tool calls will be performed as Python function calls. For instance, here is how the agent can perform web search over several websites in one single action:

requests_to_search = ["gulf of mexico america", "greenland denmark", "tariffs"]
for request in requests_to_search:
    print(f"Here are the search results for {request}:", web_search(request))

Writing actions as code snippets is demonstrated to work better than the current industry practice of letting the LLM output a dictionary of the tools it wants to call: uses 30% fewer steps (thus 30% fewer LLM calls) and reaches higher performance on difficult benchmarks. Head to our high-level intro to agents to learn more on that.

Since code execution can be a serious security concern (arbitrary code execution!), you should run agent code in a sandbox. We support several options:

• E2B, Blaxel, Modal — managed cloud sandboxes, simplest to set up
• Docker — self-hosted container isolation
• Pyodide+Deno WebAssembly — lightweight sandbox for browser or edge environments

The built-in LocalPythonExecutor is not a security sandbox. It applies some restrictions but can be bypassed and must not be used as a security boundary.

Alongside CodeAgent, we also provide the standard ToolCallingAgent which writes actions as JSON/text blobs. You can pick whichever style best suits your use case.

We strived to keep abstractions to a strict minimum: the main code in agents.py has <1,000 lines of code. Still, we implement several types of agents: CodeAgent writes its actions as Python code snippets, and the more classic ToolCallingAgent leverages built-in tool calling methods. We also have multi-agent hierarchies, import from tool collections, remote code execution, vision models...

By the way, why use a framework at all? Well, because a big part of this stuff is non-trivial. For instance, the code agent has to keep a consistent format for code throughout its system prompt, its parser, the execution. So our framework handles this complexity for you. But of course we still encourage you to hack into the source code and use only the bits that you need, to the exclusion of everything else!

We've created CodeAgent instances with some leading models, and compared them on this benchmark that gathers questions from a few different benchmarks to propose a varied blend of challenges.

Find the benchmarking code here for more detail on the agentic setup used, and see a comparison of using LLMs code agents compared to vanilla (spoilers: code agents works better).

This comparison shows that open-source models can now take on the best closed models!

Security is a critical consideration when working wi