smolagents 是什麼？Hugging Face 約 1000 行的極簡 AI Agent 框架，門檻打到零（2026 上手＋競品比較）

最後更新：2026 年 6 月 21 日｜截至 2026 年 6 月資料，工具版本與定價以官方為準

以前要搭一個像樣的 AI Agent，先要學一整套框架：定義節點、畫狀態圖、再配一堆 JSON 工具描述，光讀文件就勸退一半人。Hugging Face 把這件事壓成了約 1,000 行程式碼——一個 pip 指令、五行 Python，你就有一個會自己寫程式、自己執行、自己除錯的 AI Agent。它叫 smolagents，截至 2026 年 6 月已在 GitHub 收下 27,300 顆星。

一句話結論：smolagents 是 Hugging Face 開源（Apache-2.0）的極簡 AI Agent 框架，核心邏輯約 1,000 行，最大特色是讓 AI 直接寫 Python 程式碼當行動，而不是填 JSON 表單，官方引用的研究顯示可少約 30% 的模型呼叫。想用最少程式碼、最自由地接任何模型來搭 Agent 的人最適合；要做大型多 Agent 生產系統的人，再考慮 LangGraph。

先給結論：四大 Agent 框架快速比較

框架	核心理念	上手難度	最適合	GitHub 星數（約）
smolagents	讓 AI 寫 code 當行動，框架愈薄愈好	★☆☆ 最低	快速原型、本地模型、想看懂全部程式碼的人	27.3k
LangGraph	用「圖」明確控制狀態、流程、重播	★★★ 高	企業級、多 Agent 生產系統	約 1.3 萬起
CrewAI	定義一群有角色與目標的 Agent，框架自動協調	★★☆ 中	角色分工型任務、團隊協作流程	約 3 萬
AutoGen	多 Agent 對話協作（已轉維護模式）	★★☆ 中	既有專案；新案建議改看微軟 Agent Framework	約 4 萬

smolagents 到底是什麼？為什麼只有 1000 行？

smolagents 是 Hugging Face 團隊（Aymeric Roucher、Thomas Wolf 等人）開源的 Python Agent 函式庫，名字直譯就是「小 Agent」。它的設計哲學跟市面上多數框架反著走：別人不斷往上疊抽象層，它刻意把核心邏輯壓在約 1,000 行以內（主檔 agents.py 不到一千行）。

「薄」的好處很實際。框架愈薄，你愈容易讀懂它在做什麼、出錯時愈容易除錯，也愈容易只抽出你需要的那一塊來改。對新手來說，這代表你不用先吞下一本厚厚的概念手冊才寫得出第一個 Agent；對進階使用者來說，這代表你可以直接跳進原始碼動手改，而不是跟一堆黑箱抽象搏鬥。

它是 Apache-2.0 授權，完全免費、可商用、可自行部署，已累積超過 35 個版本（最新約 1.26，2026 年 5 月），維護相當活躍。

「Code Agent」跟一般 Agent 差在哪？為什麼能省 30% 模型呼叫？

差別在「AI 怎麼表達它想做的事」。傳統 Agent（也就是 smolagents 裡的 ToolCallingAgent）讓模型輸出一段 JSON，描述它要呼叫哪個工具、帶什麼參數，框架再去執行。smolagents 主打的 CodeAgent 走另一條路：直接讓模型寫一小段 Python 程式碼當作行動，框架把這段 code 跑起來。

聽起來只是換個格式，影響卻不小。因為程式碼天生支援迴圈、條件判斷、把一個函式的輸出餵給下一個——一段 code 就能完成的事，用 JSON 一來一回可能要拆成好幾步。Hugging Face 引用的研究指出，用程式碼當行動比起輸出工具字典，平均少約 30% 的步驟（也就是少約 30% 的模型呼叫），在較難的測試集上表現也更好。

少 30% 的模型呼叫，對個人開發者最直接的意義就是：同一個任務，API 帳單更便宜、跑得更快。任務愈複雜、步驟愈多，省下來的就愈明顯。

舉個官方例子，要在多個關鍵字上各搜一次，CodeAgent 可以一段 code 用迴圈搞定，而不是分三次 JSON 工具呼叫：

requests_to_search = ["AI agent", "smolagents", "code agent"]
for request in requests_to_search:
    print(f"搜尋結果 {request}：", web_search(request))

想實際感受省下多少，下面這個小工具可以幫你粗估。

smolagents 有哪些核心功能？

別看它小，功能其實很全。幾個最值得知道的設計：

• 模型無關（任何 LLM 都能接）：本地的 transformers 或 Ollama、Hugging Face 上的各家 Inference 供應商，或透過 LiteLLM 串接 OpenAI、Anthropic、OpenRouter、Azure、Amazon Bedrock 等上百個模型，換一行 code 就換引擎。
• 工具無關：可以直接吃任何 MCP 伺服器的工具、LangChain 的工具，甚至把一個 Hugging Face Hub Space 當成工具來用。
• 模態無關：不只文字，視覺、影片、音訊輸入都支援，能做看得懂網頁畫面的瀏覽器 Agent。
• Hub 整合：一行 push_to_hub 就能把你做好的 Agent 或工具分享到 Hugging Face Hub，別人一行 from_hub 就能載回來用。
• 兩種 Agent 任你選：愛省呼叫用 CodeAgent，習慣傳統工具呼叫用 ToolCallingAgent。
• 內建 CLI：smolagent 一行指令就能跑一個多步 Agent，webagent 則是專門上網瀏覽的 Agent，不用寫樣板程式。

其中「工具無關」這點對 2026 年特別關鍵——因為 MCP（Model Context Protocol）已經變成 AI 工具互通的事實標準。smolagents 直接吃 MCP，等於把整個 MCP 生態的工具都接了進來。想搞懂 MCP 是什麼，可以參考我們先前寫的 Context7 MCP 實測。

怎麼安裝跟跑第一個 agent？零基礎三步驟

就算你只寫過一點點 Python，也能在幾分鐘內跑出第一個 Agent。

1. 安裝：終端機打一行 pip install "smolagents[toolkit]"（這個 toolkit 會順便裝好網路搜尋等內建工具）。
2. 寫五行 Python：選一個模型、建一個 Agent、給它任務。
3. 執行：跑起來，它會自己寫 Python code、自己執行、把答案回給你。

from smolagents import CodeAgent, WebSearchTool, InferenceClientModel

model = InferenceClientModel()              # 預設用 HF Inference
agent = CodeAgent(tools=[WebSearchTool()], model=model)

agent.run("一隻全速奔跑的獵豹，要花幾秒跑過巴黎藝術橋？")

想換成 Claude 或 GPT？把模型那行換掉就好，其他完全不動：

from smolagents import LiteLLMModel
model = LiteLLMModel(model_id="anthropic/claude-4-sonnet-latest")

smolagents 安全嗎？會不會被 AI 亂跑程式碼搞爆？

這是用 Code Agent 一定要面對的問題：讓 AI 寫程式再執行，本質上就是「執行不受信任的程式碼」，有真實風險。smolagents 官方講得很白：內建的 LocalPythonExecutor 只做了基本限制，不是安全沙箱，不能用來擋惡意程式碼。

正確做法是把 Agent 的程式碼丟進真正隔離的沙箱跑。smolagents 支援多種選擇：E2B、Blaxel、Modal 這類雲端託管沙箱（最好上手）、自建的 Docker 容器，以及輕量的 Pyodide＋Deno WebAssembly 沙箱。一句話：自己玩玩無所謂，要上線或處理任何重要資料，務必開沙箱。

smolagents 和 LangGraph、CrewAI、AutoGen 該選哪個？

沒有最好，只有最適合。把選擇拆成幾個情境：

• 想最快做出能跑的東西、愛用本地或開源模型 → smolagents。它本來就是 Hugging Face 為自家生態打造的，接本地模型不用額外轉接，一個簡單 ReAct Agent 約 40 行就寫完（同樣的東西在 LangGraph 大概要 120 行）。
• 要做企業級、多 Agent、需要嚴格控制流程與重播 → LangGraph。它用明確的「圖」來管狀態，第三方 2026 評測中在最複雜任務上的完成率最高，代價是上手陡。
• 喜歡用「角色＋目標」描述一群 Agent 讓框架自動協調 → CrewAI，是近兩年成長最快的框架之一。
• 原本就在用 AutoGen → 可以續用，但它已轉維護模式，新專案建議改看微軟的 Agent Framework。

要誠實提一句：在第三方 2026 的多框架評測中，smolagents 在最複雜的多 Agent 任務上完成率（約 49%）不及 LangGraph（約 62%）。它的甜蜜點是「簡單、彈性、本地模型友善」，不是「最重型的生產編排」。想看另一個走「自己跑完整開發循環」路線的開源 Agent，可參考我們的 Goose 開源 AI Agent 評測 對照著看。

誰適合用 smolagents、誰不適合？

適合：想入門 AI Agent 的新手、愛跑本地或開源模型的人、要快速做原型驗證想法的開發者、預算敏感想壓低 API 開銷的個人、以及喜歡讀得懂框架原始碼的工程師。

暫時不適合：要上線跑大型、長時間、多 Agent 協作且需要嚴格狀態控制與重播的生產系統——這種場景 LangGraph 會更穩。另外，如果你完全不碰 Python、只想要圖形化拖拉介面，這個工具也不是為你設計的。

學會這個能拿來做什麼、能不能變現？

這才是對多數人最實際的問題。一個「會自己寫 code、會上網查、會呼叫工具」的 Agent，等於一個不用睡覺的初階助理，能接的活包括：自動整理每天的產業新聞做成日報、自動跑網頁查價／比價／盯庫存、把重複的 Excel／資料清洗流程自動化、做一個能查你自己知識庫回答問題的客服機器人。

把這些能力包成服務，就是出路：幫中小商家做「自動跑數據的小工具」接案、把自己天天在做的瑣事自動化挪出時間做副業、或做一個垂直領域的 Agent 當成產品。重點不是「學會一個框架」，而是「把一件以前要花你兩小時的事，變成 Agent 五分鐘跑完」——省下來的時間，就是你拿去錢生錢的本錢。想搭配一個夠便宜的開源模型來跑，可以看我們寫過的 Cohere North Mini Code 跟 給 Agent 裝長期記憶的 Mem0，三個拼起來就是一套自己的低成本 Agent 工作流。

不喜歡 smolagents，有什麼替代方案？

如果 smolagents 不對味，依需求可換：要生產級流程控制選 LangGraph；要角色協作選 CrewAI；想要官方原生的 Agent 開發套件，OpenAI Agents SDK 與 Anthropic 的 Claude Agent SDK 都是選項；只想要一個「能自己跑完開發循環」的現成 coding Agent，可以看 Goose。工具沒有對錯，挑最貼你場景的那個就好。

新手懶人行動清單

• ☐ 終端機跑 pip install "smolagents[toolkit]"
• ☐ 複製上面五行範例，跑出你的第一個 Agent
• ☐ 把模型換成你手上的 API 或本地模型，感受「換一行就換引擎」
• ☐ 想真的拿來處理資料前，先把執行環境換成 E2B 或 Docker 沙箱
• ☐ 挑一件你每天重複做的瑣事，試著讓 Agent 幫你跑一次

常見問題 FAQ

smolagents 要錢嗎？

框架本身是 Apache-2.0 開源，完全免費。花錢的是你接的模型 API（用本地或開源模型可以做到接近零成本）跟雲端沙箱（自建 Docker 可省）。

不會寫程式能用嗎？

需要一點點 Python 基礎。好消息是官方範例只有五行，照抄改一改就能跑，是市面上對新手最友善的 Agent 框架之一。

smolagents 和 LangChain 是什麼關係？

兩者都是 Agent／LLM 開發工具，但 smolagents 走極簡路線、主打 Code Agent。而且它能直接吃 LangChain 的工具，所以不是非此即彼，可以混搭。

Code Agent 真的比較好嗎？

在多數需要多步推理的任務上是的——官方引用研究指出可少約 30% 步驟、難題表現更好。但前提是要在安全沙箱裡跑，否則執行 AI 生成的程式碼有風險。

免責聲明：本文為工具教學與資訊整理，截至 2026 年 6 月，所有版本、功能與星數可能變動，請以 smolagents 官方倉庫與文件為準。文中不含任何聯盟連結。

參考資料：smolagents GitHub 官方倉庫｜Hugging Face 官方文件｜smolagents 發佈部落格