smolagents

smolagents هي مكتبة Python لبناء وكلاء ذكاء اصطناعي مستقلين، أطلقتها Hugging Face في 31 ديسمبر 2024. الفرضية الأساسية للمكتبة هي أن الوكلاء يجب أن يكتبوا وينفذوا تعليمات Python البرمجية لاتخاذ الإجراءات، بدلاً من إنشاء قواميس استدعاء أدوات JSON كما تفعل معظم أطر العمل الأخرى. يتناسب المنطق الأساسي للوكيل مع ما يقرب من 1,000 سطر من التعليمات البرمجية، وهو خيار متعمد: إطار العمل بأكمله قابل للقراءة والتدقيق والتعديل في غضون فترة ما بعد الظهيرة. مرخصة بموجب Apache 2.0، نمت smolagents لتصل إلى 27,000 نجمة على GitHub بحلول مايو 2026، مما يجعلها واحدة من أسرع أطر عمل الوكلاء اعتماداً منذ LangChain.

توفر المكتبة نوعين من الوكلاء: CodeAgent، الذي ينشئ مقتطفات Python كإجراءات وينفذها في مترجم معزول (مما ينتج عنه استدعاءات LLM أقل بنسبة 30% مقارنة باستخدام أدوات JSON)، و ToolCallingAgent، الذي يتبع تنسيق استدعاء أدوات JSON القياسي للتوافق مع واجهات برمجة التطبيقات (APIs) بأسلوب OpenAI. تدعم المكتبة أكثر من 100 واجهة خلفية للنماذج من خلال LiteLLM، بما في ذلك الاستدلال المحلي عبر Ollama و Hugging Face Transformers، بالإضافة إلى OpenAI و Anthropic وأي مزود لديه نقطة نهاية متوافقة مع OpenAI. يمكن مشاركة الوكلاء والأدوات وسحبها من Hugging Face Hub. يتم دعم المدخلات متعددة الوسائط (النصوص، الرؤية، الفيديو، الصوت). تشمل خيارات التنفيذ المعزول بيئات E2B و Modal و Docker و Blaxel و WebAssembly للفرق التي تقوم بتشغيل تعليمات برمجية غير موثوقة في بيئة الإنتاج.

ما الذي تفعله smolagents فعلياً في أبريل 2026

تقوم smolagents بتشغيل حلقة تفكير متعددة الخطوات: يتلقى الوكيل مهمة، ويسأل LLM عما يجب فعله بعد ذلك، وينفذ الإجراء الناتج (كرمز Python أو استدعاء أداة)، ويلاحظ المخرجات، ويكرر ذلك حتى تكتمل المهمة أو يتم الوصول إلى الحد الأقصى للخطوات. يحول متغير CodeAgent هذا إلى رمز Python قابل للتنفيذ في كل خطوة بدلاً من كائن إجراء JSON. يتطلب الوكيل العامل بالحد الأدنى ثلاثة أسطر من Python: استيراد المكتبة، وإنشاء CodeAgent مع قائمة من الأدوات ونموذج، ثم استدعاء agent.run("your task").

وسّع الإصدار 1.24.0 (يناير 2026) بنية الوكلاء المتعددين، حيث يمكن لـ CodeAgent المدير تفويض المهام الفرعية إلى وكلاء فرعيين متخصصين. يعني تكامل Hub أن أي أداة أو تكوين وكيل منشور على Hugging Face Hub يمكن استيراده في سطر واحد. تمت إضافة توافق خادم MCP في أوائل عام 2025، بحيث يمكن لـ smolagents استهلاك الأدوات المكشوفة من خلال Model Context Protocol جنباً إلى جنب مع أدوات Python الأصلية والأدوات المتوافقة مع LangChain.

أرست نتيجة معيار GAIA من فترة إطلاق المكتبة مصداقيتها: سجل CodeAgent المبني ببنية smolagents نسبة 44.2% في مجموعة التحقق من GAIA (احتل المرتبة الأولى عند الإطلاق)، متفوقاً على AutoGen من Microsoft بنسبة 40% وأعلى بكثير من النتيجة الأساسية لـ GPT-4-Turbo التي تقل عن 7% على نفس المعيار بدون إطار عمل وكيل. يختبر GAIA التخطيط عالي المستوى، والتفكير متعدد الوسائط، وجمع المعلومات متعدد الخطوات عبر مهام معقدة مثل تحديد الأعمال الفنية، ومطابقة الوثائق التاريخية، ومعالجة البيانات المنظمة. بحلول أواخر عام 2025، دفعت التحسينات الإضافية الأنظمة القائمة على smolagents إلى 55% على GAIA، مما يعزز ميزة نهج التعليمات البرمجية أولاً في المهام التي تتطلب حسابات قابلة للتركيب وحفظ الحالة.

موقع smolagents مقارنة بـ LangChain و PydanticAI

المقارنات الثلاث الأكثر شيوعاً لـ smolagents هي LangChain/LangGraph (المهيمن الحالي)، و PydanticAI (الوافد الجديد الذي يركز على أمان النوع)، وبدرجة أقل LlamaIndex. يمثل كل منها فلسفة مختلفة حول ما يجب أن يكون عليه إطار عمل الوكيل.

تمتلك LangChain و LangGraph أكثر من 90,000 نجمة على GitHub وخمس سنوات من تاريخ الإنتاج. يوسع LangGraph إطار عمل LangChain ببنية رسم بياني موجه غير دوري (DAG) حيث تكون خطوات الوكيل عبارة عن عقد رسم بياني صريحة، مما يمنح المطورين تحكماً دقيقاً في منطق التفرع، وآلات الحالة، وإعادة المحاولة، ونشر الأخطاء. يأتي هذا التحكم مع بعض التعقيد: يتطلب تحديد سير عمل LangGraph تعريفات صريحة للعقد، والحواف، ومخططات الحالة قبل تشغيل إجراء واحد. تتعامل smolagents مع حلقة ReAct تلقائياً في نواتها المكونة من 1,000 سطر؛ أنت توفر الأدوات والنموذج، وتتم إدارة الحلقة نيابة عنك. LangGraph هو الخيار الصحيح للتنسيق المعقد القائم على الحالة مع نقاط فحص تتضمن تدخلاً بشرياً ومعالجة دقيقة للأخطاء. smolagents أسرع في بناء النماذج الأولية ولكنها أقل قابلية للتحكم على نطاق واسع.

يجلب PydanticAI، الذي تم إصداره في سبتمبر 2024 ووصل إلى الإصدار 1.0 في سبتمبر 2025، التحقق المنظم بأسلوب FastAPI إلى تطوير الوكلاء. يتم التحقق من صحة كل استدعاء أداة ومخرجات وكيل مقابل مخططات Pydantic قبل المعالجة، مع أدوات OpenTelemetry مدمجة وتصميم يعطي الأولوية للعمليات غير المتزامنة. الاختلاف الميكانيكي لـ PydanticAI عن smolagents هو فرض المخرجات: حيث تنتج smolagents أي رمز Python يكتبه LLM وتثق في أن الرمز صالح، يفرض PydanticAI عقود المخطط عند كل حد. بالنسبة لسجلات الرعاية الصحية، أو مسارات البيانات المالية، أو أي تطبيق يتطلب استجابات منظمة قابلة للتدقيق ويمكن التنبؤ بها، فإن ضمانات التحقق من PydanticAI مهمة. لا تقدم smolagents آلية مكافئة. المقايضة هي أن الكتابة الصارمة لـ PydanticAI تضيف عبء إعداد تتجنبه smolagents عمداً.

بالنسبة للفرق المستثمرة بالفعل في نظام Hugging Face البيئي، أو التي تستخدم Transformers أو النماذج مفتوحة المصدر عبر Ollama، أو تبني نماذج بحثية أولية، تتمتع smolagents بميزة واضحة. بالنسبة للفرق التي تقوم بتشغيل تطبيقات إنتاجية تعالج بيانات منظمة حساسة، فإن تحكم LangGraph أو التحقق من صحة PydanticAI يستحقان التعقيد الإضافي. غالباً ما يقرن المستخدمون smolagents مع Hugging Face Hub للوصول إلى النماذج ومشاركة الأدوات، أو مع أدوات LangChain من خلال طبقة توافق LangChain الخاصة بـ smolagents.

"لو كانت مقتطفات JSON تعبيراً أفضل، لكانت JSON هي لغة البرمجة الأولى ولكانت البرمجة جحيماً على الأرض." - أيميريك روشيه، وميرفي نويان، وتوماس وولف، فريق هندسة Hugging Face، مدونة إطلاق smolagents، ديسمبر 2024

كيف يبدو واقع حلقة الوكيل

تشغيل CodeAgent في smolagents يعني أن LLM يقوم بإنشاء رمز Python في كل خطوة. يعمل هذا بشكل جيد عندما يتمتع النموذج بقدرة قوية على إنشاء التعليمات البرمجية. عندما لا يكون كذلك، تتدهور الحلقة بسرعة: يكتب الوكيل رمز Python معطلاً نحوياً، ويلقي المترجم استثناءً، ويتم إلحاق الخطأ بالسياق، ويُطلب من LLM إصلاحه. في النماذج القادرة (GPT-4o، Claude Sonnet، DeepSeek-R1، Qwen2.5-Coder)، تكون حلقة التصحيح الذاتي هذه قوية. في النماذج الأصغر ذات الأغراض العامة، فإنها تنتج دوامة محبطة من التعليمات البرمجية الفاشلة التي تستهلك الرموز (tokens) دون إحراز تقدم.

إدارة الذاكرة هي الإحباط الأكثر ذكراً في مشكلات GitHub. يحتفظ الوكيل بسجل كامل لكل إجراء وملاحظة. في المهام الطويلة، ينمو هذا السجل متجاوزاً نافذة سياق النموذج. على عكس نهج التلخيص في Claude Code (والذي يضغط السياق الأقدم على أساس متجدد)، لا تحتوي smolagents اعتباراً من أوائل عام 2026 على دمج ذاكرة مدمج. تصف مشكلة GitHub رقم 694 المشكلة مباشرة: "اقتطاع أساسي وإزالة للرسائل، ولكن لا يوجد تلخيص مدمج لإدارة نمو الذاكرة طويلة المدى." تؤكد المشكلة رقم 901، المقدمة في مارس 2025، أن "الأدوات المتعلقة بالذاكرة لم يتم الكشف عنها بعد في smolagents، وهو قيد لتطبيقات الوكلاء الأكثر تقدماً." المشكلة رقم 1121 (أبريل 2025) هي طلب ميزة لبنك ذاكرة طويل المدى مستمر. هذه فجوات معروفة في خارطة الطريق العامة.

تنفيذ التعليمات البرمجية المعزولة موثق ولكنه متعدد الطبقات. يستخدم تشغيل CodeAgent محلياً مترجم Python مقيداً (قائماً على AST، مع عناصر تحكم في الاستيراد وحدود لعدد العمليات). لعزل أكثر صرامة، تتوفر بيئات E2B و Modal و Docker و WebAssembly المعزولة، لكن بنية الوكلاء المتعددين لا تدعم حالياً المنفذين المعزولين، مما يعني أن الوكيل المدير ووكلاءه الفرعيين يعملون في نفس سياق التنفيذ. تحتاج عمليات النشر الإنتاجية التي تتعامل مع مدخلات غير موثوقة إلى تصميم بنية حول هذا القيد بشكل صريح.

"هناك خطوة كبيرة من ما تفعله smolagents حالياً إلى كل ما تحتاجه لإطار عمل وكيل يقوم بتشغيل تطبيق على مستوى الإنتاج." - مراجعة إطار العمل من agentsdecoded.com، 2025

يبلغ المستخدمون الذين يبنون مسارات عمل البحث وعلوم البيانات عن التجربة الأكثر سلاسة. نمط نموذجي: تحديد 5-10 أدوات (بحث DuckDuckGo، و Python REPL، وقارئ ملفات، وعميل API)، وإنشاء CodeAgent، وتسليمه مهمة بحثية مفتوحة. يقوم الوكيل بتكوين رمز Python الذي يربط استدعاءات الأدوات، ويعالج النتائج الوسيطة في المتغيرات، ويعيد مخرجات منظمة دون أن يكتب المطور أي منطق تنسيق. غالباً ما يقرن المستخدمون smolagents مع DSPy لتحسين المطالبات أو PydanticAI للتحقق من صحة المخرجات في مسارات العمل الهجينة.

لمن تم بناء smolagents

تناسب smolagents باحثي تعلم الآلة (ML)، وعلماء البيانات، ومطوري الواجهة الخلفية الذين يفكرون بالفعل بلغة Python ويريدون الحد الأدنى من أعباء إطار العمل. يجعل تكامل نظام HuggingFace البيئي (نماذج Hub، وأدوات Hub، و Transformers، و Datasets) منها الخيار الأول الطبيعي للفرق الموجودة بالفعل داخل تلك الحزمة. إذا كان نشر النموذج الخاص بك هو Ollama الذي يقوم بتشغيل Llama أو Qwen محلياً، أو نموذجاً مضبوطاً بدقة على HuggingFace Inference Endpoints، فإن smolagents هي نقطة البداية الواضحة: التكامل أصلي، والترخيص متوافق، وقاعدة التعليمات البرمجية صغيرة بما يكفي لقراءتها وتعديلها.

يستفيد مستخدمو النماذج مفتوحة المصدر بشكل خاص لأن smolagents تعامل جميع النماذج على قدم المساواة من خلال توافق LiteLLM. لا توجد فئة مميزة للنماذج المقفلة أو التحسينات الاحتكارية. يمكن تشغيل نفس CodeAgent الذي يعمل مقابل GPT-4o مقابل نموذج Qwen2.5-Coder محلي بتغيير تكوين واحد. ستقدر الفرق التي تستكشف بنيات الوكلاء دون التقيد بمورد معين هذه المرونة. لاستكشاف تنسيق الوكلاء المتعددين، يعمل نمط الوكلاء المدارين (حيث ينسق وكيل المستوى الأعلى الوكلاء الفرعيين) بشكل جاهز دون تكوين إضافي. تكمل المكتبة LlamaIndex في مسارات العمل حيث يغذي التوليد المعزز بالاسترجاع وكيلاً يعالج السياق المسترجع باستخدام التعليمات البرمجية.

ما لا تمثله smolagents

smolagents ليست منصة وكلاء مؤسسية على مستوى الإنتاج. لا تحتوي على إمكانية مراقبة مدمجة، أو تسجيل منظم، أو سياسات إعادة محاولة تتجاوز ما يضيفه المطور يدوياً. لا توجد مخرجات مفروضة بواسطة المخطط، ولا يوجد مسار تدقيق أصلي، ولا توجد شهادات امتثال. ستجد الفرق في الصناعات الخاضعة للتنظيم (الرعاية الصحية، والتمويل، والقانون) التي تقيم أطر عمل الوكلاء لعمليات النشر الإنتاجية أن عقود التحقق من PydanticAI أو إدارة الحالة الصريحة لـ LangGraph تتطابق بشكل أفضل مع متطلبات الحوكمة الخاصة بها.

كما أنها لا تتسامح مع النماذج الضعيفة. يتطلب نهج التعليمات البرمجية أولاً نموذج LLM يكتب رمز Python نظيفاً وفعالاً تحت ضغط المطالبة. تؤدي محاولة تشغيل smolagents مقابل نماذج أصغر ذات أغراض عامة (أقل من 7 مليارات معلمة تقريباً، أو نماذج غير مدربة خصيصاً على التعليمات البرمجية) إلى نتائج غير موثوقة. يمثل هذا قيداً حقيقياً على الأجهزة والتكلفة للفرق التي ترغب في الاستضافة الذاتية لكل شيء على وحدات معالجة رسومات (GPUs) من فئة المستهلك.

أخيراً، smolagents ليست أداة تنسيق سير عمل بالمعنى الذي تقدمه LangGraph. إذا كانت حالة الاستخدام الخاصة بك تتطلب منطق تفرع صريح (توجيه المهمة أ إلى الوكيل الفرعي س، والمهمة ب إلى الوكيل الفرعي ص بناءً على مصنف)، أو عمليات إعادة محاولة مشروطة مع استمرار الحالة، أو خطوات موافقة تتضمن تدخلاً بشرياً، فإن LangGraph تمنحك هذه الأساسيات. تقوم smolagents بتجريدها، وهو ما يمثل نقطة قوتها للحالات البسيطة وسقفها للحالات المعقدة. يجب على الفرق التي تجاوزت حلقة ReAct التلقائية وتحتاج إلى تحكم دقيق في التنسيق أن تتعامل مع smolagents كمرحلة نماذج أولية قبل الانتقال إلى إطار عمل أكثر صراحة مثل LangGraph أو CrewAI.