AI Agents mit smolagents bauen
Agent-Architektur verstehen, mit smolagents bauen, MCP anbinden, mit LangFuse beobachten und auf Hugging Face teilen.
Die meisten „AI Apps" sind noch One-Shot-Chat-Completions. Nützliche Agents sind anders: Sie planen, rufen Tools auf, führen Code aus, delegieren an Spezialisten und loopen bis die Aufgabe erledigt ist. smolagents ist Hugging Faces leichtgewichtiges Framework für genau diesen Loop — ohne eigenes ReAct-Gerüst.
Das ist ein Paid-Kurs ($29,99). Lektion 1 ist eine kostenlose Preview — einmal kaufen für lebenslangen Zugang zu allen Lektionen, oder im Gold-Membership enthalten.
Modul 1 — Agent-Konzepte (Theorie): LLMs, Agent-Definition, Workflows vs. Agents.
Modul 2 — Mit smolagents bauen (Praxis): ab Einstieg in smolagents — Labs bis MCP, LangFuse und Hugging Face.
Repo, Slides und Setup stehen in Lektion 1.
Was du lernst#
- Was einen Agent von einem Chatbot unterscheidet — und wann sich der Aufwand lohnt
- CodeAgent vs ToolCallingAgent, Custom Tools und Multi-Agent-Orchestrierung
- MCP-Server anbinden (Brücke zum MCP Foundations Kurs)
- Agent-Runs mit OpenTelemetry und LangFuse tracen
- Demos auf Hugging Face Spaces teilen
Was du baust#
Keine Slides. Laufende Agents:
- Minimaler CodeAgent für eine Multi-Step-Aufgabe (
first-agent.py) - Wetter-Analyst mit Custom Tools und Gradio UI (
agent-with-ui.py) - Multi-Agent Market-Research-Pipeline (
multi-agents.py) - MCP-verbundener Research-Agent (
agent-with-mcp.py) - Beobachteter Agent-Run in LangFuse (
agent-with-monitor.py)