Hub 文件
Hub 上的智慧體
並獲得增強的文件體驗
開始使用
Hub 上的智慧體
此頁面彙集了 Hugging Face 為智慧體工作流程提供的所有庫和工具。
HF MCP 伺服器: 將您的 MCP 相容 AI 助手直接連線到 Hugging Face Hub。tiny-agents: 一個輕量級的 MCP 驅動智慧體工具包，提供 JS (@huggingface/tiny-agents) 和 Python (huggingface_hub) 版本。Gradio MCP 伺服器: 輕鬆地從 Gradio 應用和 Spaces 建立 MCP 伺服器。smolagents: 一個 Python 庫，使您能夠用幾行程式碼執行強大的智慧體。
HF MCP 伺服器
官方的 Hugging Face MCP (模型上下文協議) 伺服器 實現了 Hugging Face Hub 與任何 MCP 相容 AI 助手（包括 VSCode、Cursor 和 Claude Desktop）之間的無縫整合。
透過 HF MCP 伺服器，您可以直接連線到 Hub 的生態系統，從而增強 AI 助手的效能。它包含：
- 一套精選的內建工具，如 Spaces 和論文語義搜尋、模型和資料集探索等。
- MCP 相容的 Gradio 應用：連線到 Hugging Face 社群構建的任何MCP 相容 Gradio 應用。
入門
請訪問huggingface.co/settings/mcp來配置您的 MCP 客戶端並開始使用。
此功能處於實驗階段 ⚗️ 並將持續發展。
smolagents
smolagents 是一個輕量級庫，用於以少量程式碼行涵蓋所有智慧體用例，從程式碼編寫智慧體到計算機使用。它與模型無關，支援使用 Hugging Face Transformers 提供的本地模型，以及透過推理提供商提供的模型和專有模型提供商。
它提供了一種獨特的智慧體：CodeAgent，它是一個用 Python 程式碼編寫其動作的智慧體。它還支援大多數其他智慧體框架那樣以 JSON blob 編寫動作的標準智慧體，稱為ToolCallingAgent。要了解有關在程式碼與 JSON 中編寫動作的更多資訊，請檢視我們在DeepLearning.AI 上的新短期課程。
如果您想避免自己定義智慧體，啟動智慧體最簡單的方法是透過 CLI，使用 smolagent 命令。
smolagent "Plan a trip to Tokyo, Kyoto and Osaka between Mar 28 and Apr 7." \
--model-type "InferenceClientModel" \
--model-id "Qwen/Qwen2.5-Coder-32B-Instruct" \
--imports "pandas numpy" \
--tools "web_search"智慧體可以作為 Spaces 推送到 Hugging Face Hub。在此處檢視人們構建的所有酷炫智慧體。
smolagents 還支援 MCP 伺服器作為工具，如下所示：
# pip install --upgrade smolagents mcp
from smolagents import MCPClient, CodeAgent
from mcp import StdioServerParameters
import os
server_parameters = StdioServerParameters(
command="uvx", # Using uvx ensures dependencies are available
args=["--quiet", "pubmedmcp@0.1.3"],
env={"UV_PYTHON": "3.12", **os.environ},
)
with MCPClient(server_parameters) as tools:
agent = CodeAgent(tools=tools, model=model, add_base_tools=True)
agent.run("Please find the latest research on COVID-19 treatment.")在文件中瞭解更多資訊。
tiny-agents (JS 和 Python)
tiny-agents 是一個輕量級工具包，用於在 Hugging Face Inference Client + 模型上下文協議 (MCP) 的基礎上執行和構建 MCP 驅動的智慧體。它以 JS 包 @huggingface/tiny-agents 和 huggingface_hub Python 包的形式提供。
@huggingface/tiny-agents (JS)
@huggingface/tiny-agents 包提供了一個簡單直接的 CLI 和一個簡單的程式設計 API，用於在 JS 中執行和構建 MCP 驅動的智慧體。
入門指南
首先，您需要安裝該軟體包
npm install @huggingface/tiny-agents
# or
pnpm add @huggingface/tiny-agents然後，您可以執行您的智慧體
npx @huggingface/tiny-agents [command] "agent/id"
Usage:
tiny-agents [flags]
tiny-agents run "agent/id"
tiny-agents serve "agent/id"
Available Commands:
run Run the Agent in command-line
serve Run the Agent as an OpenAI-compatible HTTP server您可以直接從tiny-agents資料集載入智慧體，或者指定您自己的本地智慧體配置的路徑。
高階用法 除了 CLI，您還可以使用 Agent 類進行更精細的控制。對於更低級別的互動，請使用 @huggingface/mcp-client 包中的 MCPClient 直接連線到 MCP 伺服器並管理工具呼叫。
在huggingface.js 文件中瞭解有關 tiny-agents 的更多資訊。
huggingface_hub (Python)
huggingface_hub 庫是在 Python 中執行 MCP 驅動智慧體最簡單的方法。它包括一個高階 tiny-agents CLI 以及透過 Agent 和 MCPClient 類進行程式設計訪問——所有這些都旨在與 Hugging Face Inference Providers、本地 LLM 或任何與 OpenAI API 規範相容的推理端點一起使用。
快速入門
安裝支援 MCP 的最新版本
pip install "huggingface_hub[mcp]>=0.32.2"然後，您可以執行您的智慧體
> tiny-agents run --help
Usage: tiny-agents run [OPTIONS] [PATH] COMMAND [ARGS]...
Run the Agent in the CLI
╭─ Arguments ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╮
│ path [PATH] Path to a local folder containing an agent.json file or a built-in agent stored in the 'tiny-agents/tiny-agents' Hugging Face dataset │
│ (https://huggingface.co/datasets/tiny-agents/tiny-agents) │
╰───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╯
╭─ Options ─────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╮
│ --help Show this message and exit. │
╰───────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╯
CLI 會拉取配置，連線到其 MCP 伺服器，列印可用工具，然後等待您的提示。
高階用法
為了進行更精細的控制，直接使用 MCPClient。這個低階介面擴充套件了 AsyncInferenceClient，允許 LLM 透過模型上下文協議 (MCP) 呼叫工具。它支援本地 (stdio) 和遠端 (http/sse) MCP 伺服器，處理工具註冊和執行，並將結果即時流回模型。
在 huggingface_hub MCP 文件中瞭解更多資訊：huggingface_hub MCP 文件。
自定義智慧體
要建立您自己的智慧體，只需建立一個資料夾（例如，my-agent/），並在 agent.json 檔案中定義您的智慧體的配置。以下示例展示了一個網路瀏覽智慧體，該智慧體配置為透過 Nebius 推理提供商使用 Qwen/Qwen2.5-72B-Instruct 模型，並且它配備了一個 playwright MCP 伺服器，使其可以使用網路瀏覽器。
{
"model": "Qwen/Qwen2.5-72B-Instruct",
"provider": "nebius",
"servers": [
{
"type": "stdio",
"command": "npx",
"args": ["@playwright/mcp@latest"]
}
]
}要使用本地 LLM（例如 llama.cpp 或 LM Studio），只需提供一個 endpointUrl。
{
"model": "Qwen/Qwen3-32B",
"endpointUrl": "https://:1234/v1",
"servers": [
{
"type": "stdio",
"command": "npx",
"args": ["@playwright/mcp@latest"]
}
]
}
（可選）新增 PROMPT.md 以自定義系統提示。
不要猶豫，透過在tiny-agents Hugging Face 資料集中開啟拉取請求，將您的智慧體貢獻給社群。
Gradio MCP 伺服器/工具
您只需幾行 Python 程式碼即可使用 Gradio 構建 MCP 伺服器。如果您有一個現有的 Gradio 應用或 Space，想要用作 MCP 伺服器/工具，只需更改一行程式碼。
要使 Gradio 應用程式成為 MCP 伺服器，只需在啟動您的演示時傳入 mcp_server=True，如下所示。
# pip install gradio
import gradio as gr
def generate_image(prompt: str):
"""
Generate an image based on a text prompt
Args:
prompt: a text string describing the image to generate
"""
pass
demo = gr.Interface(
fn=generate_image,
inputs="text",
outputs="image",
title="Image Generator"
)
demo.launch(mcp_server=True)MCP 伺服器將在您的應用程式所在的 http://your-space-id.hf.space/gradio_api/mcp/sse 地址可用。它將為您的 Gradio 應用程式中的每個函式提供一個對應的工具，工具描述將自動從函式的文件字串生成。
最後，將其新增到您選擇的 MCP 客戶端（例如 Cursor）的設定中。
{
"mcpServers": {
"gradio": {
"url": "http://your-server:port/gradio_api/mcp/sse"
}
}
}這非常強大，因為它允許 LLM 將任何 Gradio 應用程式用作工具。您可以在Spaces上找到數千個這樣的應用程式。在此處瞭解更多資訊。
< > 在 GitHub 上更新