Tool Calling Agent 是 smolagents 提供的第二种类型的 Agent。与使用 Python 代码片段的 Code Agent 不同，Tool Calling Agent 使用 LLM 提供商内置的工具调用功能，以 JSON 结构的形式生成工具调用。这是 OpenAI、Anthropic 和许多其它提供商采用的标准方法。

下面看一个示例。当 Alfred 想要搜索餐饮服务和派对创意时，Code Agent 将生成且运行类似下面的 Python 代码：

for query in [
    "Best catering services in Gotham City", 
    "Party theme ideas for superheroes"
]:
    print(web_search(f"Search for: {query}"))

ToolCallingAgent 将创建如下 JSON 结构：

[
    {"name": "web_search", "arguments": "Best catering services in Gotham City"},
    {"name": "web_search", "arguments": "Party theme ideas for superheroes"}
]

然后使用该 JSON 块执行工具调用。

虽然 smolagents 主要关注 Code Agent，因为其整体表现更好，但是对于不需要变量处理或复杂工具调用的简单系统而言，Tool Calling Agent 也可以有效地发挥作用。

1. Tool Calling Agent 的工作方式

Tool Calling Agent 遵循与 Code Agent 相同的多步骤工作流。
关键区别在于
它们如何构建其行动：Tool Calling Agent 不生成可执行代码，而是生成指定工具名称和参数的 JSON 对象。系统随后解析这些指令，执行相应的工具。

2. 运行 Tool Calling Agent

下面回顾之前 Alfred 开始准备派对的示例，但这次将使用 ToolCallingAgent 突出显示两种 Agent 的不同之处。我们将构建能够使用 DuckDuckGo 进行网络搜索的 Agent。唯一的区别在于 Agent 类型 - 框架将处理其它所有事情：

from smolagents import ToolCallingAgent, DuckDuckGoSearchTool, HfApiModel

agent = ToolCallingAgent(tools=[DuckDuckGoSearchTool()], model=HfApiModel())

agent.run("Search for the best music recommendations for a party at the Wayne's mansion.")

检查 Agent 的跟踪记录时，将看到类似下面的内容，而非 Executing parsed code:：

╭─────────────────────────────────────────────────────────────────────────────────────────────────────────────────╮
│ Calling tool: 'web_search' with arguments: {'query': "best music recommendations for a party at Wayne's         │
│ mansion"}                                                                                                       │
╰─────────────────────────────────────────────────────────────────────────────────────────────────────────────────╯

Agent 生成结构化的工具调用，系统通过处理它，产生输出，而不是像 Code Agent 那样直接执行代码。