С нетърпение обявявам пускането на Strands Agents — отворен SDK с източник на код, който опростява изграждането и управлението на AI агенти с моделно-ориентиран подход, използвайки само няколко реда код. Strands поддържа широк спектър от случаи — от прости до сложни агенти — и се мащабира от локална разработка до продукционно внедряване. Вече е в употреба при екипи на AWS като Amazon Q Developer, AWS Glue и VPC Reachability Analyzer. Сега можете лесно да създавате свои AI агенти с помощта на Strands. За разлика от рамки, които изискват дефиниране на сложни работни потоци, Strands използва съвременните възможности на моделите — като планиране, свързване на мисли, извикване на инструменти и рефлексия — което позволява на разработчиците да дефинират само подсказка и списък с инструменти, за да създадат агент. Strands, подобно на две нишки на ДНК, свързва модела и инструментите; моделът планира следващите стъпки и изпълнява инструменти с напреднало разсъждение. Поддържа широка персонализация — избор на инструменти, управление на контекст, състояние на сесията, памет и многоагентски приложения. Strands работи с модели от Amazon Bedrock, Anthropic, Ollama, Meta и други чрез LiteLLM, като може да се използва навсякъде. Проектът е общност с участие на Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily и други. Сред примерите са поддръжка за API на Anthropic и интеграция с API на Llama на Meta. Присъединете се към нас в GitHub, за да започнете! ### Нашият път за развитие на агентите Работих в екипа за Amazon Q Developer — генеративен AI асистент за разработка на софтуер — и през началото на 2023 г. започнахме да изграждаме AI агенти, следвайки статията ReAct (Reasoning and Acting), която показваше, че големите езикови модели (LLMs) могат да мислят и да предприемат действия, като например извикване на API, генерирайки входни данни. Въпреки че първоначално LLMs не бяха обучени да действат като агенти, а за естествена конверсация, ние създадохме сложни рамки с инструкции за подсказки, парсъри за отговори и логика за оркестрация — често месеци наред настройвахме агентите за продукция. Когато възможностите на LLM стана значително по-добри в разсъждението и използването на инструменти, тези комплексни рамки станаха тесният им край — фактор, който забавяше итерациите и гъвкавостта. Разпознавайки тази промяна, създадохме Strands Agents, за да премахнем сложността на оркестрацията и да използваме вродения потенциал на съвременните LLMs за разсъждение и използване на инструменти. Това съкрати времето за развитие от месеци до дни или седмици, значително ускори готовността за продукция и подобри потребителското преживяване. ### Основни концепции на Strands Agents Агентът се състои от три компонента: (1) модел, (2) инструменти и (3) подсказка. Агентите работят автономно, използвайки тези компоненти, за да изпълняват задачи като отговор на въпроси, кодиране, планиране или оптимизация на портфейли.

Моделно-ориентираният подход позволява на модела да управлява динамично стъпките си и използването на инструменти, за да постигне целта. - **Модел:** Strands поддържа гъвкави модели, включително модели от Amazon Bedrock с възможност за използване на инструменти и стрийминг, модели от Anthropic (Claude), Llama чрез Llama API, Ollama за локална разработка, OpenAI чрез LiteLLM и персонализирани модели. - **Инструменти:** Налични са хиляди инструменти от Model Context Protocol (MCP) сървъри, както и над 20 готови инструмента като манипулация на файлове, API заявки и взаимодействие с AWS API. Python функции могат лесно да бъдат обвити като инструменти с помощта на декоратора @tool. - **Подсказка:** Разработчиците предоставят естественоезична подсказка за дефиниране на задачата и системна подсказка с инструкции за поведението на агента. Агентът изпълнява „агентска цикличност“ на взаимодействие с модела и инструментите, докато не приключи. Във всеки цикъл LLM получава подсказката, контекста и описания на инструментите, и решава дали да реагира директно, да планира, да рефлектира или да извика някои инструменти. Strands изпълнява избраните инструменти и връща резултатите към LLM, водейки до крайната изходна стойност. Инструментите позволяват персонализация и сложност: те могат да извличат документи от бази данни, да правят API заявки, да изпълняват Python код или да предоставят статични инструкции. Примери за инструменти: - **Retrieve Tool:** прави семантично търсене в знания бази на Amazon Bedrock, извличайки релевантни документи или инструменти. Например, вътрешен агент на AWS избира от над 6000 инструмента, като извлича релевантна подмножество за показване на модела. - **Thinking Tool:** позволява многократен анализ и саморефлексия. - **Multi-agent Tools:** работни потоци, графи и ройови инструменти, които подкрепят съвместната работа на множество агенти за сложни задачи. Поддръжката за протокола Agent2Agent (A2A) е в процес на разработка. ### Започнете с Strands Agents Ето един прост пример за AI асистент за именуване, създаден с Strands, използвайки модел от Amazon Bedrock, MCP сървър за валидация на домейни и предварително изградена GitHub интеграция за проверка на наличността на имена: ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters NAMING_SYSTEM_PROMPT = """ Ти си асистент, който помага при наименуването на open source проекти. Предоставяй налични домейни и организации в GitHub след проверка за тяхната наличност. """ domain_name_tools = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"]) )) github_tools = [http_request] with domain_name_tools: tools = domain_name_tools. list_tools_sync() + github_tools naming_agent = Agent(system_prompt=NAMING_SYSTEM_PROMPT, tools=tools) naming_agent("Трябва да намеря име за проект за изграждане на AI агенти. ") ``` За изпълнение задайте вашия GitHub токен като `GITHUB_TOKEN`, осигурете достъп до модел Anthropic Claude 3. 7 Sonnet в us-west-2 и конфигурирайте AWS креденциали. Инсталирайте с: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Ще получите предложения за имена на проекти с проверки за наличност. Интеграцията на Strands MCP сървъри работи добре с инструменти за AI-assisted разработка като Q Developer CLI. Например, добавете към конфигурацията си: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Разгръщане на Strands агенти в продукционна среда Strands е създаден с мисъл за продукционна употреба, предлага гъвкави архитектури за разгръщане. Можете да изпълнявате агентите локално, зад API (чрез AWS Lambda, Fargate или EC2), или като разпределени системи, разделящи цикъла на агента и средата за изпълнение на инструментите. Например, инструментите могат да работят в Lambda, докато агентът — в контейнери; или клиентите — локално — да управляват инструменти, комуникирайки с бекенд агент. Strands поддържа и наблюдение чрез OpenTelemetry (OTEL), което позволява подробно проследяване, метрики и телеметрия за сесиите на агентите при разпределени системи. ### Присъединете се към общността на Strands Agents Strands Agents е с отворен код под лиценз Apache 2. 0. Каним ви да участвате с идеи за поддръжка на модели и инструменти, разработка на нови функции или подобряване на документацията. Ако намерите грешки или имате идеи, присъединете се към нас в GitHub и заедно ще изградим бъдещето на AI агентите с Strands!