Em estic emocionat d anunciar el llançament de Strands Agents, un SDK de codi obert que simplifica la creació i execució d’agents d’IA amb un enfocament basat en models, utilitzant només unes poques línies de codi. Strands suporta una àmplia gamma d’usos, des d’agents senzills fins a agents complexos, i escala des del desenvolupament local fins a la implementació en producció. Ja està en funcionament en equips d’AWS com Amazon Q Developer, AWS Glue i VPC Reachability Analyzer. Ara, tu també pots utilitzar Strands per crear els teus propis agents d’IA fàcilment. A diferència de marcs que requereixen definir fluxos de treball complexos, Strands aprofita les capacitats avançades dels models — com la planificació, enllaçar pensaments, invocació d’eines i autorreflexió — permetent als desenvolupadors definir només un prompt i una llista d’eines per crear un agent. Strands, com dues cadenes de DNA, connecta el model i les eines; el model planifica els següents passos i executa les eines amb un raonament avançat. Admet una personalització extensa, incloent la selecció d’eines, la gestió del context, l’estat de la sessió, la memòria i aplicacions multi-agents. Strands funciona amb models d’Amazon Bedrock, Anthropic, Ollama, Meta i altres via LiteLLM, i pot executar-se en qualsevol lloc. El projecte és una comunitat oberta amb contribucions d’Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily i més. Alguns exemples inclouen el suport a l’API d’Anthropic i la integració de l’API de Meta’s Llama. Uneix-te a nosaltres a GitHub per començar! ### El nostre viatge amb els agents Treballant a Amazon Q Developer, un assistent d’IA generativa per al desenvolupament de programari, el meu equip va començar a construir agents d’IA a principis de 2023 seguint el document ReAct (Razonament i Ação), que demostrava que els grans models de llenguatge (LLMs) podien raonar i prendre accions, com fer crides a API generant entrades. Tot i que inicialment els LLMs no es van entrenar per actuar com a agents sinó per a converses en llenguatge natural, vam crear marcs complexos amb instruccions en prompts, anàlisis de respostes i lógica d’orquestració—moltes vegades passant mesos ajustant els agents per a producció. A mesura que els LLMs milloraven notablement en raonament i ús d’eines, aquests marcs complexos es convertien en coll d’ampolla que limitaven la rapidesa de iteració i l’agilitat. Per reconèixer aquest canvi, vam crear Strands Agents per eliminar la complexitat d’orquestració i aprofitar el raonament i l’ús d’eines natius dels models moderns. Aquest enfocament va reduir el temps de desenvolupament de mesos a dies o setmanes, accelerant significativament la preparació per a producció i millorant l’experiència de l’usuari. ### Conceptes fonamentals de Strands Agents Un agent es compon de tres components: (1) un model, (2) eines i (3) un prompt. Els agents utilitzen d’una manera autònoma aquests components per completar tasques com respondre preguntes, programar, planificar o optimitzar portafolis.

L’enfocament basat en models permet que el model diriges als seus propis passos i l’ús d’eines per aconseguir l’objectiu. - **Model:** Strands suporta models flexibles, incloent models d’Amazon Bedrock amb ús d’eines i streaming, models d’Anthropic Claude via API, models de Llama via Llama API, Ollama per a desenvolupament local, OpenAI amb LiteLLM i models personalitzats. - **Eines:** Hi ha desenes de milers d’eines MCP (Model Context Protocol) disponibles, a més de més de 20 eines predefinides com manipulació de fitxers, cridades API i interacció amb AWS API. Funcions Python poden empaketar-se fàcilment com a eines amb el decorador @tool. - **Prompt:** Els desenvolupadors proporcionen un prompt en llenguatge natural que defineix la tasca i un prompt de sistema per a instruccions sobre el comportament de l’agent. L’agent executa un “cicle agentic” d’interacció amb el model i les eines fins a completar la tasca. En cada cicle, l’LLM rep el prompt, el context i les descripcions d’eines, decidint si respon directament, planifica, reflexiona o invoca eines. Strands executa les eines seleccionades i retorna els resultats a l’LLM, culminant amb la sortida final. Les eines permeten personalització i complexitat: poden recuperar documents de bases de coneixement, fer crides API, executar codi Python o oferir instruccions estàtiques. Alguns exemples d’eines són: - **Retrieve Tool:** Realitza cerques semàntiques a les Bases de Coneixement d’Amazon Bedrock, recuperant documents o eines rellevants. Per exemple, un agent intern d’AWS selecciona de més de 6. 000 eines mitjançant la recuperació d’un subconjunt rellevant per presentar a l’model. - **Thinking Tool:** Permet processament analític profund en múltiples cicles i autorreflexió. - **Eines multi-agents:** Eines d’orquestració de flux de treball, gràfics i colònies que suporten la col·laboració de múltiples agents per a tasques complexes. Properament, suport per al protocol Agent2Agent (A2A). ### Com començar amb Strands Agents Aquí tens un exemple senzill d’un assistent d’IA per a nomenament, creat amb Strands amb un model d’Amazon Bedrock, un servidor MCP per a validació de domini i una eina predefinida de GitHub per verificar la disponibilitat de noms d’organització: ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters PROMPT_SISTEMA_NOMENATGE = """ Ets un assistent que ajuda a batejar projectes de codi obert. Proposa noms de domini i organitzacions a GitHub disponibles després de verificar-ne la disponibilitat. """ eines_dominio = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"]) )) eines_github = [http_request] with eines_dominio: tools = eines_dominio. list_tools_sync() + eines_github agent_nomenclador = Agent(system_prompt=PROMPT_SISTEMA_NOMENATGE, tools=tools) agent_nomenclador("Necessito batejar un projecte de codi obert per construir agents d’IA. ") ``` Per executar-ho, configura el teu token de GitHub com a `GITHUB_TOKEN`, accedeix a l’model Claude 3. 7 Sonnet d’Anthropic a us-west-2, i configura les credencials d’AWS. Instal·la amb: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Rebràs suggeriments de noms de projecte amb verificacions de disponibilitat. Els servidors MCP de Strands s’integren bé amb eines de desenvolupament assistides per IA com Q Developer CLI. Per exemple, afegeix el següent a la configuració MCP: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Implementar els Agents de Strands en Producció Strands està dissenyat pensant en l’ús en producció, oferint arquitectures flexibles. Pots executar els agents localment, darrere d’APIs (com AWS Lambda, Fargate o EC2), o com a sistemes distribuïts separat l’enllaç agentic i els entorns d’execució d’eines. Per exemple, les eines poden executar-se en Lambda mentre l’agent fa servir contenidors; o els clients poden manegar les eines localment comunicant-se amb un agent de backend. Strands també suporta observabilitat i monitorització amb OpenTelemetry (OTEL), permetent traçabilitat detallada, mètriques i telemetria per a les sessions d’agent a través de sistemes distribuïts. ### Uneix-te a la comunitat d’Strands Agents Strands Agents és codi obert sota la Llicència Apache 2. 0. T’invitem a contribuir per afegir suport a models i eines, desenvolupar noves funcions o millorar la documentació. Si trobes errors o tens idees, uneix-te a nosaltres a GitHub i ajuda a construir el futur dels agents d’IA amb Strands!