Jeg er glad for at kunne annoncere udgivelsen af Strands Agents, en open-source SDK der forenkler opbygning og drift af AI-agenter med en modeldrevet tilgang ved hjælp af kun få linjer kode. Strands understøtter et bredt udvalg af anvendelsestilfælde, fra simple til komplekse agenter, og skalerer fra lokal udvikling til produktionsudrulning. Det er allerede i drift hos AWS-teams som Amazon Q Developer, AWS Glue og VPC Reachability Analyzer. Nu kan du nemt bruge Strands til at skabe dine egne AI-agenter. I modsætning til frameworks, der kræver defini­tion af komplekse workflows, udnytter Strands state-of-the-art modelkapaciteter — såsom planlægning, kædning af tanker, værktøjsinvocation og refleksion — hvilket gør det muligt for udviklere blot at definere en prompt og en liste af værktøjer for at skabe en agent. Ligesom to DNA-strenge forbinder Strands modellen og værktøjerne; modellen planlægger næste trin og kører værktøjer med avanceret ræsonnering. Det understøtter omfattende tilpasning, herunder værktøjsvalg, kontekststyring, sessionsstatus, hukommelse og multi-agent applikationer. Strands fungerer med modeller fra Amazon Bedrock, Anthropic, Ollama, Meta og andre via LiteLLM, og kan køre overalt. Projektet er en åben community med bidrag fra Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily og flere. Eksempler inkluderer Anthropic’s API-støtte og Metas Llama API-integration. Følg med på GitHub for at komme i gang! ### Vores Agent Rejse Mens jeg arbejdede på Amazon Q Developer, en generativ AI-assistent til softwareudvikling, begyndte mit team tidligt 2023 at bygge AI-agenter efter ReAct-papiret (Reasoning and Acting), som viste, at store sprogmodeller (LLMs) kan ræsonnere og tage handlinger, fx lave API-kald ved at generere input. Selvom LLMs oprindeligt ikke var trænet til at agere som agenter men til naturlig sprog-samtale, byggede vi komplekse frameworks med prompt-vejledninger, respons-parsere og orkestreringslogik — ofte måneder med finjusteringer for produktion. Efterhånden som LLMs forbedredes markant i ræsonneringsevne og værktøjsgreb, blev disse komplekse frameworks en flaskehals, der begrænsede iterationshastigheden og agiliteten. For at imødegå denne udvikling skabte vi Strands Agents for at fjerne orkestreringskompleksiteten og udnytte den indbyggede ræsonnering og værktøjsgreb i moderne LLMs. Denne tilgang reducerede udviklingstiden fra måneder til dage eller uger, hvilket betydeligt fremskyndede produktion og forbedrede brugeroplevelsen. ### Kernetanker bag Strands Agents Et agent består af tre dele: (1) en model, (2) værktøjer og (3) en prompt. Agenter opererer selvstændigt ved at bruge disse til at løse opgaver som at besvare spørgsmål, kode, planlægge eller optimere porteføljer. Den modeldrevne tilgang gør det muligt for modellen dynamisk at styre sine trin og værktøjsbrug for at nå målet. - **Model:** Strands understøtter fleksible modeller bl. a.

Amazon Bedrock modeller med værktøjsbrug og streaming, Anthropic Claude modeller via API, Llama modeller via Llama API, Ollama til lokal udvikling, OpenAI gennem LiteLLM samt brugerdefinerede modeller. - **Værktøjer:** Der findes tusindvis af Model Context Protocol (MCP) server-værktøjer samt over 20 færdigudviklede værktøjer, fx til filhåndtering, API-kald og AWS API-integration. Python-funktioner kan nemt omsættes til værktøjer med @tool-dekorationen. - **Prompt:** Udviklere giver en naturligt sprog-baseret prompt, der definerer opgaven, samt en systemprompt med instruktioner om agentens adfærd. Agenten kører en “agentisk løkke”, hvor den interpeterer med modellen og værktøjerne indtil opgaven er fuldført. I hver løkke modtager LLM prompten, kontekst og værktøjsbeskrivelser, og beslutter, om den skal svare direkte, planlægge, reflektere eller kalde værktøjer. Strands udfører de valgte værktøjer og returnerer resultater til LLM, hvilket til sidst giver det endelige output. Værktøjer gør tilpasning og kompleksitet mulig: de kan hente dokumenter fra vidensdatabaser, foretage API-kald, køre Python-kode eller give statiske instruktioner. Eksempler på værktøjer inkluderer: - **Hent-værktøj:** Udfører semantisk søgning i Amazon Bedrock Knowledge Bases, hvor relevante dokumenter eller værktøjer hentes. For eksempel vælger en AWS-internal agent ud af over 6. 000 værktøjer ved at hente en relevant delmængde til modellen. - **Tanker-værktøj:** Understøtter multi-cyklus dybdegående analyse og selvrefleksion. - **Multi-agent værktøjer:** Workflow-, graf- og swarmløsninger, der understøtter samarbejde mellem flere agenter for komplekse opgaver. Support for Agent2Agent (A2A) protocol kommer snart. ### Kom i gang med Strands Agents Her er et simpelt eksempel på en navngivnings-AI-assistent bygget med Strands, ved brug af en Amazon Bedrock model, en MCP-server til domænevalidering, og et færdigt GitHub-værktøj til at tjekke organisationsnavnes tilgængelighed: ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters NAVNE_SYSTEM_PROMPT = """ Du er en assister, der hjælper med at navngive open source projekter. Giv tilgængelige domænenavne og GitHub-organisationer efter at have valideret deres tilgængelighed. """ domanavn_værktøjer = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"]) )) github_værktøjer = [http_request] with domanavn_værktøjer: tools = domanavn_værktøjer. list_tools_sync() + github_værktøjer navneAgent = Agent(system_prompt=NAVNE_SYSTEM_PROMPT, tools=tools) navneAgent("Jeg har brug for et navn til et open source projekt til at bygge AI-agenter. ") ``` For at køre dette, skal du sætte din GitHub token som `GITHUB_TOKEN`, have adgang til Anthropic Claude 3. 7 Sonnet-modellen i us-west-2, og konfigurere dine AWS-legitimationsoplysninger. Installer med: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Du vil modtage navneforslag til projekter med tilgængelighedskontrol. Strands MCP-servere integreres godt med AI-assisterede udviklingsværktøjer som Q Developer CLI. For eksempel kan du tilføje følgende til din MCP-konfiguration: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Udrulning af Strands Agents i produktion Strands er designet til produktion, og tilbyder fleksible udrulningsarkitekturer. Du kan køre agenter lokalt, bag API’er (fx ved brug af AWS Lambda, Fargate eller EC2), eller som distribuerede systemer, hvor agentens løkke og værktøjsmiljø er adskilt. Eksempelvis kan værktøjer køre i Lambda, mens agenten kører i containere; eller klienter håndtere værktøjer lokalt, mens de kommunikerer med en backend agent. Strands understøtter også overvågning og telemetri via OpenTelemetry (OTEL), hvilket muliggør detaljeret sporing, metrics og overvågning af agent-sessioner i distribuerede systemer. ### Bliv en del af Strands Agents community Strands Agents er open source under Apache License 2. 0. Vi inviterer til bidrag med nye modeller, værktøjer, funktioner eller til forbedring af dokumentationen. Hvis du opdager fejl eller har idéer, så deltag på GitHub og vær med til at forme fremtiden for AI-agenter med Strands!