Ich freue mich, die Veröffentlichung von Strands Agents bekannt zu geben, einem Open-Source-SDK, das die Entwicklung und den Betrieb von KI-Agenten mit einem modellgesteuerten Ansatz vereinfacht – mit nur wenigen Codezeilen. Strands unterstützt eine breite Palette an Anwendungsfällen, von einfachen bis hin zu komplexen Agenten, und skaliert vom lokalen Entwicklungsumfeld bis hin zur Produktion. Es befindet sich bereits in der Produktion bei AWS-Teams wie Amazon Q Developer, AWS Glue und VPC Reachability Analyzer. Jetzt können Sie mit Strands ganz einfach Ihre eigenen KI-Agenten erstellen. Im Gegensatz zu Frameworks, die komplexe Workflow-Definitionen erfordern, nutzt Strands modernste Modellfähigkeit – z. B. Planung, Gedankenverknüpfung, Tool-Aufruf und Reflexion –, wodurch Entwickler nur eine Eingabeaufforderung (Prompt) und eine Tool-Liste benötigen, um einen Agenten zu erstellen. Strands, wie zwei DNA-Stränge, verbindet das Modell und die Tools; das Modell plant die nächsten Schritte und führt Tools mit fortschrittlichem Denken aus. Es unterstützt umfassende Anpassungen, inklusive Tool-Auswahl, Kontextverwaltung, Sitzungszustand, Speicher und Multi-Agenten-Anwendungen. Strands funktioniert mit Modellen von Amazon Bedrock, Anthropic, Ollama, Meta und anderen über LiteLLM und kann überall eingesetzt werden. Das Projekt ist eine offene Gemeinschaft mit Beiträgen von Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily und weiteren. Beispiele umfassen die API-Unterstützung von Anthropic und die Meta Llama API-Integration. Werden Sie Teil der Community auf GitHub und starten Sie noch heute! ### Unser Weg mit Agenten Während meiner Arbeit bei Amazon Q Developer, einem generativen KI-Assistenten für Softwareentwicklung, begann mein Team Anfang 2023 mit dem Aufbau von KI-Agenten nach dem ReAct-Ansatz (Reasoning and Acting). Dieser zeigte, dass große Sprachmodelle (LLMs) reasoningfähig sind und Aktionen ausführen können, etwa API-Aufrufe durch Generierung von Eingaben. Obwohl LLMs anfangs nicht primär dazu trainiert wurden, als Agenten zu agieren, sondern für natürliche Sprachkonversationen, entwickelten wir komplexe Frameworks mit Aufforderungen, Antwortparsern und Orchestrierungslogik – oft über Monate, um Agenten für die Produktion zu optimieren. Mit den dramatischen Verbesserungen bei Reasoning und Tool-Nutzung durch LLMs wurde jedoch unser komplexes Framework zu einem Engpass, der die Flexibilität und Geschwindigkeit der Iteration einschränkte. Daher entwickelten wir Strands Agents, um die Orchestrierung zu vereinfachen und das native Reasoning sowie die Tool-Nutzung moderner LLMs zu nutzen. Dieser Ansatz verkürzte die Entwicklungszeit von Monaten auf Tage oder Wochen und beschleunigte die Marktreife erheblich – mit verbesserten Nutzererfahrungen. ### Kernkonzepte von Strands Agents Ein Agent besteht aus drei Komponenten: (1) einem Modell, (2) Tools und (3) einer Eingabeaufforderung (Prompt). Diese Komponenten arbeiten autonom zusammen, um Aufgaben zu lösen, z. B. Fragen beantworten, programmieren, planen oder Portfolios optimieren.

Der modellgesteuerte Ansatz erlaubt es dem Modell, seine Schritte und Tool-Einsätze dynamisch zu steuern, um das Ziel zu erreichen. - **Modell:** Strands unterstützt flexible Modelle, darunter Amazon Bedrock-Modelle mit Tool-Nutzung und Streaming, Anthropic Claude-Modelle via API, Llama-Modelle über Llama API, Ollama für lokale Entwicklung, OpenAI über LiteLLM sowie eigene Modelle. - **Tools:** Über 1000 Tools im Model Context Protocol (MCP)-Server, inklusive 20+ vordefinierter Tools zum Dateimanagement, API-Aufrufen und AWS-Interaktion. Python-Funktionen können einfach als Tools eingebunden werden, z. B. mit dem @tool-Dekorator. - **Prompt:** Entwickler definieren eine natürliche Spracheingabe (Prompt) für die Aufgabe sowie eine Systempromptanweisung für das Verhalten des Agenten. Der Agent läuft in einem "agentic loop", in dem er mit Modell und Tools interagiert, bis er die Aufgabe abschließt. In jedem Zyklus erhält das LLM die Eingabe, den Kontext und Tool-Beschreibungen, entscheidet, ob direkt geantwortet, geplant, reflektiert oder Tools aufgerufen werden sollen. Strands führt die ausgewählten Tools aus, übernimmt die Ergebnisse und verarbeitet sie weiter, bis das endgültige Ergebnis erreicht ist. Tools ermöglichen vielfältige Anpassungen: Sie können Dokumente aus Wissensdatenbanken holen, API-Aufrufe tätigen, Python-Code ausführen oder statische Anweisungen liefern. Beispiele sind: - **Retrieve Tool:** Durchsucht semantisch Amazon Bedrock Knowledge Bases nach relevanten Dokumenten oder Tools. So wählt ein interner AWS-Agent z. B. aus über 6. 000 Tools eine relevante Teilmenge aus, um sie dem Modell vorzulegen. - **Thinking Tool:** Ermöglicht mehrzyklische tiefgehende Analyse und Selbstreflexion. - **Multi-Agent-Tools:** Unterstützen die kollaborative Steuerung mehrerer Agenten mittels Workflow-, Graph- oder Schwarm-Tools. Ein Support für das Agent2Agent (A2A)-Protokoll ist in Planung. ### Erste Schritte mit Strands Agents Hier ein einfaches Beispiel für einen Namensgenerator für Open-Source-Projekte, gebaut mit Strands, einem Amazon Bedrock Modell, einem MCP-Server zur Domainüberprüfung und einem vorgefertigten GitHub-Tool zur Verfügbarkeitsprüfung: ```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 = """ Du bist ein Assistent, der beim Benennen von Open-Source-Projekten hilft. Gib verfügbare Domainnamen und GitHub-Organisationsnamen aus, nachdem du deren Verfügbarkeit geprüft hast. """ 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("Ich brauche einen Namen für ein Open-Source-Projekt zur KI-Agenten-Entwicklung. ") ``` Zum Ausführen: Setzen Sie Ihren GitHub-Token als `GITHUB_TOKEN`, stellen Sie Zugriff auf das Anthropic Claude 3. 7 Sonnet Modell in us-west-2 sicher und konfigurieren Sie Ihre AWS-Zugangsdaten. Installieren Sie die Pakete: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Sie erhalten Projektvorschläge mit Verfügbarkeitsabfragen. Strands MCP-Server lassen sich gut mit KI-gestützten Entwicklungstools wie Q Developer CLI integrieren. Beispiel: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Einsatz von Strands Agents in der Produktion Strands ist für den Produktionseinsatz ausgelegt und bietet flexible Bereitstellungsarchitekturen. Sie können Agenten lokal laufen lassen, hinter APIs via AWS Lambda, Fargate oder EC2 betreiben oder als verteilte Systeme, bei denen die Agenten-Schleife vom Tool-Ausführungsumfeld getrennt läuft. So könnten Tools in Lambda ausgeführt werden, während der Agent in Containern läuft, oder Clients die Tools lokal nutzen und mit einem Backend-Agent kommunizieren. Darüber hinaus bietet Strands Unterstützung für Observability und Monitoring mittels OpenTelemetry (OTEL), wodurch detailliertes Tracing, Metriken und Telemetrie für Agentensitzungen in verteilten Systemen möglich sind. ### Treten Sie der Strands Agents Community bei Strands Agents ist unter der Apache License 2. 0 Open Source. Wir freuen uns über Beiträge zum Ausbau von Modell- und Tool-Unterstützung, zur Entwicklung neuer Funktionen oder zur Verbesserung der Dokumentation. Bei Fehlern oder Ideenvorschlägen kommen Sie zu uns auf GitHub und gestalten Sie gemeinsam die Zukunft der KI-Agenten mit Strands!