با شوق اعلام می‌کنم معرفی Strands Agents، یک SDK متن‌باز که فرآیند ساخت و اجرای عوامل هوشمند مصنوعی را با رویکرد مبتنی بر مدل و تنها با چند خط کد ساده می‌کند. Strands از طیف گسترده‌ای از موارد استفاده پشتیبانی می‌کند؛ از عوامل ساده تا عوامل پیچیده و از توسعه محلی تا استقرار در تولید. این سیستم در حال حاضر در تیم‌های AWS مانند Amazon Q Developer، AWS Glue و VPC Reachability Analyzer در محیط‌های تولیدی به کار می‌رود. حالا، شما می‌توانید به راحتی با استفاده از Strands، عوامل هوشمند خود را ایجاد کنید. بر خلاف فریم‌ورک‌هایی که نیازمند تعریف فرآیندهای پیچیده هستند، Strands از قابلیت‌های پیشرفته مدل‌های مدرن بهره می‌برد—مانند برنامه‌ریزی، زنجیره‌سازی افکار، فراخوانی ابزار و بازتاب—که به توسعه‌دهندگان امکان می‌دهد تنها یک درخواست (prompt) و فهرستی از ابزارها را تعریف کنند تا یک عامل بسازند. مانند دو رشته DNA، Strands مدل و ابزارها را به هم وصل می‌کند؛ مدل گام‌های بعدی را برنامه‌ریزی می‌کند و ابزارها را با استدلال پیشرفته اجرا می‌نماید. این سیستم از شخصی‌سازی گسترده از جمله انتخاب ابزارها، مدیریت زمینه، وضعیت جلسه، حافظه و برنامه‌های چندعاملی پشتیبانی می‌کند. Strands با مدل‌های مختلفی از Amazon Bedrock، Anthropic، Ollama، Meta و دیگران از طریق LiteLLM کار می‌کند و در هر جایی قابل اجرا است. این پروژه یک جامعه متن‌باز است که مشارکت‌هایی از Accenture، Anthropic، Langfuse، mem0. ai، Meta، PwC، Ragas. io، Tavily و دیگران دارد. نمونه‌هایی از آن شامل پشتیبانی API Anthropic و ادغام API Llama Meta است. برای شروع به جمع ما در GitHub بپیوندید! ### سفر عامل‌های ما در زمانی که تیم من در حال کار بر روی Amazon Q Developer بود، یک دستیار هوشمند مولد برای توسعه نرم‌افزار، در اوایل 2023، بر اساس مقاله ReAct (Reasoning and Acting)، شروع به ساخت عوامل هوشمند کردیم؛ مقاله‌ای که نشان داد مدل‌های زبانی بزرگ (LLMs) قادرند استدلال کنند و اقدامات انجام دهند، مثلاً با تولید ورودی، تماس‌های API بگیرند. گرچه در ابتدا LLMها برای مکالمه زبان طبیعی آموزش دیده بودند نه به عنوان عوامل، ما فریم‌ورک‌های پیچیده‌ای شامل دستورالعمل‌های درخواست، تجزیه‌کننده‌های پاسخ و منطق هماهنگ‌سازی ساختیم—که اغلب ماه‌ها زمان می‌برد تا عوامل برای تولید قابل استفاده شوند. با پیشرفت‌های قابل توجه در استدلال و استفاده از ابزارهای LLM، این فریم‌ورک‌های پیچیده تبدیل به موانع سرعت تکرار و انعطاف‌پذیری شدند. با درک این تغییر، ما Strands Agents را ایجاد کردیم تا پیچیدگی‌های هماهنگ‌سازی را از بین ببریم و از استدلال و استفاده از ابزارهای غنی مدل‌های مدرن LLM بهره ببریم. این رویکرد، زمان توسعه را از ماه‌ها به روزها یا هفته‌ها کاهش داد و سرعت آمادگی برای تولید و تجربه کاربری را به طور قابل توجهی بهبود بخشید. ### مفاهیم اصلی Strands Agents یک عامل شامل سه جزء است: (1) مدل، (2) ابزارها و (3) درخواست (prompt). عوامل به صورت خودکار از این موارد برای انجام وظایفی مانند پاسخ به سوالات، برنامه‌نویسی، برنامه‌ریزی یا بهینه‌سازی پورتفولیوها استفاده می‌کنند.

رویکرد مبتنی بر مدل به مدل امکان می‌دهد تا گام‌های خود را به صورت پویا هدایت کند و نحوه استفاده از ابزارها را مدیریت نماید. - **مدل:** Strands از مدل‌های متنوعی پشتیبانی می‌کند؛ شامل مدل‌های Amazon Bedrock با قابلیت استفاده از ابزار و جریان داده، مدل‌های Anthropic Claude از طریق API، مدل‌های Llama از طریق Llama API، Ollama برای توسعه محلی، OpenAI از طریق LiteLLM، و مدل‌های شخصی‌سازی شده. - **ابزارها:** هزاران ابزار Protocol مخزن مدل (MCP) قابل دسترسی است، به علاوه بیش از ۲۰ ابزار آماده‌ساز مانند دستکاری فایل، تماس‌های API، و تعامل با AWS API. توابع Python را می‌توان به راحتی به عنوان ابزار با استفاده از دکوراتور @tool پیچید. - **درخواست (Prompt):** توسعه‌دهندگان یک درخواست طبیعی زبان که وظیفه مورد نظر را تعریف می‌کند و یک سیستم درخواست برای دستورالعمل‌های رفتار عامل فراهم می‌کنند. عامل یک «حلقه عاملی» را اجرا می‌کند که در آن با مدل و ابزارها تعامل دارد تا کار پایان یابد. در هر چرخه، LLM درخواست، زمینه و توضیحات ابزارها را دریافت می‌کند و تصمیم می‌گیرد که پاسخ دهد، برنامه‌ریزی کند، بازتاب کند یا ابزارها را فراخوانی کند. Strands ابزارهای انتخاب‌شده را اجرا می‌کند و نتایج را به LLM بازمی‌گرداند تا در نهایت خروجی نهایی را ارائه دهد. ابزارها امکان شخصی‌سازی و پیچیدگی را فراهم می‌کنند: آن‌ها می‌توانند اسناد را از پایگاه‌های دانش بازیابی کنند، تماس‌های API بگیرند، کد پایتون اجرا کنند یا دستورالعمل‌های استاتیک ارائه دهند. نمونه‌هایی از ابزارها عبارتند از: - **ابزار بازیابی:** جستجوی معنایی در پایگاه‌های دانش Amazon Bedrock انجام می‌دهد و اسناد یا ابزارهای مرتبط را بازیابی می‌کند. برای نمونه، یک عامل داخلی AWS از بین ۶۰۰۰ ابزار، با جستجو یک زیرمجموعه مرتبط را برای ارائه به مدل انتخاب می‌کند. - **ابزار تفکر:** امکان تحلیل‌های عمیق چندچرخه‌ای و خودبازبینی را فراهم می‌کند. - **ابزارهای چندعاملی:** ابزارهای جریان‌کاری، گراف و کلونی از هماهنگی چندین عامل برای انجام وظایف پیچیده پشتیبانی می‌کنند. پشتیبانی از پروتکل Agent2Agent (A2A) در راه است. ### شروع کار با Strands Agents در اینجا یک نمونه ساده از یک دستیار نام‌گذاری هوشمند ساخته شده با Strands آورده شده است؛ با استفاده از یک مدل Amazon Bedrock، یک سرور MCP برای اعتبارسنجی دامنه و یک ابزار آماده GitHub برای بررسی در دسترس بودن نام سازمان: ```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 = """ شما یک دستیار هستید که در نام‌گذاری پروژه‌های متن‌باز کمک می‌کند. نام‌های دامنه و سازمان‌های GitHub را پس از بررسی در دسترس بودن، ارائه دهید. """ 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("من نیاز به نام‌گذاری یک پروژه متن‌باز برای ساخت عوامل هوشمند دارم. ") ``` برای اجرای آن، توکن GitHub خود را به عنوان `GITHUB_TOKEN` تنظیم کنید، دسترسی به مدل Anthropic Claude 3. 7 Sonnet در منطقه us-west-2 را داشته باشید و اعتبارنامه‌های AWS خود را پیکربندی کنید. نصب با: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` شما پیشنهادهای نام پروژه را با بررسی‌های در دسترس بودن دریافت خواهید کرد. سرورهای MCP از Strands به خوبی با ابزارهای توسعه مبتنی بر هوش مصنوعی مانند Q Developer CLI یکپارچه می‌شوند. مثلا، قسمت زیر را به پیکربندی MCP خود اضافه کنید: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### استقرار عوامل Strands در محیط تولید Strands برای استفاده در تولید طراحی شده است و معماری‌های استقرار انعطاف‌پذیری را ارائه می‌دهد. می‌توانید عوامل را به صورت محلی اجرا کنید، پشت APIها (با استفاده از AWS Lambda، Fargate یا EC2)، یا به عنوان سیستم‌های توزیع‌شده که حلقه عاملی و محیط اجرای ابزارها را جدا می‌کنند. مثلاً، ابزارها ممکن است در Lambda اجرا شوند در حالی که عامل در کانتینرها باشد؛ یا کاربران محلی ابزارها را مدیریت کنند و با عامل بک‌اند ارتباط برقرار نمایند. همچنین، Strands امکان مشاهده‌پذیری و نظارت از طریق OpenTelemetry (OTEL) را فراهم می‌کند که پیگیری دقیق، شاخص‌ها و تله‌متری را برای جلسات عامل در سیستم‌های توزیع‌شده ممکن می‌سازد. ### عضویت در جامعه Strands Agents Strands Agents متن‌باز است و تحت مجوز Apache 2. 0 در دسترس است. ما دعوت می‌کنیم که مشارکت کنید، پشتیبانی مدل و ابزار را گسترش دهید، ویژگی‌های جدید توسعه دهید یا مستندات را بهبود بخشید. اگر اشکالی یافتید یا ایده‌ای دارید، در GitHub با ما همراه شوید و در ساخت آینده عوامل هوشمند با Strands مشارکت کنید!