Je suis ravi d’annoncer la sortie de Strands Agents, un SDK open-source qui facilite la création et l’exécution d’agents IA avec une approche pilotée par des modèles, en seulement quelques lignes de code. Strands prend en charge un large éventail de cas d’utilisation, allant d’agents simples à des agents complexes, et s’adapte aussi bien à un développement local qu’à un déploiement en production. Il est déjà en production au sein des équipes AWS telles qu’Amazon Q Developer, AWS Glue et VPC Reachability Analyzer. Désormais, vous pouvez utiliser Strands pour créer facilement vos propres agents IA. Contrairement aux frameworks qui nécessitent la définition de workflows complexes, Strands exploite les capacités avancées des modèles modernes—comme la planification, la chaîne de pensées, l’invocation d’outils et la réflexion—permettant aux développeurs de définir simplement une invite et une liste d’outils pour créer un agent. Strands, à l’image de deux brins d’ADN, connecte le modèle et les outils ; le modèle planifie les prochaines étapes et exécute les outils en utilisant un raisonnement avancé. Il offre une personnalisation importante, notamment dans la sélection des outils, la gestion du contexte, l’état des sessions, la mémoire et les applications multi-agents. Strands fonctionne avec des modèles issus d’Amazon Bedrock, Anthropic, Ollama, Meta, et d’autres via LiteLLM, et peut fonctionner partout. Ce projet repose sur une communauté ouverte avec des contributions d’Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily, et bien d’autres. Parmi les exemples, on trouve le support de l’API d’Anthropic et l’intégration de l’API Llama de Meta. Rejoignez-nous sur GitHub pour commencer ! ### Notre Parcours avec les Agents En travaillant sur Amazon Q Developer, un assistant IA génératif pour le développement logiciel, mon équipe a commencé à construire des agents IA début 2023, en s’inspirant du papier ReAct (Reasoning and Acting), qui montrait que les grands modèles de langage (LLMs) pouvaient raisonner et agir, notamment en faisant des appels API en générant des entrées. Bien que les LLMs n’aient pas été initialement conçus pour agir en tant qu’agents mais plutôt pour la conversation en langage naturel, nous avons développé des frameworks complexes avec des instructions dans les prompts, des parsers de réponses et une orchestration logicielle—souvent pendant des mois, pour optimiser les agents en vue de la production. Avec l’amélioration spectaculaire des LLMs dans le raisonnement et l’utilisation d’outils, ces frameworks complexes sont devenus des goulots d’étranglement limitant la vitesse de itération et l’agilité. Conscients de cette évolution, nous avons créé Strands Agents pour supprimer cette complexité d’orchestration et exploiter le raisonnement et l’utilisation d’outils natifs des modèles modernes. Cette approche a réduit le temps de développement de plusieurs mois à quelques jours ou semaines, accélérant considérablement la mise en production et améliorant l’expérience utilisateur. ### Concepts Clés de Strands Agents Un agent se compose de trois éléments : (1) un modèle, (2) des outils, et (3) une invite (prompt). Les agents utilisent ces composants de manière autonome pour réaliser des tâches comme répondre à des questions, coder, planifier ou optimiser des portefeuilles.

L’approche pilotée par le modèle permet à ce dernier de diriger dynamiquement ses étapes et l’utilisation des outils pour atteindre l’objectif. - **Modèle :** Strands supporte divers modèles, notamment ceux d’Amazon Bedrock avec utilisation d’outils et flux en streaming, Anthropic Claude via API, Llama via API Llama, Ollama pour le développement local, OpenAI via LiteLLM, ainsi que des modèles personnalisés. - **Outils :** Plus de 1000 outils du protocole Model Context Protocol (MCP), ainsi que plus de 20 outils pré-construits comme la manipulation de fichiers, appels API et interactions avec AWS. Les fonctions Python peuvent être facilement encapsulées en outils via le décorateur @tool. - **Invite :** Les développeurs fournissent une invite en langage naturel précisant la tâche, ainsi qu’un système d’instructions pour orienter le comportement de l’agent. L’agent exécute une boucle « agentique » en interagissant avec le modèle et les outils jusqu’à la complétion. À chaque étape, le LLM reçoit l’invite, le contexte et la description des outils, et décide s’il doit répondre directement, planifier, réfléchir ou invoquer des outils. Strands exécute les outils choisis et renvoie les résultats au LLM, jusqu’à aboutissement du processus. Les outils permettent une personnalisation et une complexité accrues : ils peuvent rechercher des documents dans des bases de connaissances, faire des appels API, exécuter du code Python ou fournir des instructions statiques. Exemples d’outils : - **Outil de récupération :** Effectue une recherche sémantique dans les bases de connaissances Amazon Bedrock pour récupérer des documents ou outils pertinents. Par exemple, un agent interne AWS sélectionne parmi plus de 6000 outils en récupérant un sous-ensemble pertinent à présenter au modèle. - **Outil de réflexion :** Permet un traitement analytique approfondi en plusieurs cycles et la réflexion sur soi-même. - **Outils multi-agents :** Les workflows, graphes et essaims supportent l’orchestration collaborative entre plusieurs agents pour des tâches complexes. Le protocole Agent2Agent (A2A) est en développement. ### Commencer avec Strands Agents Voici un exemple simple d’un assistant IA de nommage construit avec Strands, utilisant un modèle Amazon Bedrock, un serveur MCP pour la validation de domaine, et un outil pré-construit GitHub pour vérifier la disponibilité d’un nom d’organisation : ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters PROMPT_NOMMAGE = """ Vous êtes un assistant qui aide à nommer des projets open source. Fournissez des noms de domaines disponibles et des organisations GitHub après avoir validé leur disponibilité. """ domain_tools = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"]) )) github_tools = [http_request] with domain_tools: outils = domain_tools. list_tools_sync() + github_tools agent_nom = Agent(system_prompt=PROMPT_NOMMAGE, tools=outils) agent_nom("Je dois nommer un projet open source pour la création d’agents IA. ") ``` Pour exécuter, configurez votre token GitHub dans la variable `GITHUB_TOKEN`, assurez-vous d’avoir accès au modèle Anthropic Claude 3. 7 Sonnet dans la région us-west-2, et configurez vos identifiants AWS. Installez avec : ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Vous recevrez des suggestions de noms de projets avec vérification de leur disponibilité. Les serveurs MCP de Strands s’intègrent parfaitement avec des outils de développement assisté par l’IA comme Q Developer CLI. Par exemple, ajoutez la configuration suivante à votre configuration MCP : ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Déploiement en Production de Strands Agents Strands a été conçu pour un usage en production, offrant des architectures de déploiement flexibles. Vous pouvez exécuter les agents en local, derrière des API (en utilisant AWS Lambda, Fargate ou EC2), ou en systèmes distribués séparant la boucle agentique et l’environnement d’exécution des outils. Par exemple, les outils peuvent tourner dans Lambda tandis que l’agent s’exécute dans des conteneurs, ou les clients peuvent gérer les outils localement en communiquant avec un agent backend. Strands supporte également la traçabilité et la surveillance via OpenTelemetry (OTEL), permettant un suivi détaillé, des métriques et du télémetrie pour les sessions d’agents à travers des systèmes distribués. ### Rejoignez la Communauté Strands Agents Strands Agents est open source sous licence Apache 2. 0. Nous encourageons les contributions pour ajouter du support de modèles et d’outils, développer de nouvelles fonctionnalités ou améliorer la documentation. Si vous détectez des bugs ou avez des idées, rejoignez-nous sur GitHub et participez à façonner l’avenir des agents IA avec Strands !