Örömmel jelentem be a Strands Agents megjelenését, egy nyílt forráskódú SDK-t, amely megkönnyíti az AI ügynökök építését és futtatását modell-alapú megközelítéssel, csupán néhány sor kóddal. A Strands támogat számos felhasználási esetet, az egyszerűtől a komplexig, és skálázódik a helyi fejlesztéstől a gyártási deploy-ig. Már használatban van az AWS csapataiban, például az Amazon Q Developer, AWS Glue és VPC Reachability Analyzer. Mostantól könnyedén használhatod a Strands-t saját AI ügynökök létrehozására. Eltérően azok a keretrendszerektől, amelyek bonyolult munkafolyamatokat írnak elő, a Strands a legkorszerűbb modell-képességeket használja ki—például tervezés, gondolatláncolás, eszközmeghívás és reflexió— lehetővé téve a fejlesztők számára, hogy csak egy promptot és egy eszközlistát definiálva hozzanak létre ügynököket. A Strands, mint két DNS-lánc, összeköti a modellt és az eszközöket; a modell tervezi a következő lépéseket, és futtatja az eszközöket fejlett érveléssel. Széleskörű testreszabhatóságot kínál, beleértve az eszközválasztást, a kontextuskezelést, a munkamenet állapotát, a memóriát és a multi-ügynökös alkalmazásokat. A Strands működik Amazon Bedrock, Anthropic, Ollama, Meta modellekkel és másokkal a LiteLLM-en keresztül, bármilyen környezetben. A projekt nyílt közösség, amelyhez hozzájárulnak az Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily és további résztvevők. Példák közé tartozik az Anthropic API támogatás és a Meta Llama API integráció. Csatlakozz hozzánk a GitHubon, és kezdjük el együtt! ### Ügynökútazásunk Az Amazon Q Developer, egy generatív AI segítségprogram szoftverfejlesztéshez, fejlesztőcsapatom 2023 elején kezdte el az AI ügynökök építését, a ReAct (Reasoning and Acting) tanulmány alapján, amely kimutatta, hogy a nagyméretű nyelvi modellek (LLMs) képesek érvelni és lépéseket tenni—például API-hívásokat generálva bemenetként. Bár eredetileg nem arra képzett modelleket használtunk, hanem természetes nyelvi beszélgetésre, összetett keretrendszereket építettünk prompt utasításokkal, válaszparserekkel és szervezési logikával—gyakran hónapokat töltöttünk a ügynökök finomhangolásával a gyártási környezethez. Amint az LLM-ek érvelési és eszközhasználati képességei drámai módon javultak, ezek a komplex keretrendszerek gátként jelentek meg, lassítva az iterációt és az alkalmazkodási képességet. Ezt felismerve alkottuk meg a Strands Agents-et, hogy eltávolítsuk az orchesztrációs bonyodalmakat, és kihasználjuk a modern LLM-ek natív érvelési és eszközhasználati képességeit. Ez a megközelítés hónapok helyett napokra vagy hetekre csökkentette a fejlesztési időt, jelentősen felgyorsítva a gyártási készültséget és javítva a felhasználói élményt. ### A Strands Agents alapfogalmai Egy ügynök három összetevőből áll: (1) modell, (2) eszközök és (3) prompt. Az ügynökök autonóm módon használják ezeket, hogy feladatokat hajtsanak végre, például kérdések megválaszolása, kódolás, tervezés vagy portfólió-optimalizálás.

A modell-alapú megközelítés lehetővé teszi, hogy a modell dinamikusan irányítsa lépéseit és az eszközhasználatot a cél eléréséhez. - **Modell:** A Strands támogatja a rugalmas modelleket, többek között az Amazon Bedrock modelleket eszközhasználattal és streaminggel, az Anthropic Claude modelleket API-n keresztül, a Llama modelleket Llama API-n keresztül, az Ollama-t helyi fejlesztéshez, az OpenAI-t LiteLLM-en keresztül, valamint egyedi modelleket. - **Eszközök:** Több ezer Model Context Protocol (MCP) szerver eszköz áll rendelkezésre, plusz több mint 20 előre elkészített eszköz, mint fájlkezelés, API-hívások és AWS API integrációk. A Python függvényeket könnyedén be lehet csomagolni eszközökké a @tool dekorátor segítségével. - **Prompt:** A fejlesztők természetes nyelvű promptokat adnak meg, melyek meghatározzák a feladatot, és rendszerpromptokat a ügynök viselkedésének irányítására. Az ügynök egy „ügynöki ciklusban” fut, ahol kommunikál a modellel és az eszközökkel egészen a befejezésig. Minden körben a LLM megkapja a promptot, a kontextust és az eszközleírásokat, majd eldönti, hogy közvetlenül válaszol, tervez, reflexiót alkalmaz vagy meghívja az eszközöket. A Strands végrehajtja a kiválasztott eszközöket és visszaküldi az eredményeket a modellnek, végül a végső kimenet megtörténik. Az eszközök lehetővé teszik a testreszabást és a komplexitást: lekérhetnek dokumentumokat tudásbázisokból, API-hívásokat végezhetnek, Python kódokat futtathatnak vagy statikus instrukciókat adhatnak. Néhány példa eszköz: - **Retrieve Tool:** Szembentípusú keresést végez az Amazon Bedrock Tudásbázisokon, releváns dokumentumokat vagy eszközöket találva. Például egy belső AWS-ügyfélszolgálati ügynök 6 000+ eszköz közül választ ki releváns metadata vagy dokumentum alapján. - **Thinking Tool:** Többlépcsős mélyanalitikus feldolgozást és önreflexiót tesz lehetővé. - **Multi-ügynökös eszközök:** Munkafolyamat- és hálózati- valamint rajközpontú (swarm) eszközök támogatják több ügynök együttműködését összetett feladatokhoz. Az Agent2Agent (A2A) protokoll támogatása hamarosan megérkezik. ### Kezdés a Strands Agents-el Íme egy egyszerű példa egy névadó AI-asszisztensre, amely a Strands-t használja Amazon Bedrock modell, MCP szerver a domainvalidáció, és egy előre elkészített GitHub eszköz segítségével, amellyel ellenőrizheti a szervezetnevet: ```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 = """ Egy névadó segéd vagy, aki nyílt forráskódú projektekhez segít neveket találni. Elérhető domain neveket és GitHub szervezeteket ad meg, miután ellenőrzi azok elérhetőségét. """ 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("Szeretnék nyílt forráskódú AI ügynökök építéséhez nevet találni. ") ``` Ehhez állítsd be a GitHub tokenedet a `GITHUB_TOKEN` környezeti változóként, férj hozzá az Anthropic Claude 3. 7 Sonnet modellhez az us-west-2 régióban, és konfiguráld AWS hitelesítési adataidat. Telepítsd a következőképpen: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Ezután projektnevek javaslatokat kapsz az elérhetőség ellenőrzésével. A Strands MCP szerverek jól integrálhatók AI-vel támogatott fejlesztőeszközökkel, például a Q Developer CLI-vel. Például a MCP konfigurációdhoz hozzáadva: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Strands ügynökök gyártási környezetbe való telepítése A Strands kifejezetten a gyártási felhasználásra lett tervezve, rugalmas telepítési architektúrával. Futtathatod az ügynököket helyben, API-k mögött (AWS Lambda, Fargate vagy EC2 használatával), vagy elosztott rendszerként, ahol az ügynöki ciklus és az eszközök futtatási környezete külön van választva. Például az eszközök Lambda-ban futnak, míg az ügynök konténerekben; vagy a kliensek helyben kezelik az eszközöket, miközben kommunikálnak egy backend ügynökkel. A Strands támogatja az átláthatóságot és monitorozást az OpenTelemetry (OTEL) segítségével, lehetővé téve részletes nyomon követést, mérőszámokat és telemetriát az ügynökszolgáltatások között. ### Csatlakozz a Strands ügynökök közösséghez A Strands Agents nyílt forráskódú az Apache License 2. 0 alatt. Várjuk hozzájárulásaidat modell- és eszköz-támogatás bővítéséhez, új funkciók fejlesztéséhez vagy dokumentáció fejlesztéséhez. Ha hibát találsz vagy ötleted van, csatlakozz hozzánk a GitHubon, és segíts építeni az AI ügynökök jövőjét a Strands-szel!