Հրապարտվեմ գործածելու՝ Հրապարակային-միակողմ SDK՝ Strands Agents-ի էքսպորտի մասին, որը հեշտացնում է AI գործակալների կառուցումը և գործարկումը՝ օգտագործելով միայն մի քանի կոդային տող՝ մոդելային-կենտրոնացված մոտեցմամբ։ Strands-ը աջակցում է լայն շրջանակ օգտագործման դեպքերի՝ պարզից մինչև բարդ գործակալներ և մետաղային տարածությունից՝ տեղական զարգացմանից մինչև արտադրական կիրառություն։ Այն արդեն գործարկված է AWS թիմերի՝ ինչպես Amazon Q Developer, AWS Glue և VPC Reachability Analyzer։ Հիմա դուք կարող եք հեշտությամբ օգտվել Strands-ից՝ ձեր սեփական AI գործակալները ստեղծելու համար։ Ի տարբերություն այն ֆրեյմվորքերի, որոնք պահանջում են բարդ աշխատանքային ձևակերպումներ, Strands-ը օգտագորում է խթանման ամենաուսումնասիրող մոդելային կարողություններով՝ ինչպես պլանավորում, մտածողության շղթա, գործիքներ կանչել և արտացոլում՝ թույլ տալով զարգացնողների միայն առաջարկություն և գործիքների ցանկ հստակել՝ ստեղծելու գործակալ։ Strands-ը, ինչպես երկու DNA շղթա, կապում է մոդելը և գործիքները՝ մոդելին պարտադրելով հաջորդ քայլերը և գործիքները աշխատացնելով բարձր իմացությամբ։ Այն աջակցում է մեծապես կաշառվածավորիքացման՝ ի մեջբերում՝ գործիք ընտրելու, միջավայրը կառավարելու, սեսիայի վիճակը պահպանելու, հիշողությունը և բազմակողմ գործակալային կիրառությունները։ Strands-ը աշխատում է Amazon Bedrock, Anthropic, Ollama, Meta և այլ մոդելներից, via LiteLLM, աշխատելով ցանկացած վայրում։ Այս նախագիծը բաց համայնք է՝ մասնակցությամբ՝ Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily և շատ ուրիշներ։ Օրինակներ են՝ Anthropic API-ի աջակցությունը և Meta-ի Llama API ինտեգրացիան։ Մասնակցեք մեզ GitHub-ով՝ սկսելու համար։ ### Մեր գործակալական ուղին Աշխատելով Amazon Q Developer-ի վրա՝ միջնորդական AI օգնական՝ ծրագրային զարգացման համար, իմ թիմը սկսել է AI գործակալներ կառուցել early 2023-ին՝ ReAct (Reasoning and Acting) թղթի հիման վրա, որը ցույց էր տալիս, որ մեծ լեզվական մոդելներն (LLMs) կարող են հասկանալ և գործել՝ նման API զանգեր կատարելու նպատակների համար առաջացնելով տվյալներ։ Թեև սկզբից LLM-երը նախատեսված չէին որպես գործակալ, այլ պատասխանում բնական լեզվով, մենք կառուցեցինք բարդ ֆրեյմվորքեր՝ նշումների հրահանգներով, պատասխանների վերլուծականներով և կառավարման տրամաբանությամբ՝ հաճախ ամիսներ տրամադրելով գործակալների ճշգրտմանը համար։ Երբ LLM-երը զգալիորեն բարելավեցին դիմելու և գործիքների խելացի օգտագործումը, այս բարդ ֆրեյմվորքերը սկսեցին դառնալ խոչընդոտներ՝ թափանցիկության և ընդմիջումների արագության առումով։ Այդ փոփոխությունը ճանաչելով՝ մենք ստեղծեցինք Strands Agents՝ թափանցիկություն և բագնայինության մաքրելու, խոնավ թափանցելու և գործիքների օգտագործման բնօրինակը կիրառությունը։ Այս մոտեցումն հասցնում է ծրագրավորման ժամանակը ամիսներից՝ օրեր կամ շաբաթներ, լրջորեն արագացնելով արտադրական պատրաստականությունը և բարելավելով օգտագործողի փորձը։ ### Strands Agents-ի հիմքային գաղափարները Գործակալը բաղկացած է երեք բաղադրիչներից՝ (1) մոդել, (2) գործիքներ, և (3) հրահանգ։ Գործակալները ինքնակամ օգտագործում են դրանք՝ ավարտելուց Tasks-ը, ինչպիսիք են հարցերի պատասխանելը, ծրագրավորելը, պլանավորումը կամ պորտֆոլիոն օպտիմալացումը։ Մոդելային-կենտրոնացված մոտեցումը տալիս է մոդելին հնարավորությունը դինամիկ առաջնորդել իր քայլերը և գործիքների օգտագործումը՝ նպատակին հասնելու համար։ - **Մոդել:** Strands-ն աջակցում է ճկուն մոդելներին՝ ներառյալ Amazon Bedrock մոդելները գործիքների և մաքրային հոսքի հարթակով, Anthropic Claude API-ի միջոցով, Llama մոդելները՝ Llama API-ն օգտագործելով, Ollama՝ տեղական զարգացման համար, OpenAI՝ LiteLLM-ով, և հատուկ մոդելներ։ - **Գործիքներ:** կան նեթավորից ընթացող հազարավոր MCP սերվերային գործիքներ, ինչպես նաև ավելի քան 20 մշտական պատրաստված գործիքներ՝ ֆայլեր մշակում, API զանգեր և AWS API-ների հետ համագործակցություն։ Python ֆունկցիաներ հեշտությամբ կարելի է թեթևամիտ կատարել գործիք՝ @tool դեկորատորով։ - **Հրաման:** Զարգացնողները տրամադրում են բնական լեզվի հրահանգ՝ գործառույթի մասին և սիստեմ հրահանգ՝ գործակալին վարքագիծ սահմանելու համար։ Գործակալը աշխատում է «գործակալություն» ցիկլի վրա՝ շարունակելով մոդել և գործիքների հետ կապը մինչ մեք։ Յուրաքանչյուր ցիկլում, LLM-ը ստանում է հրահանգը, միջավայրը և գործիքների նկարագրությունը, և որոշում՝ անմիջականորեն պատասխանել, պլանավորել կամ արտացոլել, կամ գործիքներ կանչել։ Strands-ը իրականացնում է ընտրված գործիքները և վերադարձնում արդյունքները՝ վերջնական արդյունքի։ Գործիքները հուշում են անհատականացման և բարդության հնարավորություն՝ կարելի է որոնել փաստաթղթեր գիտելիքների բազաներից, կատարել API զանգեր, աշխատեցնել Python կոդ, կամ տրամադրել ստատիկ հրահանգներ։ Օրինակներ՝ - **Retrieve Tool:** իրականացնում է սիմանթիկ որոնում Amazon Bedrock գիտելիքաբազաներում՝ հարմար փաստաթղթեր կամ գործիքներ վերադարձնելով։ Միշտ էլ կա հրահանգ՝ ընտրելու 6000+ գործիքներից՝ համապատասխան հատվածը բերել մոդելին։ - **Thinking Tool:** հնարավորություն է տալիս կատարել բարդութային ցիկլային վերլուծական և ինքնածնման գործընթացներ։ - **Բազմագործակալային գործիքներ:** Աշխատանքային հոսքերի, գրաֆների և խանութների գործիքներ՝ աջակցում են մի քանի գործակալների համակողմյա աշխատանքի համար։ Հաջորդում է Agent2Agent (A2A) պրոտոկոլը։ ### Ի՞նչպես սկսել՝ Strands Agents-ով Հետևյալը՝ համհատում օրինակ՝ անվանումների AI օգնական՝ built with Strands՝ Amazon Bedrock մոդել օգտագործելով, MCP սերվեր՝ դոմեյնային վավերացման համար, և նախապես պատրաստված GitHub գործիք՝ կազմակերպության անվան ևս հոսքային հնարավորության ստուգում համար։ ```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 = """ Դուք սատարող եք շուկաների անվանումների համար։ Արտադրեք հասանելի դոմեյնների անուններ և GitHub կազմակերպություններ՝ վավերացնելով դրանց հասանելիությունը։ """ 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("Ես պետք է անվանեմ բաց աղբյուրային նախագիծ՝ AI գործակալներ կառուցելու համար։") ``` Հարցը մոքսասնելու համար, սահմանել ձեր GitHub-ի տոքենը՝ `GITHUB_TOKEN`, ունենալ կամավոր Anthropic Claude 3. 7 Sonnet մոդելը us-west-2-ում։ Տեղակարտել` ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Սպասեք աշխատանքի անվանումների և հասանելիության ստուգումներ։ Strands MCP սերվերները լավ միակցվում են AI-ն աջակցող ծրագրագրման գործիքների՝ ինչպիսին է Q Developer CLI։ Օրինակ՝ ավելացնել հետևյալին ձեր MCP կոնֆիգուրացիային՝ ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Քանի որ ակտիվորեն օգտագործել՝ Ստրանդս գործակալները արտադրական միջավայրում Strands-ն ծրագրված է կառավել մշտական կիրառության համար՝ առաջարկելով ճկուն գործարկման տարբերակներ։ Կարող եք աշխատեցնել գործակալները տեղական, API-ների հետևանքով (օգտվելով AWS Lambda, Fargate, կամ EC2), կամ որպես ցանցային համակարգեր՝ բաժանելով գործակալային ցիկլը և գործիքների գործարկման միջավայրերը։ Օրինակ՝ գործիքները կարող են աշխատել Lambda-ում, իսկ գործակալը՝ kontainers-ով կամ հաճախորդները՝ տեղական գործիքներով՝ կապ հաստատելով բեքենդ գործակալի հետ։ Strands-ը նաև աջակցում է տեսանելիության և մոնիթորինգի՝ OpenTelemetry (OTEL) միջոցով՝ մանրամասն տրեսինգ, չափվիչներ և տեղեկատվական մեթոդներ տրամադրելով գործակալների սեսիաներում՝ ցրված համակարգերում։ ### Եկեք միանաք Ստրանդս գործակալների համայնքին Strands Agents-ը բաց կոդով է՝ Apache License 2. 0 խիստ մոտեցմամբ։ Մենք ողջունում ենք նոր ներդրումներ՝ մոդելների և գործիքների աջակցման, նոր հնարավորությունների շինարարության, կամ փաստաթղթավորման բարելավման համար։ Եթե նկատել եք խնդիրներ կամ ունեք գաղափարներ, միացեք GitHub-ով՝ օգնեք կառուցել AI գործակալների ապագան՝ հետաքննելով Strands-ի հետ։