Saya dengan semangat mengumumkan peluncuran Strands Agents, sebuah SDK sumber terbuka yang menyederhanakan pembuatan dan pengoperasian agen AI dengan pendekatan berbasis model hanya dalam beberapa baris kode. Strands mendukung berbagai macam penggunaan mulai dari agen sederhana hingga kompleks dan dapat diperluas dari pengembangan lokal hingga penerapan produksi. Saat ini, sudah digunakan di lingkungan produksi tim AWS seperti Amazon Q Developer, AWS Glue, dan VPC Reachability Analyzer. Sekarang, Anda dapat menggunakan Strands untuk membuat agen AI Anda sendiri dengan mudah. Berbeda dengan kerangka kerja yang memerlukan definisi alur kerja yang rumit, Strands memanfaatkan kemampuan model terkini—seperti perencanaan, rangkaian pikiran, pemanggilan alat, dan refleksi—yang memungkinkan pengembang hanya mendefinisikan sebuah prompt dan daftar alat untuk membuat agen. Seperti dua helai DNA, Strands menghubungkan model dan alat; model merencanakan langkah berikutnya dan menjalankan alat dengan pemahaman tingkat tinggi. Strands mendukung kustomisasi secara ekstensif termasuk pemilihan alat, pengelolaan konteks, status sesi, memori, dan aplikasi multi-agen. Strands dapat bekerja dengan model dari Amazon Bedrock, Anthropic, Ollama, Meta, dan lainnya melalui LiteLLM, berjalan di mana saja. Proyek ini merupakan komunitas terbuka dengan kontribusi dari Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily, dan lain-lain. Contohnya meliputi dukungan API dari Anthropic dan integrasi API Llama dari Meta. Bergabunglah dengan kami di GitHub untuk memulai! ### Perjalanan Agen Kami Saat mengerjakan Amazon Q Developer, asisten AI generatif untuk pengembangan perangkat lunak, tim saya mulai membangun agen AI pada awal 2023 mengikuti makalah ReAct (Reasoning and Acting), yang menunjukkan bahwa model bahasa besar (LLMs) dapat berpikir dan melakukan tindakan, seperti melakukan panggilan API dengan menghasilkan input. Meskipun LLMs awalnya tidak dilatih untuk bertindak sebagai agen tetapi untuk percakapan bahasa alami, kami membangun kerangka kerja yang kompleks dengan instruksi prompt, parser respons, dan logika orkestrasi—sering membutuhkan bulan-bulan penyempurnaan agar siap digunakan secara produksi. Seiring meningkatnya kemampuan reasoning dan penggunaan alat oleh LLMs secara dramatis, kerangka kerja yang rumit ini menjadi hambatan yang membatasi kecepatan iterasi dan kelincahan. Menyadari perubahan ini, kami menciptakan Strands Agents untuk menghilangkan kerumitan orkestrasi dan memanfaatkan reasoning serta penggunaan alat alami dari LLM modern. Pendekatan ini mempercepat waktu pengembangan dari berbulan-bulan menjadi hari atau minggu, secara signifikan mempercepat kesiapan produksi dan meningkatkan pengalaman pengguna. ### Konsep Inti dari Strands Agents Sebuah agen terdiri dari tiga komponen: (1) model, (2) alat, dan (3) prompt. Agen secara otomatis menggunakan ketiganya untuk menyelesaikan tugas seperti menjawab pertanyaan, pemrograman, perencanaan, atau pengoptimalan portofolio.

Pendekatan berbasis model memungkinkan model secara dinamis menentukan langkah berikutnya dan penggunaan alat untuk mencapai tujuan. - **Model:** Strands mendukung model fleksibel termasuk model dari Amazon Bedrock yang menggunakan alat dan streaming, model Anthropic Claude melalui API, model Llama melalui API Llama, Ollama untuk pengembangan lokal, OpenAI melalui LiteLLM, dan model kustom. - **Alat:** Tersedia ribuan alat Model Context Protocol (MCP) server serta lebih dari 20 alat pra-bangun seperti manipulasi file, panggilan API, dan interaksi dengan API AWS. Fungsi Python dapat dengan mudah dibungkus sebagai alat menggunakan dekorator @tool. - **Prompt:** Pengembang menyediakan prompt bahasa alami yang mendefinisikan tugas dan prompt sistem untuk instruksi perilaku agen. Agen menjalankan “loop agenik” yang berinteraksi dengan model dan alat hingga selesai. Dalam setiap siklus, LLM menerima prompt, konteks, dan deskripsi alat, kemudian memutuskan apakah akan merespons secara langsung, merencanakan, merefleksi, atau memanggil alat. Strands menjalankan alat yang dipilih dan mengembalikan hasilnya ke LLM, menghasilkan output akhir. Alat memungkinkan kustomisasi dan kompleksitas: mereka dapat mengambil dokumen dari basis pengetahuan, melakukan panggilan API, menjalankan kode Python, atau memberikan instruksi statis. Contoh alat meliputi: - **Retrieve Tool:** Melakukan pencarian semantik melalui Basis Pengetahuan Amazon Bedrock, mengembalikan dokumen atau alat yang relevan. Misalnya, agen internal AWS memilih dari lebih dari 6. 000 alat dengan mendapatkan subset yang relevan untuk diberikan ke model. - **Thinking Tool:** Memungkinkan proses analisis mendalam multi-siklus dan refleksi diri. - **Multi-agent Tools:** Alat workflow, graf, dan swarm mendukung orkestrasi beberapa agen secara kolaboratif untuk tugas kompleks. Dukungan untuk protokol Agent2Agent (A2A) akan datang. ### Memulai dengan Strands Agents Berikut contoh sederhana dari asisten AI penamaan yang dibangun dengan Strands menggunakan model Amazon Bedrock, server MCP untuk validasi domain, dan alat GitHub bawaan untuk memeriksa ketersediaan nama organisasi: ```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 = """ Anda adalah asisten yang membantu memberi nama proyek sumber terbuka. Berikan nama domain yang tersedia dan organisasi GitHub setelah memverifikasi ketersediaannya. """ 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("Saya perlu memberi nama proyek sumber terbuka untuk pengembangan AI agen. ") ``` Untuk menjalankan ini, atur token GitHub Anda sebagai `GITHUB_TOKEN`, akses model Anthropic Claude 3. 7 Sonnet di us-west-2, dan konfigurasi kredensial AWS Anda. Instalasi dilakukan dengan: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Anda akan menerima saran nama proyek lengkap dengan pengecekan ketersediaan. Server MCP Strands terintegrasi dengan baik dengan alat pengembangan berbasis AI seperti Q Developer CLI. Sebagai contoh, tambahkan konfigurasi berikut: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Menerapkan Strands Agents dalam Produksi Strands dirancang untuk penggunaan produksi, menawarkan arsitektur penerapan yang fleksibel. Anda dapat menjalankan agen secara lokal, di balik API (menggunakan AWS Lambda, Fargate, atau EC2), atau sebagai sistem terdistribusi yang memisahkan loop agenik dan lingkungan eksekusi alat. Contohnya, alat mungkin berjalan di Lambda sementara agen berjalan di kontainer; atau klien mengelola alat secara lokal sambil berkomunikasi dengan agen backend. Strands juga mendukung observabilitas dan pemantauan melalui OpenTelemetry (OTEL), memungkinkan pelacakan detail, metrik, dan telemetry untuk sesi agen di seluruh sistem terdistribusi. ### Bergabung dengan Komunitas Strands Agents Strands Agents merupakan proyek sumber terbuka di bawah lisensi Apache 2. 0. Kami mengundang kontribusi untuk menambah dukungan model dan alat, mengembangkan fitur baru, atau memperbaiki dokumentasi. Jika Anda menemukan bug atau punya ide, bergabunglah di GitHub dan bantu bangun masa depan agen AI bersama Strands!