Sono entusiasta di annunciare il rilascio di Strands Agents, un SDK open-source che semplifica la creazione e l'esecuzione di agenti AI con un approccio orientato ai modelli, utilizzando poche linee di codice. Strands supporta una vasta gamma di casi d’uso, da agenti semplici a complessi, e si adatta sia allo sviluppo locale che alla distribuzione in produzione. È già in uso in produzione presso team AWS come Amazon Q Developer, AWS Glue e VPC Reachability Analyzer. Ora puoi usare Strands per creare facilmente i tuoi agenti AI. A differenza di framework che richiedono la definizione di workflow complessi, Strands sfrutta le capacità all’avanguardia dei modelli—come pianificazione, concatenazione di pensieri, invocazione di strumenti e riflessione—consentendo agli sviluppatori di definire soltanto un prompt e una lista di strumenti per creare un agente. Strands, come due filamenti di DNA, collega il modello e gli strumenti; il modello pianifica i passi successivi ed esegue gli strumenti con un ragionamento avanzato. Supporta personalizzazioni estese, tra cui la selezione degli strumenti, la gestione del contesto, lo stato della sessione, la memoria e applicazioni multi-agente. Strands funziona con modelli di Amazon Bedrock, Anthropic, Ollama, Meta e altri via LiteLLM, operando ovunque. Il progetto è una comunità aperta con contributi di Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily e altri. Tra gli esempi ci sono il supporto alle API di Anthropic e l’integrazione delle API di Meta Llama. Unisciti a noi su GitHub per iniziare! ### Il nostro percorso con gli agenti Mentre lavoravo su Amazon Q Developer, un assistente generativo AI per lo sviluppo software, il mio team ha iniziato a costruire agenti AI all’inizio del 2023 seguendo il documento ReAct (Reasoning and Acting), che dimostrava come i grandi modelli di linguaggio (LLM) potessero ragionare e compiere azioni, come chiamare API generando input. Anche se inizialmente gli LLM non erano stati addestrati per agire come agenti, ma per conversazioni in linguaggio naturale, abbiamo sviluppato framework complessi con istruzioni nei prompt, parser di risposte e logiche di orchestrazione—spesso dedicando mesi alla messa a punto degli agenti in vista della produzione. Con i miglioramenti radicali degli LLM in capacità di ragionamento e uso degli strumenti, questi framework complessi sono diventati colli di bottiglia che rallentavano iterazioni e agilità. Riconoscendo questa evoluzione, abbiamo creato Strands Agents per eliminare la complessità dell’orchestrazione e sfruttare il ragionamento e l’uso degli strumenti nativi dei modelli moderni. Questo approccio ha ridotto i tempi di sviluppo da mesi a giorni o settimane, accelerando notevolmente la messa in produzione e migliorando l’esperienza utente. ### Concetti chiave di Strands Agents Un agente si compone di tre elementi: (1) un modello, (2) strumenti e (3) un prompt. Gli agenti operano in modo autonomo utilizzando questi componenti per completare compiti come rispondere a domande, scrivere codice, pianificare o ottimizzare portafogli.

L’approccio basato sui modelli permette al modello di dirigere in modo dinamico i propri passaggi e l’uso degli strumenti per raggiungere l’obiettivo. - **Modello:** Strands supporta modelli flessibili tra cui modelli di Amazon Bedrock con uso di strumenti e streaming, modelli Anthropic Claude via API, modelli Llama tramite API Llama, Ollama per sviluppo locale, OpenAI tramite LiteLLM e modelli personalizzati. - **Strumenti:** Sono disponibili migliaia di strumenti del Model Context Protocol (MCP) e più di 20 strumenti predefiniti, come manipolazione di file, chiamate API e interazioni con AWS API. Le funzioni Python si possono facilmente avvolgere come strumenti usando il decoratore @tool. - **Prompt:** Gli sviluppatori forniscono un prompt in linguaggio naturale che definisce il compito e un prompt di sistema con istruzioni sul comportamento dell’agente. L’agente esegue un ciclo “agente” di interazione tra modello e strumenti fino al completamento. In ogni ciclo, il LLM riceve il prompt, il contesto e le descrizioni degli strumenti, decidendo se rispondere direttamente, pianificare, riflettere o invocare strumenti. Strands esegue gli strumenti scelti e restituisce i risultati al LLM, portando al risultato finale. Gli strumenti permettono personalizzazioni e complessità: possono recuperare documenti da basi di conoscenza, fare chiamate API, eseguire codice Python o fornire istruzioni statiche. Esempi di strumenti includono: - **Retrieve Tool:** Esegue ricerche semantiche su Knowledge Bases di Amazon Bedrock, recuperando documenti o strumenti rilevanti. Ad esempio, un agente interno di AWS sceglie tra oltre 6. 000 strumenti, recuperando un sottoinsieme pertinente da presentare al modello. - **Thinking Tool:** Consente elaborazioni analitiche approfondite in più cicli e auto-riflessione. - **Strumenti multi-agente:** Workflow, grafi e strumenti swarm supportano l’orchestrazione collaborativa di più agenti per compiti complessi. È in arrivo il supporto al protocollo Agent2Agent (A2A). ### Come iniziare con Strands Agents Ecco un esempio semplice di assistente AI di naming costruito con Strands, usando un modello Amazon Bedrock, un server MCP per la verifica di domini, e uno strumento predefinito GitHub per verificare la disponibilità di nomi di organizzazioni: ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters PROMPT_NOME = """ Sei un assistente che aiuta a nominare progetti open source. Fornisci nomi di dominio disponibili e organizzazioni GitHub dopo aver verificato la loro disponibilità. """ tools_mcp = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"]) )) github_tools = [http_request] with tools_mcp: strumenti = tools_mcp. list_tools_sync() + github_tools agente_naming = Agent(system_prompt=PROMPT_NOME, tools=strumenti) agente_naming("Devo trovare un nome per un progetto open source di agenti AI. ") ``` Per farlo funzionare, imposta il token GitHub come `GITHUB_TOKEN`, assicurati di avere accesso al modello Anthropic Claude 3. 7 Sonnet in us-west-2, e configura le credenziali AWS. Installa con: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Riceverai suggerimenti per il nome del progetto con verifiche sulla disponibilità. I server MCP di Strands si integrano facilmente con strumenti di sviluppo assistito da IA come Q Developer CLI. Ad esempio, aggiungi questa configurazione: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Distribuire gli agenti Strands in produzione Strands è pensato per l’uso in produzione, offrendo architetture di distribuzione flessibili. Puoi eseguire gli agenti localmente, dietro API (usando AWS Lambda, Fargate o EC2) o come sistemi distribuiti, separando il ciclo agentico e gli ambienti di esecuzione degli strumenti. Per esempio, gli strumenti possono essere eseguiti in Lambda mentre l’agente gira in container; oppure i client possono gestire gli strumenti localmente e comunicare con un backend. Strands supporta anche l’osservabilità e il monitoraggio tramite OpenTelemetry (OTEL), consentendo tracciature dettagliate, metriche e telemetry delle sessioni degli agenti in sistemi distribuiti. ### Unisciti alla comunità di Strands Agents Strands Agents è open source sotto la licenza Apache 2. 0. Invitiamo contributi per aggiungere supporto a modelli e strumenti, sviluppare nuove funzionalità o migliorare la documentazione. Se trovi bug o hai idee, unisciti a noi su GitHub e aiutaci a costruire il futuro degli agenti AI con Strands!