გაბედნიერებული ვარ შემოგთავაზოთ სტრანდს აგენტების ამჩნევა, რომელიც არის ღია კოდის SDK, რომელიც ადვილად აწყობს და წარმართავს AI აგენტებს მოდელ-ძირითადი მიდგომით, მხოლოდ რამდენიმე კოდის ხაზით. სტრანდსი ემსახურება საოცრად ფართო გამოყენების შემთხვევებს, დაწყებული მარტივი აგენტებიდან და დამთავრებული ტექნოლოგიურად რთული სერვისებით, სკალირებით ადგილობრივი განვითარებისგან გადამდგარი გამოშვებად. ის უკვე გამოიყენება AWS გუნდებში, როგორიცაა Amazon Q Developer, AWS Glue და VPC Reachability Analyzer. ახლა თქვენ შეგიძლიათ მარტივად შექმნათ თქვენთვის დიდი AI აგენტები სტრანდსის დახმარებით. ძირითადად, სტრანდსი განსხვავდება ჩარჩოებისგან, რომლებიც საჭიროებს რთული სამუშაოფლოუების განსაზღვრას, რადგან ის იყენებს უახლეს მოდელები-სიჩლარე შესაძლებლობებს — როგორიცაა დაგეგმვა, აზროვნების სეგმენტები, ინსტრუმენტების გამოძახება და რეფლექსია — რაც აძლიერებს შემქმნელებს თქვათ მხოლოდ პრომპტი და ინსტრუმენტების სია, რათა შექმნან აგენტი. სტრანდსი, როგორც ორი DNA მبلو, კავშირშია მოდელსა და ინსტრუმეტებს შორის; მოდელი გეგმავს შემდეგ სტეპებს და ს chạyებს ინსტრუმენტებს პროგრესული ჭკვიანობით. ის უჭერს მხარს გრძნობების ჩვეულებრივს მორგებას, რა დამატების ინსტრუმენტების შერჩევა, კონტექსტის მართვა, სესიის სტატუსი, მეხსიერება და მრავალელექტრონული ჩანაცვლების გამოყენება. სტრანდსი მუშაობს Անტროპიკად, აბრაჰიმით, ოლამათი, მეტას, და სხვა მოდელებით, რომლებიც ხელმისაწვდომია LiteLLM-ის საშუალებით, ნებისმიერ სერვერს. პროექტი იმართება თავისუფალი საზოგადოების მიერ, სადაც მონაწილეობენ Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily და მრავალი სხვა. მათ შორის არის Anthropic-ის API მხარდაჭერა და Meta-ს Llama API ინტეგრაცია. შეუერთდით GitHub-ზე და დაიწყეთ მუშაობა! ### ჩვენი აგენტის პროექტი მუშაობით Amazon Q Developer-ზე, რომელია გენერირებადი AI სამაგიდო დახმარება პროგრამირების სფეროში, ჩემი ჯგუფი დაიწყო AI აგენტების შექმნა ადრეული 2023 წლიდან ReAct (Reasoning and Acting) ნაშრომის მიხედვით, რომელიც აჩვენებს რომ დიდი ენა მოდელები (LLMs) შეძლებენ მიანათვრონ და მიიღონ მოქმედებები, მაგალითად API-ს გამოძახება წარმოქმნილი ინპუტებით. თავდაპირველად LLM-ებს არა ჰქონდათ სათანადო სწავლება აგენტებად გამოდგვისთვის, არამედ ბუნებრივი ენის საუბრისთვის, ამიტომ განვავითარეთ რთული სისტემები, რომლებშიც იყო პრომპტების ინსტრუქცია, პასუხის დამუშავება, და ორლინინგი — ხშირად ვატარებდით თვითნებობაში თვისებების შემოწმებას და საოპერაციო რთულობით. როგორც LLM-ები სწრაფად გაუმჯობესდნენ მიზეზობრივი გაკვირვებით და ინსტრუმენტების გამოყენებით, ეს სისტემები გახდა ბარიერი პროგრესზე, მსგავსი შეზღუდვებით, რაც აფერხებდა სიჩქარეს და მოქნილობას. ამ ცვლილებების Recognizing, ჩვენ შემოვიტანეთ სტრანდს აგენტები, რათა მოცილებულიყო საოპერატაციო სისტემა და მაქსიმალურად გამოვიყენოთ მოდელების ბუნებრივი ლოგიკა და ინსტრუმენტების გამოყენება. ეს გამარტივება შეამცირა განვიკითხვის დრო თვიდან კვირამდე, განაპირობა სწრაფი გამოშვება და მომხმარებელთა გამოცდილების გაუმჯობესება. ### ძირითადი კონცეპტები სტრანდს აგენტებში აგენტი შედგება სამი კომპონენტისგან: (1) მოდელი, (2) ინსტრუმენტები, და (3) პრომპტი. აგენტები ოფიცერად იყენებენ ამ სამივეს, რათა შეასრულონ პროცესები, როგორიცაა კითხვებზე პასუხის გაცემა, კოდირება, დაგეგმვა, ან პორტფოლიოს ოპტიმიზაცია.

მოდელ-ძირითადი სტრუქტურა საშუალებას აძლევს მოდელს დინამიურად მართოს თავისი ნაბიჯები და ინსტრუმენტების გამოყენება მიზნის მისაღწევად. - **მოდელი:** სტრანდსი უჭერს მხარს მოქნილი მოდელებს, მათ შორის Amazon Bedrock-ის მოდელებს ინსტრუმენტებისა და სთრიპინგის საშუალებით, Anthropic Claude API-ს, Llama მოდელებს Llama API-ით, Ollama-ს, OpenAI-ს საშუალებით LiteLLM, და სხვა პერსონალურ მოდელებს. - **ინსტრუმენტები:** ხელმისაწვდომია ათასობით MCP (Model Context Protocol) სერვერული ინსტრუმენტი, ასევე დაახლოებით 20-ზე მეტი წინასწარ შექმნილი ინსტრუმენტი, როგორიცაა ფაილთა მართვა, API-ის გამოძახებები, და AWS-ის API-თან მუშაობა. Python-ის ფუნქციები ადვილად იცვლება ინსტრუმენტებად @tool დეკორატორის საშუალებით. - **პრომპტი:** დეველოპერები უწერთ ბუნებრივი ენის პრომპტს, რომელიც განსაზღვრავს ამოცანას, და სისტემის პრომპტს, რომელიც ინსტრუქციებს აძლევს აგენტის ქცევას. აგენტი მართავს ”აგენტიკურს ლუპს” (პარკი) ურთიერთქმედების დროს მოდელთან და ინსტრუმენტებთან, სანამ დასრულდება. ყოველ ვატარებაში, LLM-მ იღებს პრომპტს, კონტექსტს, ინსტრუმენტის აღწერილობას და განსაზღვრავს, განა Respond-ით, დაგეგმავს, დააფიქრებს, ან გამოძახებს ინსტრუმენტებს. სტრანდსი ახორციელებს შერჩეულ ინსტრუმენტებს და აბრუნებს შედეგებს მოდელს, და ამას მიმდევრობით აგრძელებს საბოლოო შედეგამდე. ინსტრუმენტები უზრუნველყოფენ მორგებისა და სირთულის გაზრდას: ისინი შეიძლება იღებენ დოკუმენტებს ცოდნის ბაზებიდან, აკეთებენ API გამოძახებებს, ანგრევენ Python კოდის გაშვებას, ან-static კონტექსტის მიწოდებას. მაგალითად, ინსტრუმენტები მოიცავს: - **Retrieve Tool:** ღრმადსელს კვლევით მოდის Amazon Bedrock-ის ცოდნის ბაზაში, აძლიერებს შესაბამის დოკუმენტებს ან ინსტრუმენტებს. მაგალითად, ერთი AWS-ის სერვერი ათარნენ წყვეტს რამდენიმე ათეული ინსტრუმენტიდან, და საუკეთესო შეარჩენს მათ einzigen სესიისთვის. - **Thinking Tool:** ძალისხმევის მრავალ-ციკლიანი ანალიტიკური მიდგომები და თვითრეფლექსიის განსახორციელებლად. - **მრავალაგენტური ინსტრუმენტები:** Workflow, graph, და swarm ინსტრუმენტები მხარს უჭერენ ერთობლიობით მუშაობას, და აძლევენ აგენტებს ანიატორებს, რომლებიც თანამშრომლობენ ერთობლივი ამოცანების განსახორციელებლად. უახლოეს მომავალში მხარდაჭერა იგეგმება Agent2Agent (A2A) პროტოკოლისთვის. ### როგორ დაიწყოთ სტრანდს აგენტებთან აქ არის პასიური მაგალითის ნაბიჯები, სადაც იყენებთ სტრანდსს Amazon Bedrock მოდელთან, MCP სერვერთან დისკრიმინაციის ვალიდაციით, და GitHub-ის წინასწარ შექმნილ ინსტრუმენტთან, რომელიც შეამოწმებს ორგანიზაციის სახელის თავისუფლებას: ```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 = """ თქვენ ხართ ასისტენტი, რომელიც ეხმარება ღია კოდის პროექტების სახელების დამუშავებაში. პროვაიდეთ ხელმისაწვდომი დომეინ-სახელები და GitHub-ის ორგანიზაციები, შემდეგველი მათ სარგებლიანობა. """ 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("მჭირდება სახელის არჩევა ღია წყარო პროექტისთვის, ಅದು აგენტების შექმნას უკავშირდება. ") ``` არჩევისთვის გამოსაყენებლად, აუცილებელია თქვენი GitHub ტოკენი იყოს `GITHUB_TOKEN`-ად გარღვეული, თქვენი წვდომა იყოს Anthropic Claude 3. 7 Sonnet მოდელზე us-west-2 ზოლში, და შესაბამისი AWS სერთიფიკატები. ინსტალაცია: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` შეიტყობთ პროექტის სახელების წინადადებებს და შესაძლობას ამოწმებთ მოწოდების სიზუსტეზე. სტრანდს MCP სერვერები კარგად ერგება AI-კომპლექსული განვითარების ხელსაწყოებს, მაგალითად, Q Developer CLI. მაგალითად, თქვენი MCP კონფიგურაციის დამატება: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### სტრანდს აგენტების განთავსება წარმოებაში სტრანდსი მორგებულია გამოყენებისთვის სიღრმისეულად და გარსყოფის შესაძლებლობებით, რომლითაც მარტივია გაუმჯობესება. შეგიძლიათ აგენტები აწარმოოთ ადგილობრივად, API-ს მიღმა (AWS Lambda, Fargate, ან EC2), ან როგორც განაწილებული სისტემები, რომლებიც განაგებენ აგენტის ლუპს და ინსტრუმენტების დაყენებას. მაგალითად, ინსტრუმენტები შეიძლება დავიმართოთ Lambda-სა თუ კონტეინერებში, ხოლო აგენტი — კონტეინერებში; ან მომხმარებლებს მიეცეთ ინსტრუმენტების ადგილობრივი მართვისა და Backend აგენტის კომუნიკაცია. სტრანდსი ასევე მხარს უჭერს არსებობაზე დაკვირვებას და მონიტორინგს OpenTelemetry-ის საშუალებით, რაც საშუალებას აძლევს დეტალურად გრძემს ვადებს, მეტრიკებსა და ტელემეტრას, რომელიც აგენტების სესიის კონტროლს ახორციელებს განაწილებულ სისტემებში. ### გაერთიანდით სტრანდს აგენტების საზოგადოებისთან სტრანდს აგენტებს მშობლიური კოდის ამხანაგობის (Apache License 2. 0) ფარგლებში. ზიარებით შეუძლიათ მოდელების, ინსტრუმენტების მხარდაჭერის, ახალი ფუნქციების განვითარების და დოკუმენტაციის გაუმჯობესება. თუ გაწუხებთ დირუსები ან იდეების სურვილი გაქვთ, შეუერთდით GitHub-ზე და წადით ამუშავებაზე — გვერდითი მატარებელი AI აგენტები სტრანდსთან!