Džiaugiuosi galėdamas pranešti apie Strands Agents paleidimą – atviro kodo SDK, kuris supaprastina dirbti su dirbtinio intelekto agentais naudodamas modeliu grindžiamą požiūrį ir tik keletą eilučių kodo. Strands palaiko platų taikymo sričių spektrą – nuo paprastų iki sudėtingų agentų, ir gali skalūtuotis nuo vietinio vystymo iki gamybinės diegimo. Jau yra naudojamas AWS komandoms, tokioms kaip Amazon Q Developer, AWS Glue ir VPC Reachability Analyzer. Dabar su Strands paprasta kurti savo AI agentus. Skirtingai nuo sistemų, kurios reikalauja sudėtingų darbo srautų apibrėžimo, Strands naudoja pačią pažangiausią modelių galimybių – tokių kaip planavimas, apmąstymai, įrankių iškvietimas ir refleksija – galimybę leisti kūrėjams apibrėžti tik užklausą ir įrankių sąrašą, kad sukurtų agentą. Strands, kaip dvi DNR grandinės, jungia modelį ir įrankius; modelis planuoja būsimus žingsnius ir naudoja pažangų mąstymą atliekant įrankių iškvietimus. Palaiko plačią pritaikymo galimybių įvairovę – įrankių pasirinkimą, konteksto valdymą, sesijos būseną, atmintį ir daugelio agentų taikymą. Strands dirba su modeliais iš Amazon Bedrock, Anthropic, Ollama, Meta ir kitų per LiteLLM, veikia bet kur. Projektas – atvira bendruomenė, kurioje prisideda tokios įmonės kaip Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily ir kiti. Pavyzdžiai apima Anthropic API palaikymą ir Meta Llama API integraciją. Prisijunkite prie mūsų GitHub’e ir pradėkite naudotis! ### Mūsų agentų kelias Dirbdamas su Amazon Q Developer – generatyviniu DI asistentu programavimo srityje – mano komanda pradėjo kurti AI agentus 2023 m. pradžioje, sekdami ReAct (Reasoning and Acting) dokumentą, kuriame įrodyta, kad didelės kalbos modeliai (LLMs) gali mąstyti ir imtis veiksmų, pvz. , atlikti API iškvietimus generuojant įvestis. Nors pradiniame etape LLM naudoti kaip agentai nebuvo pagrindinis tikslas ir jie buvo pritaikyti natūralios kalbos pokalbiui, mes sukūrėme sudėtingas sistemas su užklausų instrukcijomis, atsakymo analizatoriumi ir orkestravimo logika – dažnai mėnesiais koreguodami agentus gamybai. Kai LLM pradėjo žymiai geriau mąstyti ir naudoti įrankius, šios sudėtingos sistemos tapo kliūtimi greitam iteracijų keitimui ir lankstumui. Atsiliepę į šį pokytį, sukūrėme Strands Agentus, siekdami pašalinti orkestracijos sudėtingumą ir išnaudoti modernių LLM natūralų mąstymą bei įrankių naudojimą. Šis požiūris sumažino vystymo laiką nuo mėnesių iki dienų ar savaičių, žymiai pagreitinantį paruošimą gamybai ir gerinantį naudotojų patirtį. ### Pagrindinės idėjos apie Strands Agentus Agentą sudaro trys komponentai: (1) modelis, (2) įrankiai ir (3) užklausa. Agentai savarankiškai naudoja šiuos komponentus užduočių vykdymui – nuo klausimų atsakymo, programavimo iki planavimo ar portfelio optimizavimo.

Modeliu grindžiamas požiūris leidžia modeliui dinamiškai nukreipti savo veiksmus ir įrankių naudojimą siekiant tikslo. - **Modelis:** Strands palaiko lankstius modelius – įskaitant Amazon Bedrock modelius su įrankių naudojimu ir srautu, Anthropic Claude modelius per API, Llama modelius per Llama API, Ollama vietiniam vystymui, OpenAI per LiteLLM ir kitus pritaikytus modelius. - **Įrankiai:** Yra tūkstančiai Model Context Protocol (MCP) serverinių įrankių, taip pat daugiau nei 20 iš anksto paruoštų įrankių – failų valdymo, API iškvietimų ir AWS API sąveikos. Python funkcijas lengva supakuoti kaip įrankius naudojant @tool dekoratorių. - **Užklausa:** Kūrėjai pateikia natūralios kalbos užklausą, apibrėžiančią užduotį, ir sistemos instrukciją, kaip elgtis su agentu. Agentas veikia veiklos ciklą, bendraudamas su modeliu ir įrankiais, kol užduotis yra įvykdyta. Kiekviename cikle LLM gauna užklausą, kontekstą ir įrankių aprašymus, sprendžia, ar atsakyti tiesiogiai, planuoti, reflektuoti ar iškvieti įrankius. Strands vykdo pasirinkto įrankio veiksmus ir grąžina rezultatus modeliui, iki galutinio rezultatų pateikimo. Įrankiai leidžia lanksčiai pritaikyti ir sudėtingumą: jie gali pasiimti dokumentus iš žinių bazių, atlikti API iškvietimus, vykdyti Python kodą arba pateikti statinius nurodymus. Pavyzdiniai įrankiai: - **Retrieve Tool:** Atlieka semantinį paiešką Amazon Bedrock žinių bazėse, surasdami svarbius dokumentus ar įrankius. Pavyzdžiui, viena AWS vidaus agentūra pasirenka iš 6 000+ įrankių, surasdama svarbiausią jų dalį ir pateikdama modeliui. - **Thinking Tool:** Leidžia atlikti išsamią daugiacyklę analizę ir savarankišką refleksiją. - **Multi-agent Tools:** Darbo eiga, grafikai ir pulkai įrankių palaiko kelių agentų bendradarbiavimą sudėtingiems uždaviniams spręsti. Artimiausiu metu bus palaikomas Agent2Agent (A2A) protokolas. ### Kaip pradėti naudotis Strands Agentais Štai paprastas pavyzdys, kaip veikia AI vardų padėjėjas sukurta naudojant Strands, Amazon Bedrock modelį, MCP serverį domainų tikrinimui ir iš anksto paruoštą GitHub įrankį, patikrinančiu organizacijos vardų galimumą: ```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 = """ Jūs esate padėjėjas, kuris padeda pavadinti atviro kodo projektus. Teikite prieinamus domeno vardus ir GitHub organizacijas, patikrindami jų galimumą. """ 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("Man reikia pavadinti atviro kodo projektą, kurio tikslas kurti AI agentus. ") ``` Norėdami paleisti, nustatykite savo GitHub prieigos žetoną kaip `GITHUB_TOKEN`, turėkite prieigą prie Anthropic Claude 3. 7 Sonnet modelio US-WEST-2 regione ir sukonfigūruokite AWS kredencialus. Įdiekite: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Gausite pasiūlymus projekto pavadinimams su galimumo patikrinimu. Strands MCP serveriai puikiai integruojasi su DI padedamomis kūrimo priemonėmis, tokiomis kaip Q Developer CLI. Pavyzdžiui, pridėkite prie savo MCP konfigūracijos: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Diegimas gamyboje Strands sukurtas galutiniam panaudojimui, siūlo lankstų diegimo architektūrą. Jūs galite paleisti agentus vietoje, API fone (naudojant AWS Lambda, Fargate ar EC2) arba kaip paskirstytas sistemą, atskyrus veiklos ciklą ir įrankių vykdymą. Pavyzdžiui, įrankiai gali veikti Lambda, o agentas – konteineriuose; arba klientai gali tvarkyti įrankius lokaliai, bendraudami su galiniu agentu. Be to, Strands palaiko stebėseną ir monitorių per OpenTelemetry (OTEL), leidžiančią išsamiai sekti, matuoti ir rinkti telemetriją apie agentų sesijas į tinklus išplitusiose sistemose. ### Prisijunkite prie Strands Agentų bendruomenės Strands Agentai yra atviro kodo pagal Apache License 2. 0. Laukiame jūsų indėlio – pridėti naujų modelių ir įrankių paramą, kurti naujas funkcijas ar gerinti dokumentaciją. Jei randate klaidų ar turite pasiūlymų, prisijunkite prie mūsų GitHub ir kartu kurkime AI agentų ateitį su Strands!