Ar prieku paziņoju par Strands Agents izlaišanu — atvērtā koda SDK, kas vienkāršo mākslīgā intelekta aģentu veidošanu un darbību, izmantojot modeļiem balstītu pieeju tikai ar dažām līnijām koda. Strands atbalsta plašu lietošanas gadījumu loku — no vienkāršiem līdz sarežģītiem aģentiem — un mērogojas no vietējās izstrādes līdz ražošanas izvietošanai. Tas jau ir izmantots AWS komandās, piemēram, Amazon Q Developer, AWS Glue un VPC Reachability Analyzer. Tagad arī jūs varat viegli radīt savus AI aģentus ar Strands. Atšķirībā no ietvariem, kas prasa sarežģītu darba plūsmu definēšanu, Strands izmanto jaunākās modeļu iespējas — tādas kā plānošana, domu ķēžu veidošana, rīku izsaukšana un atspoguļošana — ļaujot izstrādātājiem definēt tikai uzvedni un rīku sarakstu, lai radītu aģentu. Tāpat kā divi DNS pavedieni, Strands savieno modeli un rīkus; models plāno nākamās darbības un izmanto uzlabotu loģiku, izsaucot rīkus. Tas atbalsta plašu pielāgošanu, tai skaitā rīku izvēli, konteksta pārvaldību, sesijas stāvokli, atmiņu un daudzagentu lietojumprogrammas. Strands darbojas ar modeļiem no Amazon Bedrock, Anthropic, Ollama, Meta un citiem, izmantojot LiteLLM, darbojoties jebkurā vidē. Projekts ir atklāta kopiena ar sadarbošanos no Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily un citiem. Piemēri ietver Anthropic API atbalstu un Meta Llama API integrāciju. Pievienojieties mums GitHub, lai sāktu! ### Mūsu aģentu ceļojums Strādājot pie Amazon Q Developer — ģeneratīvā AI asistenta programmatūras izstrādei, mana komanda sākusi veidot AI aģentus 2023. sākumā, sekojot ReAct (Reasoning and Acting) pētījumam, kas parādīja, ka lieli valodu modeļi (LLMs) spēj domāt un veikt darbības, piemēram, izsaukt API, ģenerējot ievadus. Lai gan sākotnēji LLM nav tika apmācīti rīkoties kā aģenti, bet paredzēti dabiskās valodas sarunām, mēs izstrādājām sarežģītas struktūras ar uzvednēm, atbilžu parsēšanu un orkestrācijas loģiku — bieži mēnešiem ilgi pielāgojot, lai aģenti būtu gatavi ražošanai. Kad LLM uzlaboja spēju domāt un lietot rīkus, šīs sarežģītās struktūras kļuva par efektivitātes šķērsli, ierobežojot iterācijās nepieciešamo ātrumu un elastību. Pārliecinājušies par šo izmaiņu, mēs radījām Strands Agents, lai novērstu orkestrācijas sarežģījumus un izmantotu mūsdienu LLM iedzimto spēju domāt un lietot rīkus. Šī pieeja parasti samazina izstrādes laiku no mēnešiem līdz dienām vai nedēļām, būtiski paātrinot gatavību ražošanai un uzlabojot lietotāja pieredzi. ### Strands Agents galvenās koncepcijas Aģents sastāv no trim komponentēm: (1) modeļa, (2) rīkiem un (3) uzvednes. Aģenti darbojas patstāvīgi, izmantojot šīs sastāvdaļas, lai veiktu uzdevumus — atbildētu uz jautājumiem, programmētu, plānotu vai optimizētu portfeļus.

Modeļiem balstīta pieeja ļauj modelim dinamiski noteikt nākamās darbības un rīku izmantošanu, lai sasniegtu mērķi. - **Modelis:** Strands atbalsta dažādus modeļus, tai skaitā Amazon Bedrock modeļus ar rīku lietošanu un straumēm, Anthropic Claude, Llama modeļus (via Llama API), Ollama (vietējai izstrādei), OpenAI ar LiteLLM un pielāgotus modeļus. - **Rīki:** Pieejami tūkstoši Model Context Protocol (MCP) servera rīku, kā arī vairāk nekā 20 iepriekš sagatavoti rīki — priekšmetu manipilācija, API izsaukumi, AWS API darbības utt. Python funkcijas var vienkārši ietvert kā rīkus, izmantojot @tool dekoratoru. - **Uzvedne:** Izstrādātāji sniedz dabiskas valodas uzvedni uzdevuma definēšanai un sistēmas uzvednes instrukcijas uzvednes darbībai. Aģents darbojas “aģentiskajā ciklā”, mijiedarbojoties ar modeli un rīkiem, līdz uzdevuma pabeigšanai. Katrā ciklā LLM saņem uzvedni, kontekstu un rīku aprakstus, lemjot, vai atbildēt tieši, plānot, reflektēt vai izsaukt rīkus. Strands izpilda izvēlētos rīkus un rezultātus atgriež modelim, lai veidotu galīgo atbildi. Rīki ļauj pielāgot un padziļināt funkcionalitāti: tie var meklēt dokumentus zināšanu bāzēs, veikt API izsaukumus, izpildīt Python kodu vai sniegt statiskas instrukcijas. Piemēri rīkām: - **Retrieve Tool:** Semantiska meklēšana Amazon Bedrock zināšanu bāzēs, atrodot atbilstošus dokumentus vai rīkus. Piemēram, viens AWS iekšējs aģents izvēlas no vairāk nekā 6000 rīkām, atlasi veicot, izmantojot atbilstošu apakškopu. - **Thinking Tool:** Iespēja veikt daudzaplokšņu dziļu analīzi un pašrefleksiju. - **Multi-agent rīki:** Darbības lacka, grafiku un armijas rīki atbalsta vairāk cilvēku aģentu koordinēšanu sarežģītu uzdevumu izpildē. Tiek plānots arī atbalsts Agent2Agent (A2A) protokolam. ### Sākot darbu ar Strands Agents Šis ir vienkāršs piemērs ar nosaukuma radītāju, kas būvēts ar Strands, izmantojot Amazon Bedrock modeli, MCP serveri domēna validācijai un iepriekš sagatavotu GitHub rīku, kas pārbauda organizācijas nosaukuma pieejamību: ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters NOSAUKUMS_PROMPT = """ Jūs esat asistents, kas palīdz izveidot atvērtā pirmkoda projektu nosaukumus. Sniedziet pieejamus domēna vārdus un GitHub organizācijas pēc to pieejamības pārbaudes. """ domain_name_tools = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"]) )) github_tools = [http_request] with domain_name_tools: rīki = domain_name_tools. list_tools_sync() + github_tools nosaukuma_aģents = Agent(system_prompt=NOSAUKUMS_PROMPT, tools=rīki) nosaukuma_aģents("Man vajag nosaukt atvērtā pirmkoda projektu, kas būvē AI aģentus. ") ``` Lai palaistu šo, nepieciešams iestatīt GitHub marķieri kā `GITHUB_TOKEN`, piekļūt Anthropic Claude 3. 7 Sonnet modelim us-west-2, un konfigurēt AWS akreditāciju. Instalēt ar: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Tiks saņemti ieteikumi projekta nosaukumiem ar pieejamības pārbaudēm. Strands MCP serveri labi sadarbojas ar AI palīdzētu izstrādes rīkiem, piemēram, Q Developer CLI. Piemēram, pievienojiet šādu konfigurāciju: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Strands Agentu izvietošana ražošanā Strands ir veidots ar domu par ražošanas lietojumu, nodrošinot elastīgas izvietošanas arhitektūras. To var darbināt vietēji, aiz API (izmantojot AWS Lambda, Fargate vai EC2) vai kā izplatītas sistēmas, kas atdala aģentisko ciklu no rīku izpildes vides. Piemēram, rīki var darboties Lambda vidē, kamēr aģents – konteineros; vai klienti – lokāli — komunicējot ar backend aģentu. Strands atbalsta arī uzraudzību un novērošanu ar OpenTelemetry (OTEL), nodrošinot detalizētu izsekošanu, metriku un telemetriju aģentu sesijām visās izplatītajās sistēmās. ### Pievienojieties Strands Agentu kopienai Strands Agents ir atvērtā koda projekts saskaņā ar Apache License 2. 0. Mēs aicinām sniegt ieguldījumu, papildinot modeļu un rīku atbalstu, izstrādājot jaunas funkcijas vai uzlabojot dokumentāciju. Ja ievērojāt kļūdas vai jums ir idejas, piesakieties ar mums GitHub un kopīgi veidosim nākotnes AI aģentu pasauli ar Strands!